L’impact de la technologie sur les actifs du pipeline d’essais cliniques

Par Alexandra Urman, analyste

Comme proposé dans nos recherches précédentes, les analystes en investissement utilisant des taux de débit obsolètes pour déterminer les futurs pourraient sous-évaluer les actifs cliniques à chaque étape du développement. Séquençage de nouvelle génération (NGS), intelligence artificielle (IA), CRISPR et d’autres thérapies géniques devraient accroître l’efficacité des essais cliniques, raccourcir les délais de développement et réduire les taux d’échec. En conséquence, le retour sur investissement pourrait s’améliorer considérablement.

Les avancées récentes dans la modélisation des protéines des réseaux neuronaux pourraient réduire les coûts des pipelines cliniques et augmenter les rendements de la R&D sur les médicaments au-delà de ce que nous avions initialement modélisé. Sur la base de nos recherches en cours dans ce domaine, nous pensons maintenant que le développement préclinique pourrait devenir encore moins coûteux et donner des résultats plus rapidement : une thérapie commercialisable ne coûte que 50 millions de dollars en investissement préclinique, soit la moitié du nombre que nous avions estimé précédemment.

Qu’est ce qui a changé?

La filiale d’Alphabet DeepMind a annoncé AlphaFold, un algorithme basé sur un réseau de neurones qui peut prédire le repliement des protéines, ainsi qu’une base de données open source de structures protéiques alimentée par AlphaFold2. Sur la base de leurs séquences d’acides aminés, la base de données prédit la structure 3D de presque toutes les protéines humaines connues, environ 350 000.

Essentielles à la vie sur terre, les protéines comprennent des milliers d’acides aminés liés qui déterminent leur forme et leur interaction avec d’autres molécules, y compris les médicaments. Pour comprendre ces relations, les développeurs de médicaments utilisent généralement la cristallographie aux rayons X – une méthode expérimentale courante qui est fastidieuse, lente et coûteuse. Au cours des dernières décennies, les scientifiques ont eu recours à la biologie computationnelle pour surmonter ces obstacles, mais aucun des algorithmes ne s’est avéré suffisamment précis.

Selon nos recherches, des algorithmes innovants basés sur des réseaux de neurones peuvent prédire avec précision les structures des protéines dans des expériences en laboratoire et pourraient dynamiser les thérapies humaines et les percées agricoles. L’AlphaFold2 de DeepMind a une précision prédictive qui respecte et dépasse parfois les approches expérimentales haute fidélité[1] et pourrait s’appliquer à toutes les protéines et aux interactions protéine-protéine.

Les algorithmes basés sur les réseaux de neurones pourraient réduire les essais précliniques Coûts et dynamisation des pipelines de candidats-médicaments

Connaître la forme d’une structure protéique au début de la recherche pourrait réduire de 50 % le coût et le temps entre la découverte et l’approbation d’un nouveau médicament expérimental (IND). Un algorithme de type AlphaFold qui détermine rapidement la forme des protéines pourrait améliorer l’économie plus que ne le suggérait notre modèle précédent. Par exemple, en utilisant les taux de débit des essais cliniques passés (« Statu Quo » dans le tableau ci-dessous), nous avons estimé les coûts précliniques par médicament commercialisé à 243 millions de dollars. Si des technologies telles que NGS et AI devaient améliorer les taux de débit, cependant, les coûts précliniques par médicament commercialisé pourraient être réduits de plus de moitié à 103 millions de dollars (« NGS et AI » dans le tableau ci-dessous), et un nouveau réseau neuronal prédictif des algorithmes basés sur AlphaFold pourraient réduire de moitié celles coûts à 52 millions de dollars.

Hypothèses : taux d’actualisation de 15 % à toutes les phases, sauf pour l’enregistrement, qui a un taux d’actualisation de 3 %, pic de ventes estimé à 1 milliard de dollars pour les thérapies non curatives, marge nette de 70 %, taxe de 20 %. Les prévisions sont intrinsèquement limitées et ne sont pas fiables.

Source : ARK Investment Management LLC, 2022

Nos recherches suggèrent que les algorithmes basés sur les réseaux de neurones pourraient réduire les coûts de R&D, augmenter la valeur des actifs des essais cliniques et augmenter la probabilité de transition de phase des essais cliniques. Par exemple, les technologies habilitantes pourraient raccourcir le temps moyen consacré à l’expérimentation préclinique. Historiquement, la durée des tests précliniques, de la découverte à la phase 1, a été en moyenne de quatre ans. Sur la base de nos hypothèses de modèle, ce nombre tombe à trois ans et, avec des algorithmes basés sur des réseaux de neurones, à deux ans, comme indiqué ci-dessous. Pour l’ensemble du pipeline – de la découverte à l’enregistrement d’un médicament thérapeutique – la technologie pourrait améliorer l’efficacité, réduire les coûts et éliminer 3,5 ans de temps de recherche et de développement.

Hypothèses : taux d’actualisation de 15 % à toutes les phases, sauf pour l’enregistrement, qui a un taux d’actualisation de 3 % ; Ventes maximales estimées à 1 milliard de dollars pour les thérapies non curatives ; 70 % de marge nette ; 20% de taxe. Les prévisions sont intrinsèquement limitées et ne sont pas fiables.

