Prediction variability in physiologically based pharmacokinetic modeling of tissue disposition under deep uncertainty

Cette étude évalue l'impact de l'incertitude profonde des paramètres sur la variabilité des prédictions de disposition tissulaire dans les modèles pharmacocinétiques physiologiques (PBPK), révélant des écarts significatifs de prédiction, en particulier pour les molécules lipophiles et protonées, et mettant en lumière les hypothèses modèles qui exacerbent cette variance.

L'essentiel

🧪 Le Grand Défi : Prévoir le voyage d'un médicament dans le corps

Imaginez que vous êtes un architecte qui doit construire un pont. Avant de poser la première pierre, vous voulez être sûr que le pont tiendra bon. Dans le monde de la médecine, les scientifiques font la même chose avec les médicaments. Ils utilisent des modèles informatiques (des sortes de "simulateurs de vol" pour les médicaments) pour prédire comment une nouvelle molécule va voyager dans le corps humain : où elle va aller, combien de temps elle va rester, et si elle atteindra sa cible.

Ces modèles s'appellent des modèles PBPK (Pharmacocinétique Basée sur la Physiologie). Ils sont très précis quand on connaît parfaitement toutes les caractéristiques du médicament.

🤖 Le Problème : L'Intelligence Artificielle fait des suppositions

Aujourd'hui, pour aller plus vite, les chercheurs utilisent l'Intelligence Artificielle (IA) pour deviner les caractéristiques de ces médicaments avant même de les fabriquer en laboratoire. C'est comme si l'IA vous donnait les plans d'un pont en vous disant : "Je pense que ce pont pèse 10 tonnes et est fait en acier".

Mais l'IA peut se tromper. Elle peut dire "10 tonnes" alors que c'est "12", ou "acier" alors que c'est "aluminium". Cette incertitude, c'est ce que les auteurs appellent la "profonde incertitude".

La question centrale de cette étude est la suivante : Si les données d'entrée de l'IA sont un peu fausses, est-ce que la prédiction finale du modèle (le voyage du médicament) devient complètement chaotique, ou reste-t-elle fiable ?

🔍 Ce que les chercheurs ont fait

Les auteurs ont pris quatre modèles différents (quatre façons différentes de dessiner le pont) et ils ont testé leur résistance aux erreurs.

1. Le test de vérité : D'abord, ils ont utilisé des médicaments réels dont on connaît parfaitement les caractéristiques. Ils ont vu que les quatre modèles fonctionnaient bien et donnaient des résultats similaires. C'était comme si les quatre architectes dessinaient des ponts presque identiques.
2. Le test du chaos : Ensuite, ils ont créé des milliers de "faux médicaments" virtuels. Pour chacun, ils ont ajouté du "bruit" (des erreurs aléatoires) aux données, simulant les erreurs typiques de l'IA. Ils ont regardé comment les prédictions des quatre modèles réagissaient à ce chaos.

🌪️ La Découverte Surprenante : Tout dépend du type de molécule

Voici le résultat principal, expliqué avec une analogie :

Imaginez que vous envoyez quatre équipes de sauveteurs chercher une personne perdue dans une forêt.

• Pour la plupart des gens (les molécules "normales") : Les quatre équipes arrivent au même endroit. Même si elles ont des cartes un peu floues, elles s'accordent sur le chemin.
• Pour un groupe spécifique (les molécules "lipophiles et protonées") : C'est là que ça se corse. Ce sont des molécules qui aiment les graisses et qui sont chargées positivement (comme des aimants).
  • Pour ce groupe, les quatre modèles se sont mis à crier dans des directions opposées ! L'un dit "Il est à gauche", l'autre "Il est à droite".
  • Pourquoi ? Parce que ces modèles utilisent des règles mathématiques différentes pour gérer ces molécules "têtues". Quand les données d'entrée sont incertaines, ces petites différences de règles font exploser les prédictions.

⚖️ L'Analogie de la Balance

Pour comprendre pourquoi certains modèles sont plus fragiles, imaginez une balance à plateaux :

• Le modèle "Mathew" (l'un des quatre testés) est comme une balance très sensible. Si vous changez un tout petit peu le poids d'un plateau (une petite erreur sur la lipophilie ou l'acidité de la molécule), la balance bascule complètement. De plus, cette balance est "verrouillée" : elle ne permet pas de corriger l'erreur en regardant les autres plateaux.
• Le modèle "Pearce" (un autre modèle) est comme une balance avec un contrepoids automatique. Il a été "calibré" (ajusté) sur des médicaments réels. Cela le rend plus stable, mais parfois trop rigide. Il ne réagit pas assez aux changements réels.
• Le modèle des auteurs (le nouveau modèle) est comme une balance flexible. Il s'adapte mieux aux erreurs sans basculer complètement, offrant un compromis plus sûr.

💡 Ce que cela signifie pour l'avenir

Cette étude nous apprend trois choses importantes pour le futur de la découverte de médicaments :

1. La confiance a des limites : On ne peut pas faire confiance aveuglément à un seul modèle informatique pour tous les types de médicaments. Pour certaines molécules complexes, les modèles ne sont pas d'accord entre eux.
2. L'IA doit être meilleure sur certains points : Pour que ces modèles fonctionnent bien, il faut améliorer la précision de l'IA sur deux points clés : la façon dont le médicament se lie aux graisses (lipophilie) et sa charge électrique (pKa). Si on améliore ces deux prédictions, les erreurs de voyage diminuent drastiquement.
3. La calibration est une arme à double tranchant : Ajuster un modèle pour qu'il colle parfaitement aux données passées (le "calibrage") peut le rendre trop rigide pour prédire l'avenir, surtout pour les nouvelles molécules.

