Le service de jumeaux numériques d’essais cliniques Unlearn.AI lève 50 millions de dollars – TechCrunch
L’idée de jumeaux numériques – des représentations numériques d’humains construites avec des modèles informatiques – pour la recherche médicale gagne du terrain dans les secteurs privé et universitaire. Avec la technologie de simulation prédictive, certains experts affirment que les jumeaux numériques ont le potentiel d’améliorer les soins de santé en évaluant les risques pour la santé avant qu’une maladie ne devienne symptomatique, aidant les cliniciens à déterminer, par exemple, quand (et si) intervenir.
Un avenir où les médecins peuvent simuler les effets de tous les traitements possibles sur les patients jumeaux numériques pour déterminer le traitement le plus efficace est certes ambitieux. C’est peut-être pourquoi Unlearn.AI, une startup qui a annoncé aujourd’hui avoir levé 50 millions de dollars lors d’un cycle de financement de série B, a commencé par des essais cliniques. Le produit jumeau numérique d’Unlearn reproduit les caractéristiques des patients dans les essais pour permettre ce que la société prétend être des études plus petites et plus rapides, basées sur une combinaison d’IA et de données historiques.
« Nous utilisons les données combinées d’un grand nombre d’essais cliniques menés précédemment. Notre produit n’est pas un modèle d’IA – c’est un essai clinique », a déclaré le PDG Charles Fisher à TechCrunch par e-mail. « L’attente du développement d’un vaccin [during the pandemic] signifiait que chaque journaliste et les consommateurs les plus avertis prenaient douloureusement conscience de la nécessité d’accélérer les essais cliniques tout en les faisant en toute sécurité… [While there] y a-t-il d’autres entreprises intéressées à utiliser des données du monde réel pour accélérer ou améliorer les essais, il n’y a pas de concurrents directs avec une voie réglementaire directe pour utiliser leurs technologies dans [late-stage] essais cliniques. »
Unlearn a été fondée en 2017 par Fisher, Aaron Smith et Jon Walsh, tous physiciens de formation. Les trois se sont rencontrés alors qu’ils travaillaient ensemble chez Leap Motion, la start-up aujourd’hui disparue développant des capteurs de mouvement pour les ordinateurs de bureau et les casques de réalité augmentée.
Fisher, Smith et Walsh ont cherché à créer un service capable de traiter des ensembles de données d’essais cliniques historiques de patients pour créer des modèles d’apprentissage automatique «spécifiques à la maladie», qui pourraient à leur tour être utilisés pour créer des jumeaux numériques avec les dossiers médicaux virtuels correspondants. Ces dossiers de jumeaux numériques seraient longitudinaux – c’est-à-dire incorporeraient des données au fil du temps et à travers les systèmes – et couvriraient des informations démographiques, des résultats de tests communs et des biomarqueurs qui semblent identiques aux dossiers réels des patients dans un essai clinique.
« [Our] l’intention n’était pas d’accélérer les essais cliniques – c’était de la recherche pure sur l’apprentissage automatique. Mais [I] avait une formation dans l’industrie pharmaceutique et il est vite devenu évident qu’il n’y avait eu aucun investissement dans l’apprentissage automatique en tant que technologie pour le développement pharmaceutique », a déclaré Fisher. (Fisher était auparavant scientifique principal chez Pfizer.) « [Unlearn] évolué grâce à l’interaction[s] avec l’industrie pharmaceutique.
Aujourd’hui, Unlearn travaille avec des sociétés pharmaceutiques, biotechnologiques et des chercheurs universitaires pour générer des jumeaux numériques pour chaque patient participant à un essai clinique. Fisher dit que les effets du traitement peuvent être estimés avec une plus grande précision après correction des résultats dérivés des jumeaux numériques.
Les capacités d’Unlearn auraient été suffisantes pour convaincre trois entreprises de s’engager dans des études avec son produit, bien que Fisher n’ait voulu en nommer qu’une seule : Merck KGaA, Darmstadt, Allemagne (une entité pharmaceutique distincte de Merck). Merck KGaA utilise Unlearn pour incorporer des informations pronostiques provenant de jumeaux numériques dans ses essais contrôlés randomisés, dont les premiers espèrent permettre des groupes de contrôle plus petits et générer des preuves « appropriées pour étayer les décisions réglementaires dans son pipeline d’immunologie », selon Fisher.
Si la technologie de jumeau numérique d’Unlearn fonctionne aussi bien qu’annoncé, cela pourrait être une aubaine pour une industrie médicale qui a longtemps été obligée d’avaler les coûts élevés et les défis logistiques associés aux essais cliniques. Selon une étude de 2018 de Johns Hopkins, les essais cliniques qui soutiennent les approbations de nouveaux médicaments par la Food and Drug Administration des États-Unis ont un coût médian de 19 millions de dollars. Ces essais cliniques – qui se déroulent en plusieurs étapes de plusieurs mois – peuvent s’éterniser pendant des années (six à sept en moyenne) et se heurter à des obstacles imprévus comme un manque de participants qualifiés et des changements de protocole.
Mais plusieurs études soulèvent des questions sur les limites de la technologie des jumeaux numériques, comme sa sensibilité potentielle à des ensembles de données biaisés. Un article récent note que les biais – résultant, par exemple, d’une sous-représentation des patients noirs dans les données des essais cliniques – pourraient affecter l’exactitude des prédictions faites à l’aide de jumeaux numériques.
Fisher conteste l’idée que la technologie d’Unlearn pourrait conduire à une prise de décision compromise, citant un projet d’avis du Agence européenne des médicaments (EMA) indiquant que les jumeaux numériques pourraient être utilisés pour l’analyse primaire des études de médicaments de phase 1 et de phase 2. (L’EMA est à peu près parallèle à la partie pharmaceutique de la Food and Drug Administration des États-Unis.)
« TLa question est de savoir s’il pourrait y avoir un biais dans l’essai clinique utilisant cette technologie. Ce serait mathématiquement impossible. dit Fisher. « [Moreover,] Unlearn n’utilise que des données densifiées et n’a pas accès aux informations privées.
Avec le nouveau capital, qui porte le total de Unlearn levé à ce jour à 69,85 millions de dollars, la société a l’intention de doubler son effectif de 40 personnes et d’étendre ses opérations à de nouvelles maladies.
« L’industrie de la technologie des essais cliniques a un problème majeur : les sociétés pharmaceutiques sont sceptiques à l’égard des nouvelles technologies », a déclaré Fisher. « Le grand défi consiste à rassembler des preuves pour les convaincre que de nouvelles approches apporteront de la valeur tout en fournissant des preuves pouvant être utilisées dans le processus réglementaire. »
Insight Partners a dirigé la série B de Unlearn, qui a également vu la participation de Radical Ventures et des investisseurs existants 8VC, DCVC, DCVC Bio et Mubadala Capital Ventures.