Source : ARK Investment Management LLC, 2022

À notre avis, AlphaFold ou des technologies similaires pourraient augmenter la valeur actualisée nette (VAN) d’un actif de découverte de 30 millions de dollars à environ 170 millions de dollars, comme indiqué ci-dessous. Les anciens développeurs de médicaments auraient peut-être dépensé 120 000 $ et un an d’expérimentation pour déterminer une nouvelle structure protéique. Aujourd’hui, ces informations sont accessibles dans des bases de données, et de manière générale, ce qui devrait augmenter le rythme et le taux de réussite de l’expérimentation à un stade précoce, ce qui implique à la fois que la valeur actuelle nette d’un actif à un stade précoce devrait être plus élevée et que davantage de ces actifs entreront dans le pipeline. En d’autres termes, il est peu probable que les économies de coûts réduisent les dépenses globales de R&D pour l’expérimentation à un stade précoce, mais devraient plutôt augmenter le nombre de candidats-médicaments entrant dans le pipeline.

Hypothèses : taux d’actualisation de 15 % à toutes les phases, sauf pour l’enregistrement, qui a un taux d’actualisation de 3 % ; Ventes maximales estimées à 1 milliard de dollars pour les thérapies non curatives ; 70% de marge nette, 20% de taxes. Les prévisions sont intrinsèquement limitées et ne sont pas fiables.

Source : ARK Investment Management LLC, 2022

L’adoption massive et la mise à l’échelle des NGS, de l’IA, des algorithmes basés sur les réseaux de neurones et des thérapies curatives pourraient réduire l’écart entre les valeurs actuelles nettes des actifs précliniques et cliniques. En d’autres termes, nous pensons que les pipelines actuels en phase de démarrage, que les investisseurs en actions de croissance négligent souvent, seront beaucoup plus précieux que beaucoup ne le pensent.

Note de bas de page:

• 1 https://alphafold.ebi.ac.uk/entry/P02088?utm_campaign=Sunday%20Newsletter&utm_medium=email&_hsmi=145809075&_hsenc=p2ANqtz-_tEuJqOJK3tW6xxkC-F2eOQDg3OzSPywVI1AfEeCacnTxM__gADzGG1tqjI5XGGXKxRa29buLtloed6YaKWUf0fssN-w&utm_content=145809075&utm_source=hs_email

  La structure 3D de l’hémoglobine (une protéine bien connue dans les globules rouges qui transporte l’oxygène à travers le corps) est caractérisée dans la base de données AlphaFold2, comme indiqué dans le lien ci-dessus.

Avertissement:

©2021-2026, ARK Investment Management LLC (« ARK » ® « ARK Invest »). Tout le contenu est original et a été recherché et produit par ARK, sauf indication contraire. Aucune partie du contenu original d’ARK ne peut être reproduite sous quelque forme que ce soit, ou mentionnée dans toute autre publication, sans l’autorisation écrite expresse d’ARK. Le contenu est uniquement à des fins d’information et d’éducation et ne doit pas être interprété comme un conseil en investissement ou une offre ou une sollicitation concernant des produits ou des services pour toute personne à qui il est interdit de recevoir de telles informations en vertu des lois applicables à leur lieu de citoyenneté, domicile ou de résidence.Certaines des déclarations contenues sur ce site Web peuvent être des déclarations d’attentes futures et d’autres déclarations prospectives basées sur les opinions et hypothèses actuelles d’ARK, et impliquent des risques et des incertitudes connus et inconnus qui pourraient entraîner des résultats, des performances ou des événements réels différer matériellement de ceux exprimés ou sous-entendus dans ces déclarations. Tout le contenu est sujet à changement sans préavis. Toutes les déclarations faites concernant des sociétés ou des titres ou d’autres informations financières sur ce site ou sur tout site lié à ARK sont strictement des croyances et des points de vue détenus par ARK ou le tiers faisant cette déclaration et ne sont pas des approbations par ARK d’une société ou d’un titre ou de recommandations. par ARK pour acheter, vendre ou détenir des titres. Le contenu présenté ne constitue pas un conseil en investissement, ne doit pas être utilisé comme base pour toute décision d’investissement et ne prétend pas fournir des conseils juridiques, fiscaux ou comptables. N’oubliez pas qu’il existe des risques inhérents à tout investissement sur les marchés et que vos investissements peuvent valoir plus ou moins que votre investissement initial au moment du rachat. Il n’y a aucune garantie que les objectifs d’ARK seront atteints. En outre, rien ne garantit que les stratégies, méthodes, secteurs ou programmes d’investissement dans le présent document ont été ou s’avéreront rentables, ou que les recommandations ou décisions d’investissement que nous prendrons à l’avenir seront rentables pour tout investisseur ou client. La gestion financière professionnelle ne convient pas à tous les investisseurs. Pour obtenir des informations complètes, veuillez consulter notre page Termes et conditions. Le conseiller n’a payé aucun frais à l’octroi des récompenses pour le droit de promouvoir la réception des récompenses par le conseiller et le conseiller n’était pas tenu d’être membre d’une organisation pour être éligible aux récompenses. Pour la divulgation complète des récompenses, veuillez consulter notre page Termes et conditions. Les performances passées ne sont pas représentatives des performances futures.

Message d’origine

Note de l’éditeur: Les puces de résumé de cet article ont été choisies par les éditeurs de Seeking Alpha.