Pfizer et XtalPi développent une modélisation moléculaire par IA pour la découverte de médicaments
Pfizer Inc. a annoncé une collaboration de recherche stratégique avec XtalPi Inc. pour développer une technologie de modélisation moléculaire basée sur l'intelligence artificielle pour la découverte de médicaments.

Le géant pharmaceutique Pfizer Inc. a annoncé une collaboration de recherche stratégique avec XtalPi Inc., une entreprise spécialisée dans les technologies pharmaceutiques basées sur le calcul. Ce partenariat vise à développer une nouvelle plateforme logicielle combinant des approches basées sur la physique et l'intelligence artificielle (IA) pour améliorer la modélisation moléculaire de petites molécules médicamenteuses.
La nouvelle plateforme intégrera des algorithmes de mécanique quantique et d'apprentissage automatique au sein d'une architecture de cloud computing. L'objectif est d'améliorer la précision et la couverture de la modélisation de la mécanique moléculaire, permettant ainsi une prédiction plus précise des propriétés pharmaceutiques cruciales pour la découverte et le développement de médicaments. La collaboration s'appuie sur la relation existante entre XtalPi et Pfizer concernant la prédiction de structures cristallines.
Dans le cadre de cette initiative, certains paramètres de mécanique moléculaire générés à l'aide de composés du domaine public seront partagés avec la communauté universitaire afin de promouvoir l'innovation scientifique. Charlotte Allerton, responsable de la conception des médicaments chez Pfizer, a déclaré que cette collaboration représente "une opportunité d'améliorer nos capacités de modélisation computationnelle" et s'attend à ce que de nouveaux outils augmentent l'efficacité dans la découverte de médicaments à petites molécules.
Shuhao Wen, cofondateur et président du conseil d'administration de XtalPi, a souligné que ce partenariat permet d'appliquer leur expertise en modélisation moléculaire, en IA et en cloud computing. L'objectif est d'affiner les méthodes computationnelles existantes et d'explorer de nouveaux algorithmes pour relever les défis de la conception de médicaments, accélérant ainsi la recherche de nouvelles thérapies.