Projets des équipes de recherche collaborative – Projet 30

Innovations collaboratives en apprentissage statistique pour la découverte de médicaments de nouvelle génération

La découverte moderne de médicaments fait face à de grands défis, notamment l’augmentation des coûts, la complexité croissante et des taux d’échec élevés. Ce programme de recherche collaborative développera un ensemble synergique de méthodes statistiques et d’apprentissage automatique (AA) avancées pour transformer les décisions cruciales tout au long du processus de découverte précoce de médicaments. L’objectif est de doter les chercheurs d’outils puissants et intégrés pour une sélection fiable de composés, une expérimentation efficace et une validation rigoureuse des cibles thérapeutiques.

Catégorie de recherche :
Région : Nationale
Date : 2026–2029

Pourquoi avons-nous besoin de nouveaux outils statistiques et d’apprentissage automatique pour la découverte de médicaments?

La découverte moderne de médicaments fait face à de grands défis, notamment l’augmentation des coûts, la complexité croissante et des taux d’échec élevés. Ces défis exigent une innovation quantitative audacieuse.

L’approche de l’équipe comprend trois thèmes interconnectés :
(a) L’inférence conforme pour le dépistage de composés fournira un contrôle rigoureux du taux de fausses découvertes (TFD) dans le dépistage virtuel, assurant des points de départ de grande qualité, cruciaux pour les étapes suivantes. Dans cette continuité,
(b) La prise de décision dynamique avec sélection individualisée de variables utilisera l’apprentissage par renforcement afin de développer des stratégies expérimentales adaptatives et rentables pour caractériser les composés prometteurs.
Enfin, pour garantir que ces efforts ciblent des mécanismes biologiquement solides,
(c) La randomisation mendélienne (RM) avancée intégrera des données multi-omiques et des biomarqueurs afin d’évaluer rigoureusement la validité causale des cibles thérapeutiques.
Ensemble, ces thèmes forment un programme cohérent qui améliorera la prise de décision, depuis le dépistage initial jusqu’à la validation préclinique des cibles.

Objectifs et activités de recherche

L’objectif central de ce projet est de créer des cadres statistiques et d’apprentissage machine (AM) novateurs et interdépendants, de concevoir des stratégies expérimentales adaptatives et de faire progresser les techniques d’inférence causale pour la découverte de médicaments. Les résultats attendus comprennent des algorithmes innovants, des logiciels libres ainsi que des applications validées qui mèneront à des cycles de découverte plus rapides, à une réduction des coûts et à des médicaments plus sûrs et plus efficaces.

Les méthodes issues du premier des trois thèmes du projet, soit le dépistage de composés avec confiance grâce à l’inférence conforme, seront validées à l’aide de deux ensembles de données de pointe en découverte de médicaments, dans le but d’améliorer l’efficacité et la fiabilité de la découverte de médicaments en phase précoce.

Les méthodes résultant du deuxième thème, soit la prise de décision dynamique avec sélection individualisée des variables, seront testées sur des référentiels publics ainsi que sur un riche ensemble de données fourni par Merck, afin de prédire efficacement d’importantes activités moléculaires et des profils d’innocuité, optimisant ainsi la prise de décision séquentielle tout en minimisant les expériences coûteuses.

Enfin, les travaux liés au troisième thème, soit la découverte causale robuste par randomisation mendélienne pour la validation de cibles thérapeutiques, utiliseront une approche de RM informée par des biomarqueurs afin d’éclaircir si les médicaments hypocholestérolémiants influencent réellement les voies métaboliques liées au diabète, ainsi qu’une stratégie de RM multi-omique appliquée aux données de la UK Biobank pour découvrir et prioriser des possibilités de réutilisation de médicaments existants.