Drug repurposing par ML

Contexte

Laboratoire pharmaceutique investissant 2Md€/an en R&D avec un taux de succès des molécules de 10% (de la phase 1 à la mise sur le marché). Le temps moyen de développement d'une nouvelle molécule est de 10 ans. L'identification de nouvelles indications pour des molécules existantes (drug repurposing) est une stratégie pour réduire les coûts et accélérer la mise sur le marché.

Problème & Défi

Coût de développement d'une nouvelle molécule : 2Md€ sur 10 ans avec 90% de taux d'échec. Drug repurposing traditionnellement basé sur des observations cliniques fortuites : non systématique. Base de connaissances scientifiques massive (30M+ publications PubMed) impossible à analyser manuellement. Interactions moléculaires complexes : les experts humains ne peuvent pas identifier toutes les cibles potentielles. Concurrence intense : le premier à identifier un repurposing viable gagne un avantage de 5-10 ans.

Solution & Livrables

Modèle ML de repositionnement de molécules combinant graph neural networks et NLP sur la littérature scientifique. Knowledge graph intégrant molécules, cibles, pathologies, interactions, effets secondaires et données cliniques. Scoring de probabilité de succès pour chaque couple molécule-indication avec explicabilité des mécanismes. Priorisation des candidats : top 10 opportunités classées par probabilité de succès et taille de marché. Validation croisée : confrontation des prédictions ML avec les données d'essais cliniques existants. Système opéré et monitoré en continu par l'équipe Bomzai.

Technologies