Toxicologie in silico : améliorer le développement des médicaments grâce à la modélisation informatique et à l’apprentissage automatique
Un paysage réglementaire en évolution
Au cours des dernières années, des évolutions réglementaires aux États-Unis ont amorcé une transition vers des méthodologies sans recours aux animaux (NAMs) dans le développement des médicaments. Ce changement a débuté avec l’adoption du FDA Modernization Act 2.0 en 2022, qui a officiellement autorisé l’utilisation d’approches non animales, y compris des modèles computationnels, pour soutenir les soumissions d’IND. Cela a marqué une première étape importante vers l’intégration des NAMs dans les processus réglementaires. En 2024, le FDA Modernization Act 3.0 a élargi ce cadre en encourageant l’utilisation de modèles basés sur l’IA, de technologies d’organes-sur-puce et de systèmes in vitro de nouvelle génération.
Parallèlement, la Predictive Toxicology Roadmap de la FDA a renforcé cette orientation en soulignant la valeur des approches computationnelles pour réduire l’utilisation d’animaux tout en améliorant la précision des prédictions de sécurité. De plus, le Model-Informed Drug Development (MIDD) s’est imposé comme une priorité réglementaire reconnue par la FDA.
Dans leur ensemble, ces initiatives reflètent un soutien réglementaire clair et croissant envers la toxicologie in silico, désormais considérée comme une composante crédible et de plus en plus essentielle de l’évaluation moderne de l’innocuité.
Qu’est-ce que la toxicologie in silico ?
La toxicologie in silico est une discipline scientifique qui s’appuie sur des modèles computationnels et des algorithmes d’apprentissage automatique pour prédire la toxicité potentielle de substances chimiques, notamment les produits pharmaceutiques, les cosmétiques et les ingrédients alimentaires. Le pouvoir prédictif de ces modèles repose sur de vastes bases de données toxicologiques, régulièrement enrichies par l’intégration de données validées provenant de bases publiques, de publications scientifiques et de rapports d’agences réglementaires. À mesure que ces ensembles de données s’élargissent et sont continuellement affinés, la précision des modèles in silico s’améliore, permettant de couvrir un plus large éventail de structures chimiques et de fournir des estimations de plus en plus fiables.
Les principales approches computationnelles comprennent :
- Modèles (Q)SAR permettant d’identifier des motifs structuraux associés à des effets toxicologiques.
toxicological outcomes. - Alertes expertes (Expert Alerts) permettant de détecter des caractéristiques structurales liées à des mécanismes de toxicité connus.
- Read-Across, qui permet de prédire la toxicité de nouveaux composés par comparaison avec des analogues structurellement similaires.
- Cadres intégrés multi-modèles, combinant modèles statistiques, systèmes experts et, lorsque nécessaire, ensembles de données validés afin de produire des prédictions robustes.
Ces modèles peuvent soutenir les soumissions réglementaires et s’alignent sur des lignes directrices internationales telles que l’ICH M7.
Prédictions de toxicité et conception de médicaments plus intelligente
Les modèles computationnels peuvent évaluer un large éventail de domaines de toxicité, notamment :
Toxicité systémique : toxicité aiguë, cancérogénicité, toxicité pour la reproduction et le développement, toxicité endocrinienne.
Toxicité spécifique aux organes : cardiotoxicité, hépatotoxicité, néphrotoxicité, neurotoxicité.
Irritation et sensibilisation : irritation/corrosion cutanée et oculaire, sensibilisation cutanée.
Toxicité génétique et métabolique : génotoxicité, activation métabolique, inhibition des CYP.
Toxicité environnementale : écotoxicité.
Notre plateforme in silico ne se limite pas à prédire les risques potentiels de toxicité ; elle permet également d’identifier les caractéristiques structurales à l’origine de ces effets, aidant ainsi nos clients à affiner la conception moléculaire de leur médicament.
Ces analyses de contribution des caractéristiques permettent d’identifier les toxicophores (des éléments structuraux spécifiques au sein d’une molécule associés à des effets toxicologiques) et d’en quantifier l’impact sur les résultats prédits. Les alertes expertes apportent un contexte supplémentaire à ces risques potentiels en s’appuyant sur des études publiées, ainsi que sur des informations concernant les espèces, les souches, les conditions métaboliques et les résultats expérimentaux.
Cette combinaison d’interprétation mécanistique et de prédictions fondées sur les données favorise une conception de médicaments et une optimisation des composés plus efficaces.
Une valeur stratégique importante
Il apparaît de plus en plus clairement que la toxicologie in silico offre des avantages pratiques dans le processus de développement des médicaments, en fournissant des informations sur la sécurité sans nécessiter de vastes programmes expérimentaux en laboratoire. Sur la base de ce constat, nos services de prédiction en toxicologie in silico aident les promoteurs à identifier les risques potentiels de toxicité avant le passage aux études in vivo, réduisant ainsi la probabilité de revers coûteux et diminuant le risque d’attrition dans les programmes de toxicologie GLP. Cette approche peut également renforcer la confiance lors des discussions de financement et de partenariat. Dans le développement quotidien des programmes, les données in silico facilitent la priorisation des candidats présentant un meilleur profil de sécurité et contribuent à faire progresser les projets plus efficacement. Tout aussi important, elles répondent aux attentes éthiques actuelles des autorités réglementaires en réduisant la dépendance à l’expérimentation animale tout en maintenant le niveau de rigueur scientifique requis pour le développement des médicaments.
Les cinq considérations clés de la toxicologie in silico sont :
- Rentabilité
- Efficacité
- Confiance scientifique
- Pratiques éthiques
- Alignement avec les normes modernes
Conclusion
La toxicologie in silico est désormais reconnue comme une composante essentielle du paysage réglementaire et scientifique moderne. Dans le cadre de l’écosystème plus large des NAMs, ITR propose des solutions de toxicologie in silico visant à accélérer les délais de développement et à soutenir les soumissions réglementaires. Lorsqu’ils sont intégrés aux données in vitro et in vivo, ces modèles contribuent à constituer un ensemble de données de sécurité robuste, favorisant à la fois l’innovation et la conformité réglementaire.
Au-delà de leurs capacités prédictives, notre plateforme in silico aide les équipes à identifier les risques plus tôt, à concentrer les ressources plus efficacement et à réduire le recours inutile à l’expérimentation animale. À mesure que les attentes réglementaires évoluent vers des approches de plus en plus fondées sur les données et les mécanismes biologiques, l’intégration de la toxicologie computationnelle devient un atout essentiel pour concevoir des programmes de développement de médicaments efficaces, éthiques et scientifiquement solides.