Nous voici à la quatrième partie de l’IA dans la Santé
Le projet de recherche européen HosmartAI a pour objectif de doter l’Europe d’un système de santé fort, efficient, durable et résilient, bénéficiant des capacités d’IA des acteurs européens de la technologie pour générer un impact. Dans ce but, une plateforme commune d’intégration ouverte avec les outils nécessaires pour faciliter et mesurer les bénéfices de l’intégration des technologies numériques (robotique et IA) pour les professionnels de santé, les patients, les gestionnaires de systèmes d’information et les administrations des organisations de santé sera créée.
La mission du projet HosmartAI compte 4 objectifs principaux, divisés en trois catégories principales :
La plateforme sera validée par huit projets pilotes à grande échelle qui mettront en œuvre et évalueront les améliorations apportées au diagnostic médical, aux interventions chirurgicales, à la prévention et au traitement des maladies, ainsi qu’à la réadaptation et au soutien des soins de longue durée dans divers hôpitaux et établissements de soins.
Ces huit applications pilotes alimentées par l’IA, actuellement testées, impliquent 3 000 patients, 300 personnels de la santé et 600 intervenants de 5 hôpitaux en Grèce, en Espagne, en Italie, en Belgique et en Slovénie.
Ils pourraient à terme bénéficier au traitement du cancer, des troubles gastro-intestinaux et thoraciques, des maladies cardiovasculaires et neurologiques, des soins aux personnes âgées et de la réadaptation neuropsychologique, ainsi qu’au retard de croissance du fœtus et à la prématurité.
.
La cellule, unité biologique fondamentale de l’organisme humain, est le lieu de millions d’interactions chimiques. Dans certains cas, ces mécanismes cellulaires peuvent être perturbés (virus, composés chimiques, mutations génétiques) et conduire la cellule à un état pathologique à l’origine de différentes maladies. DeepLife développe une solution technologique capable d’identifier et reproduire précisément les mécanismes de ces pathologies à l’échelle moléculaire afin de proposer les médicaments les plus efficaces.
Digital twin of cells for drug discovery !
Aujourd’hui, la conception d’un nouveau médicament est un processus très long. En général, il faut compter 10 à 15 ans avant une éventuelle mise sur le marché.
Pour aboutir à ce résultat, il est nécessaire de déterminer quelle molécule (ou «ligand») pourrait avoir une action activatrice ou inhibitrice sur la cible (ou «récepteur») en cause dans la maladie. Cette identification de la molécule potentiellement efficace et de sa cible thérapeutique est une étape cruciale dans le développement d’un nouveau médicament.
Malheureusement, la complexité et le grand nombre d’interactions chimiques se produisant au niveau cellulaire ralentissent cette quête de nouveaux médicaments. Et bien souvent les méthodes utilisées dans la sélection des molécules susceptibles d’être efficaces dans le traitement d’une maladie donnée et l’identification de leurs cibles thérapeutiques se révèlent lentes, coûteuses et peu fructueuses.
Résultat, aujourd’hui, seulement 1 % des maladies possèdent un traitement approuvé par la FDA (Food & Drug Administration), l’administration responsable de la commercialisation des médicaments aux États-Unis.
De ce constat est né DeepLife, qui, par sa technologie brevetée et novatrice, rebat les cartes de la recherche pharmaceutique.
DeepLife, fondée en 2019, spécialisée dans les biotechnologies digitales, s’est donné pour mission d’accélérer la découverte de nouveaux médicaments grâce à l’intelligence artificielle.
Mais en quoi cette technologie pourrait-elle aider dans le processus de développement de nouveaux médicaments? Tout commence au niveau cellulaire! Chez une personne malade, on vient prélever des cellules de l’organe ou du tissu pathologique afin de mesurer son activité in vitro. On obtient alors des millions d‘échantillons cellulaires grâce aux différentes méthodes de mesure de l’activité moléculaire (ADN, ARN, protéines, etc.).
A l’aide d’algorithmes créés par DeepLife, toutes ces données sont agrégées et harmonisées automatiquement pour produire des jumeaux numériques de cellules saines ou malades.
