Auteur: news.admin.ch

Mode rédactionnel: CLARUS_ANALYSIS Recommandation d'index: INDEX Langue/Rôle: FULL_ANALYSIS Date de vérification des faits: 28.05.2026

Résumé

Des chercheurs d'Empa ont développé un modèle pharmacocinétique physiologiquement basé (modèle PBPK) assisté par l'IA qui simule la distribution des nanomatériaux dans l'organisme. Le système utilise l'apprentissage automatique pour prédire comment différentes nanoparticules se distribuent dans le corps en fonction de leurs propriétés (taille, revêtement, charge de surface). Le modèle a été entraîné sur la base de 18 études animales et permet de tester virtuellement des candidats nanoparticules prometteurs avant de mener des études animales coûteuses et éthiquement problématiques.

Personnes

Thèmes

  • Intelligence artificielle en médecine
  • Nanotechnologie et nanomédecine
  • Réduction des tests sur animaux
  • Safe and Sustainable by Design (SSbD)
  • Modélisation pharmacocinétique
  • Barrière hémato-encéphalique et traitement des tumeurs cérébrales

Clarus Lead

La loi suisse sur la protection des animaux oblige les chercheurs à minimiser les tests sur animaux – une pression réglementaire qui accélère le développement d'alternatives aux modèles animaux. La souris IA de Wu répond directement à ce besoin : elle permet d'évaluer la sécurité des nouveaux nanomatériaux avant même leur fabrication et raccourcit ainsi le processus de développement. Cela correspond à la tendance croissante d'associer l'innovation technologique aux exigences éthiques et réglementaires – une approche qui a un effet de signal au-delà du domaine médical pour d'autres secteurs.

Résumé détaillé

Les nanoparticules sont considérées comme des vecteurs prometteurs pour les principes actifs, car leur extrême petitesse (environ 500 fois plus petite qu'un cheveu humain) leur permet de traverser les barrières de protection du corps comme la barrière hémato-encéphalique. Cela ouvre de nouvelles possibilités pour le traitement des tumeurs cérébrales, où les chimiothérapies conventionnelles échouent à cette barrière. Cependant, la distribution des nanoparticules varie considérablement selon la forme, la composition du matériau et la taille – une circonstance qui n'a pu être étudiée jusqu'à présent que par le biais d'études animales coûteuses, laborieuses et éthiquement douteuses.

Jimeng Wu a intégré dans son modèle IA un modèle de régression linéaire multivarié qui permet au système d'ajuster automatiquement ses paramètres aux propriétés mesurables des nouvelles nanoparticules. Cela diffère fondamentalement des modèles PBPK traditionnels, qui doivent être recalibrés pour chaque substance individuelle. Le système calcule ensuite la distribution dans le corps de souris simulé – actuellement pour le foie, les reins, les poumons et la rate. L'utilité pratique réside dans le fait que les chercheurs et les partenaires industriels peuvent tester virtuellement quel type de particules convient à une tâche thérapeutique spécifique avant de lancer des études cliniques coûteuses.

Cependant, Peter Wick souligne une limitation critique : l'ensemble de données d'entraînement ne comprend actuellement que 18 publications examinées par les pairs avec une qualité de données suffisante. De nombreuses études décrivent les propriétés de leurs nanoparticules de manière insuffisante, ce qui limite la fiabilité du modèle. Le travail futur de Wu vise à entraîner le modèle avec des données supplémentaires et à le transférer à des modèles PBPK humains – une étape qui permettrait également l'examen d'organes cibles sensibles comme le cerveau.

Éléments clés

  • Le modèle PBPK assisté par l'IA permet le criblage virtuel des nanoparticules sans tests sur animaux
  • L'apprentissage automatique ajuste automatiquement les paramètres du modèle aux propriétés des particules
  • L'ensemble de données d'entraînement actuel est petit (18 études) ; la validation et l'expansion sont nécessaires
  • Objectif : raccourcir les cycles de développement des nanomédications et réduire les tests sur animaux
  • Stratégie de transition vers le transfert aux modèles humains en cours de développement

Questions critiques

  1. Qualité des données : Comment s'assurer que les 18 études d'entraînement sont représentatives de la diversité des propriétés des nanoparticules, et quels taux d'erreur sont réalistes pour les prédictions basées sur cet ensemble de données réduit ?

  2. Validation : Les prédictions du modèle IA ont-elles déjà été validées par rapport à de nouvelles études animales expérimentales pour démontrer la fiabilité ?

  3. Transférabilité : Quelles différences biologiques entre la souris et l'homme pourraient affecter le pouvoir prédictif du modèle lors du transfert prévu aux modèles PBPK humains ?

  4. Conflits d'intérêts : Quels partenaires industriels sont impliqués dans le développement, et les incitations commerciales pourraient-elles influencer l'interprétation des résultats du modèle ?

  5. Acceptation réglementaire : Les autorités de régulation (EMA, FDA) accepteront-elles les prédictions de ce modèle comme substitut aux études animales précliniques, ou un approche hybride reste-t-elle nécessaire ?

  6. Scalabilité : Quel effort est nécessaire pour étendre le modèle à de nouvelles classes de nanoparticules ou à d'autres organismes ?

Références bibliographiques

Source primaire : Communiqué de presse Empa – Le modèle de souris IA fait progresser la recherche médicale (28.05.2026) https://www.empa.ch/web/s604/ki-mausmodell-bringt-medizinische-forschung-voran

Publication scientifique : Wu, J., Wick, P., Nowack, B. (2025): Data-Driven Prediction of Nanoparticle Biodistribution from Physicochemical Descriptors. ACS Nano, 19(29). https://doi.org/10.1021/acsnano.5c03040

Statut de vérification : ✓ 28.05.2026

Ce texte a été rédigé avec l'aide d'un modèle IA. Responsabilité éditoriale : clarus.news | Vérification des faits : 28.05.2026