Le déclin persistant de la recherche de médicaments et de l'efficacité du développement est un sujet que connaissent bien les innovateurs pharmaceutiques. Six années se sont écoulées depuis que Jack Scannell et al. a attiré l'attention sur ce défi fondamental pour l'industrie en soulignant que « le nombre de nouveaux médicaments approuvés par milliard de dollars dépensés en R&D a diminué de moitié environ tous les 9 ans depuis 1950 (cette chute étant d'environ 80 % en termes corrigés de l'inflation). »Malheureusement, aujourd'hui, les preuves d'améliorations durables des taux d'approbation restent très rares. Les responsables commerciaux, scientifiques et techniques de l'industrie biopharmaceutique poursuivent leurs efforts pour trouver de nouvelles approches qui permettront de réduire les coûts de R&D et d'accélérer la fourniture d'innovations d'importance vitale aux patients qui en ont besoin.
La réponse se trouve-t-elle dans le big data scientifique ?
Depuis quelques années, les stratégistes professionnels soulignent la sous-utilisation des actifs d'information comme un vent de face puissant qui entrave les gains de productivité liés au développement de médicaments. Le nombre extraordinaire de publications scientifiques confirme leur hypothèse. En fonction des dernières données disponibles, CAS estime que le corps global de la littérature de revues scientifiques et de brevets comprend plus de 150 millions de publications discrètes et qu'il se développe à un rythme quasi exponentiel.
Le défi pour les chercheurs consiste à trouver les réponses dont ils ont besoin dans cette meule de foin énorme d'informations diverses. En fait, une enquête menée par CAS en 2017 auprès des chercheurs scientifiques a révélé qu'ils consacrent en moyenne 7 heures par semaine à chercher des informations, 60 % environ de ce temps étant passé à trier les résultats de recherche pour identifier les informations pertinentes. Le temps qu'ils investissent dans ces explorations est autant de temps qu'ils ne peuvent pas consacrer à développer et tester leurs hypothèses thérapeutiques. Dans ces conditions, on peut se demander :
Combien de temps et d'argent pourrait être économisé par une utilisation améliorée des actifs d'informations ? Qu'en serait-il du rythme du développement d'hypothèses et de tests de médicaments ciblant des maladies si les progrès de l'apprentissage machine et de traitement du langage naturel (TLN) pouvaient être utilisés concrètement dans le secteur pharmaceutique ?
Parmi des investissements lourds dans l'industrie, les questions relatives à la mise en équipe sont les conditions préalables au succès
Pour trouver des réponses à ces questions, l'industrie (bio)pharmaceutique a engagé des investissements importants dans de l'expertise et des actifs immobilisés IT de R&D, y compris dans le recrutement de nombreux scientifiques des données, ce qui a contribué à une croissance estimée à 19 % de cette profession (y compris les scientifiques spécialistes de l'informatique et de l'information) dans tous les secteurs d'activité de 2016 à 2026.On a également pensé à la direction des entreprises, les conseils d'administration tentant de bâtir des équipes de direction expertes en « big data ». Malgré ces efforts et ces investissements, relativement peu de succès ont été rendus publics à ce jour.
Compte tenu de l'accent mis sur chacun de ces domaines, il semble que le défi pourrait ne pas résider dans le talent, la technologie ou la science individuellement, mais dans l'aptitude à développer des relations significatives entre elles pour tracer des perspectives de manière évolutive.
Une meilleure mise en équipe et une plus grande collaboration entre scientifiques et informaticiens pourraient-elles produire les gains d'efficacité recherchés ?
CAS, un intermédiaire en informations scientifiques et technologiques
Le défi auquel le secteur biopharmaceutique est confronté pour trouver de meilleurs moyens d'exploiter et de connecter les informations disponibles n'est pas nouveau. En fait, CAS a été fondé il y a 111 ans parce que les chimistes avaient identifié le besoin d'une nouvelle approche de la gestion du volume croissant de la littérature dans leur domaine et de la rendre plus accessible et utile pour les chercheurs. Alors que le corps de la littérature s'est développé et diversifié au fil des années et que la technologie a progressé, CAS a évolué et développé de nouvelles solutions pour les défis émergents de l'information, comme le stockage numérique et l'accès aux informations de structure chimique, la recherche de représentations Markush dans les brevets et l'analyse rapide de vastes référentiels de données scientifiques. Nos solutions illustrent les avantages qu'apporte la collaboration entre scientifiques et techniciens.
L'ère actuelle du big data, de l'analyse prédictive et de l'intelligence artificielle engendre une nouvelle vague d'opportunités et de défis pour faire progresser les solutions d'information scientifique. Tandis que la technologie de l'information sous-jacente évolue rapidement, les aspects uniques des informations scientifiques et chimiques exigent une attention particulière pour tenir la promesse de ces technologies pour les cas d'utilisation biopharmaceutiques. CAS est parfaitement positionné pour établir une connexion entre les informations scientifiques et les technologies émergentes qui produisent un impact mesurable sur le processus de R&D et au-delà.
Accélérer la synthèse
La synthèse prédictive est un domaine où CAS applique de manière unique ces technologies en résolvant les problèmes d'efficacité en R&D pharmaceutique. La sélection des voies de synthèse et le développement de processus sont des facettes complexes et coûteuses de la découverte et du développement de médicaments. Par exemple, les chimistes médicaux et de synthèse doivent faire le tri parmi un ensemble estimé à 100 choix possibles pour chaque situation de synthèse sur la voie d'une molécule cible. Pendant la phase d'analyse rétrosynthétique, ils doivent aussi traiter un ensemble de facteurs qui affectent la viabilité commerciale d'un composé de pointe. Ces facteurs comprennent la réalisation de rendements de réaction élevés ; la réduction de la durée de séjour dans le réacteur (cycle) ; la diminution du nombre d'étapes de synthèse requises ; l'évitement/la réduction de l'utilisation de groupes de protection ; et la baisse de la consommation d'énergie générale des procédés.
La technologie prédictive peut aider en analysant une multitude d'alternatives et en recommandant la voie de synthèse la plus directe et d'autres possibilités basées sur plus de 100 millions de réactions et de données connexes figurant dans la collection de contenus de CAS. Cette vision se concrétisera grâce à l'intégration imminente de ChemPlanner® dans SciFindern. Ensemble, ces technologies de chimio-informatique de pointe aideront les chimistes à trouver la meilleure sélection de voies diverses et viables pour leurs synthèses, qu'ils construisent de nouvelles molécules candidates pour la sélection ou qu'ils dépannent des transformations clés en préparation à une mise à l'échelle dans l'usine pilote ou l'installation de fabrication commerciale. Il ne s'agit que de l'un des nombreux cas d'utilisation pour les technologies de big data scientifiques actuellement en cours de développement chez CAS.
Chez CAS, nous sommes heureux de nouer des partenariats avec des leaders de la recherche et les chefs d'entreprises pharmaceutiques pour renforcer la valeur des informations scientifiques dans le processus de R&D et mieux connecter les données et la technologie pour fournir des perspectives. Nous sommes impatients de trouver de nouveaux moyens d'exploiter notre contenu unique, notre technologie et notre expertise pour créer de la valeur pour vos clients et les aider à produire des innovations qui amélioreront des vies.
Vous avez une problématique d'informations scientifiques ? Découvrez comment CAS peut vous aider.