Au-delà de la nécessité de collecter autant de données pour alimenter ses algorithmes d’intelligence artificielle, il y aussi un intérêt statistique. En effet, la vérité absolue n‘existant pas en biologie, beaucoup de recherches se font par analyse différentielle entre un état sain (contrôle) et un état pathologique. Les données collectées par DeepLife permettent donc d’augmenter significativement la pertinence statistique des études en passant de quelques dizaines d’échantillons comparés à plusieurs millions. Ainsi, les jumeaux numériques reproduisent la structure de la cellule étudiée et l’ensemble des interactions chimiques qui s’y produisent. Il devient alors possible de tester in silico des combinaisons médicamenteuses inédites ayant un fort potentiel thérapeutique. Les composés qui satisferont le plus les critères d’efficacité et de sécurité seront ensuite conduits en essais cliniques en tant que médicaments candidats.
DeepLife permet un gain considérable de temps et d’argent pour les processus de découverte de nouveaux médicaments, en permettant aux biologistes d’identifier plus rapidement des cibles thérapeutiques. Grâce à sa plateforme technologique, DeepLife renforce la qualité des processus de recherche: un gage de fiabilité pour les patients qui accèderont aux futurs médicaments.
Par ailleurs, l’utilisation des jumeaux numériques de cellules est aussi extrêmement utile pour le repositionnement des médicaments, offrant la possibilité de réutiliser ceux déjà existants pour de nouvelles indications thérapeutiques.
Enfin, l‘intérêt des recherches menées par DeepLife ne s’arrête pas là, puisque l’exploitation optimale des données biomoléculaires renforce aussi nos connaissances, encore très lacunaires, sur les mécanismes cellulaires complexes. Un précieux savoir qui permettra à terme d’améliorer de façon personnalisée la prise en charge de millions de patients.
Article tiré de : DeepLife: accélérer la découverte de médicaments grâce à l’intelligence artificielle
Publié sur Le Figaro Santé le 2 novembre 2022
Vous pouvez aussi lire cet excellent article : Comment l’IA impacte la recherche sur la structure des protéines
Chaque être humain possède plus de 20 000 protéines. Par exemple l’hémoglobine qui s’occupe du transport de l’oxygène depuis les poumons vers les cellules de tout le corps, ou encore l’insuline qui indique à l’organisme la présence de sucre dans le sang.
Publié sur The Conversation par le 19 décembre 2022
L’IA AlphaFold a pu prédire la structure moléculaire de millions de protéines, une avancée considérable pour la recherche en biologie.
DeepMind Technologies a dévoilé ce 28 juillet 2022 les progrès majeurs de son IA AlphaFold. Cette dernière a prédit la structure de presque toutes les protéines connues par la science. Le laboratoire a partagé la base de données d’AlphaFold qui contient plus de 214 millions de modèles en trois dimensions des protéines issues d’organismes vivants. Une avancée qui va permettre d’accélérer la recherche scientifique, notamment dans le secteur médical.
Le laboratoire DeepMind de Google n’en est pas à son premier exploit en matière d’intelligence artificielle. Les chercheurs qui y travaillent depuis sa création en 2010 et depuis le rachat par Google en 2014, ont conçu des IA capables de prédire les cancers du sein, les insuffisances rénales ou encore la météo. Le laboratoire s’est également fait connaître avec ses algorithmes qui rivalisent avec les plus grands joueurs du jeu de go ou de jeux vidéo.
AlphaFold, qui promettait de modéliser la structure des protéines, a vu le jour chez DeepMind en 2018. La première base de données d’AlphaFold a été lancée en juillet 2021 et contenait déjà 1 million de modèles de protéines, un nombre qui paraît bien dérisoire en comparaison des 214 millions de protéines que l’IA a pu prédire et modéliser seulement une année plus tard.
Il s’agit d’une avancée significative pour les chercheurs en biologie. Cette base de données qui contient des protéines du corps humain, ainsi que des protéines animales, végétales ou encore issues des bactéries, devrait par exemple accélérer la découverte de nouveaux médicaments et de vaccins.
Des chercheurs de l’université d’Oxford ont déjà utilisé AlphaFold pour mener leurs recherches sur la conception d’un vaccin contre la malaria, maladie qui fait des centaines de milliers de morts chaque année. Les scientifiques ont pu utiliser le modèle de structure de Pfs48/45, protéine de la malaria, prédit par AlphaFold et le comparer à une version moins précise issue de leurs propres expériences. Les deux modèles s’alignaient presque parfaitement pour créer une image nette de la molécule. Ils ont ainsi pu déterminer comment elle fonctionne et comment produire des antibiotiques avec celle-ci.
« II s’agit d’une réussite incroyable, à la fois pour la science et pour l’intelligence artificielle, démontrant son rôle en tant qu’outil au service des découvertes scientifiques et à une échelle jamais atteinte auparavant », a expliqué Shrikanth Narayanan, professeur à l’université de Californie du Sud, au Wall Street Journal. Maintenant que la base de données d’AlphaFold s’est étoffée, elle pourrait mener à de nombreuses découvertes médicales dans le futur.
Cet article est un résumé de : DeepMind : une IA a modélisé la quasi-totalité des protéines connues
Publié sur Siècle Digital par Maxime Mohr le 29 juillet 2022
Autre article sur ce sujet : L’IA AlphaFold prédit la structure de presque toutes les protéines connues
Publié sur Le Journal du Geek par Antoine Gautherie le 29 juillet 2022
Cette startup lyonnaise a mis au point le premier test salivaire pour diagnostiquer l’endométriose, maladie inflammatoire qui touche 10% des femmes dans le monde. Elle a gagné le défi qu’elle s’était lancé : mettre la biologie moléculaire et l’intelligence artificielle au service d’un problème de santé qui, jusqu’ici, trouvait difficilement solution.
Pour en finir avec les années d’errance médicale autour de la douloureuse endométriose, le challenge que le fondateur de Ziwig, Yahya El Mir, souhaitait relever. En trois ans et sous l’expertise des algorithmes, ses équipes ont conçu le premier test diagnostiquant simplement et sûrement cette maladie féminine. Leur Endotest, déjà disponible dans plusieurs pays du monde, est en cours d’évaluation par la Haute autorité de santé et pourrait arriver sur le marché français avant la fin de l’année 2024.
En France, l’endométriose toucherait 1,5 à 2 millions de femmes. Mais beaucoup d’entre elles en sont atteintes sans le savoir. C’est ce paradoxe qui a décidé Yahya El Mir à travailler sur cette pathologie. « Nous cherchions à répondre à un problème de santé féminin. L’endométriose commençait alors à être bien identifiée grâce au travail des associations de patientes. Mais la maladie nécessitait des IRM et parfois de la chirurgie pour être diagnostiquée, ce qui entraîne des années d’errance médicale. Cette absence de solution simple me semblait inconcevable dans un pays développé. »
Pendant des années, Yahya El Mir a développé l’informatique de haut niveau dans le groupe SQLI dont il était devenu PDG. En le quittant, l’ingénieur était devenu un expert des algorithmes complexes et avait pris goût à diriger des équipes. Il souhaitait mobiliser son expertise pour régler des problèmes de santé ou d’éducation sans solution. Après la création de Ziwig en 2019, le diagnostic de l’endométriose était devenu à ses yeux un excellent challenge.
Les micros-ARN sont des petites molécules produites par les cellules pour réguler l’expression des gènes, ils portent les traces de l’activité cellulaire. Pour apprendre à les décoder, Ziwig s’est lancée dans le séquençage d’un maximum de ces marqueurs. « Cette technologie qui exploite l’identification de micro-ARN salivaires pour diagnostiquer une maladie est une véritable innovation de rupture, souligne Yahya El Mir. Seules deux biotechs la maîtrisent actuellement : Ziwig et l’Américain Viome qui travaille au diagnostic de cancers. »
Pour garantir la fiabilité du diagnostic, l’équipe a passé des millions de micros-ARN à la moulinette du big data. Un travail de titan par séquençage à haut débit, mené avec quinze centres hospitaliers français spécialistes de l’endométriose. Pour donner sens aux « biodatas », l’entreprise a développé des algorithmes maison nourris à l’intelligence artificielle et, au bout de deux ans, elle avait identifié une centaine de micros-ARN présents chez les patientes atteintes d’endométriose. Un peu plus de 100 biomarqueurs ont permis une précision diagnostique de 98 %, selon l’entreprise, bien plus que les méthodes utilisées jusque-là.
Autre bonne idée de Ziwig : proposer un test simple à effectuer chez soi, après des années d’errance médicale pour les patientes. L’entreprise a choisi un test salivaire, les micro-ARN étant aussi présents dans la salive que dans le sang. L’échantillon de salive recueilli grâce au kit n’a plus qu’à être envoyé au labo de Ziwig par La Poste.
Aujourd’hui, l’Endotest est en cours de commercialisation dans 13 pays dont la Suisse, l’Allemagne, l’Angleterre, l’Italie et les pays nordiques, ainsi que certains États du Moyen Orient comme les Émirats Arabes Unis. En France, l’entreprise a choisi une mise sur le marché dans le cadre d’un dispositif remboursé. Elle boucle actuellement les négociations pour une arrivée dans les pharmacies avant la fin de l’année, à un prix aux alentours de 800 €.
Utilisation de l’article suivant : Ziwig met l’intelligence artificielle au service de la santé des femmes
Publié sur La Tribune par Florence Pinaud le 19 avril 2023
La « medtech » SONIO vient d’obtenir une autorisation de l’agence américaine du médicament pour un logiciel qui potentialise l’efficacité de la prise d’images échographiques.
Sonio propose un logiciel d’aide au diagnostic Cloud, en temps réel et s’appuyant sur de multiples données.
Créé par une équipe d’experts scientifiques et médicaux, Sonio s’appuie sur une recherche et un développement continu, pour incorporer régulièrement de nouvelles briques technologiques à son logiciel.
Sonio Pro accompagne tous les spécialistes de l’échographie fœtale : sages-femmes, gynécologues-obstétriciens et échographistes. Sécurisez les examens de routine et améliorez le dépistage prénatal grâce à une checklist intelligente.
Sonio Share accompagne tous les spécialistes de l’échographie fœtale : sages-femmes, gynécologues-obstétriciens et échographistes. En 1 clic, partagez ou imprimez les échographies foetales pour votre patiente.
« Vous voyez cette pile de bouquins ? Il y a plus de 400 syndromes prénataux référencés là-dedans. Le problème, c’est que tout cela ne rentre pas dans un cerveau de médecin, même le meilleur ! » lance le Pr Yves Ville, chef de service de la maternité de l’hôpital Necker-Enfants Malades, à Paris, en désignant une impressionnante colonne de livres de médecine obstétrique qui court du sol au plafond de son bureau. « Un spécialiste en néonatalogie emmagasine, au mieux, une cinquantaine de pathologies parmi les plus fréquentes. C’est un cerveau augmenté qu’il lui faut, pour gérer cette masse d’informations. »
Sonio, système d’intelligence artificielle spécialisé dans la santé prénatale de l’enfant et de la femme enceinte, qu’il a cofondé, est une sorte d’extension de son cerveau et de celui des autres praticiens. Né en 2020 de la collaboration entre l’hôpital Necker et l’école polytechnique, Sonio apporte une solution de contrôle aux gynécologues-obstétriciens, médecins généralistes et échographistes pendant le suivi de grossesse et leur permet de mieux détecter in utero les potentielles anomalies.
Le nouvel environnement logiciel de travail développé par Microsoft EvoDiff fonctionne grâce à la puissance de l’Intelligence Artificielle ; il sera utilisé pour améliorer le processus de protein design.
On le sait depuis quelque temps maintenant, l’IA générative est en train de bouleverser l’économie mondiale, avec de nouvelles méthodes de travail dans divers domaines. Plusieurs solutions logicielles ont déjà été développées pour améliorer la conception de protéines en laboratoire : AlphaFold de Google, FoldX. Là où EvoDiff innove, c’est qu’elle peut générer des protéines à partir simplement d’une séquence donnée, ce qui simplifie grandement le processus. Traditionnellement, il fallait des informations précises sur la structure tridimensionnelle cible de la protéine souhaitée afin de prédire correctement la manière avec laquelle la séquence d’acides aminés se replierait pour être fonctionnelle.
En éliminant cette étape, le gain de temps et d’argent est énorme. Le chercheur principal de Microsoft, Kevin Yang, imagine déjà les applications potentielles d’EvoDiff dans différents domaines : création de nouvelles enzymes, usages industriels ou thérapeutiques…
EvoDiff doit principalement son efficacité au très grand nombre de paramètres dans lesquels il est capable de piocher : 640 millions. Tous sont formés grâce à des bases de données issues de différentes classes fonctionnelles ou types de protéines existantes. Le système fonctionne grâce à un modèle de diffusion. Grâce à cela, il déduit et crée efficacement des séquences de protéines en éliminant le « bruit », c’est-à-dire toute information inutile ou non pertinente qui viendrait perturber le processus de conception.
Le système développé par Microsoft semble très prometteur, mais son efficacité n’a pas encore été clairement évaluée par des acteurs scientifiques extérieurs. Si celle-ci est un jour prouvée, EvoDiff marquera alors un grand pas dans les progrès de la bio-informatique.
Article en anglais sur EvoDiff : Microsoft open sources EvoDiff, a novel protein-generating AI
Publié sur TechCrunch par Kyle Wiggers le 14 septembre 2023
EvoDiff est en open source : microsoft / evodiff