🏁 En résumé

C'est comme si les chercheurs disaient : "Nous avons quatre cartes pour naviguer dans l'océan du corps humain. Pour la plupart des îles, les quatre cartes sont bonnes. Mais pour certaines îles rocheuses et dangereuses, les cartes se contredisent. Si vous voulez naviguer là-bas, vous devez vérifier vos boussoles (les données d'entrée) avec une précision extrême, ou utiliser plusieurs cartes en même temps pour ne pas vous perdre."

Cette recherche aide les scientifiques à savoir quand ils peuvent se fier à ces simulations et quand ils doivent être très prudents avant de lancer un médicament dans les essais cliniques.

Résumé technique

1. Problématique

L'industrie pharmaceutique s'oriente de plus en plus vers des workflows de criblage virtuel (virtual screening) assistés par l'intelligence artificielle (IA) pour accélérer la découverte de médicaments. Dans ces flux de travail, les modèles de pharmacocinétique physiologiquement basée (PBPK) sont utilisés pour prédire le devenir des molécules dans l'organisme à partir de leur structure chimique.

Cependant, l'application des modèles PBPK à des molécules virtuelles (non encore synthétisées) introduit une incertitude épistémique profonde provenant de deux sources :

1. L'incertitude structurelle : Les modèles PBPK sont des abstractions de la physiologie humaine et peuvent contenir des hypothèses erronées pour certaines classes de molécules.
2. L'incertitude paramétrique : Les paramètres d'entrée spécifiques aux médicaments (ex: logD, pKa, fraction non liée $f_u$, clairance intrinsèque $CL_{int}$) ne sont pas mesurés expérimentalement mais prédits par des modèles QSAR (Quantitative Structure-Activity Relationship) basés sur l'apprentissage automatique. Ces prédictions comportent des erreurs significatives.

Le problème central est de comprendre comment ces incertitudes se propagent à travers les modèles PBPK, affectant la variabilité des prédictions d'exposition tissulaire et la fiabilité des décisions prises lors du criblage virtuel.

2. Méthodologie

Les auteurs ont mené une étude comparative rigoureuse impliquant quatre modèles PBPK distincts et une analyse de sensibilité globale.

• Modèles évalués :
  1. Un modèle développé par les auteurs, basé sur le cadre Rodgers & Rowland (R&R)-Lukacova, avec des hypothèses modifiées pour l'association aux protéines et aux lipides.
  2. Le modèle de Mathew et al. (2021), également basé sur R&R-Lukacova.
  3. Le modèle de Pearce et al. (2017) basé sur Schmitt, dans ses versions calibrée et non calibrée.
• Validation initiale : Les modèles ont été validés contre 1 854 points de données expérimentaux (coefficients de partition tissulaire $K_p$ chez le rat et volume de distribution à l'état d'équilibre $V_{ss}$ chez l'homme) pour établir leur fidélité prédictive avec des paramètres connus.
• Génération de données virtuelles : Un ensemble de données synthétique de $10^4$ (10 000) pseudomolécules a été généré par échantillonnage corrélé des propriétés physico-chimiques (RMM, $f_u$, $CL_{int}$, logD, pKa) tirées de la distribution de molécules réelles (jeu de données Obach).
• Propagation de l'incertitude : Des simulations de Monte Carlo ($10^3$ réalisations par molécule) ont été effectuées en perturbant les paramètres d'entrée selon des distributions reflétant les erreurs moyennes (MAE) typiques des modèles QSAR publiés.
• Analyse de l'accord et du désaccord :
  • Calcul de la distance de Wasserstein entre les distributions de résultats des différents modèles pour identifier les molécules où les modèles divergent.
  • Utilisation de l'algorithme de clustering K-means pour regrouper les molécules en fonction de leur comportement prédictif.
  • Analyse de sensibilité globale (Sobol') : Pour quantifier la contribution de chaque paramètre d'entrée (et de leurs interactions, y compris les corrélations) à la variance des résultats PK ($V_{ss}$, $C_{max,u}$, $AUC_{u}$, $T_{0.1\mu M}$).

3. Contributions Clés

• Évaluation de la robustesse sous incertitude : L'étude démontre que la fidélité d'un modèle sur des données connues ne garantit pas sa robustesse face à l'incertitude des paramètres prédits par l'IA.
• Identification d'une zone de chimie critique : Les auteurs ont identifié une sous-population spécifique de molécules (environ 7,5 % de l'espace chimique simulé) caractérisée par une lipophilie élevée et un fort degré de protonation (bases et zwitterions), où les modèles PBPK montrent un désaccord majeur.
• Analyse des mécanismes de divergence : L'étude a permis de distinguer si les divergences provenaient de différences structurelles dans les modèles (hypothèses sur l'ionisation et la partition lipidique) ou de l'amplification de l'incertitude paramétrique.
• Impact de la calibration : L'analyse montre comment la calibration d'un modèle sur des données de rat peut limiter sa flexibilité et modifier la sensibilité aux paramètres chez l'homme, notamment en "gating" (régulant) l'importance du métabolisme hépatique.

4. Résultats Principaux

• Fidélité aux données expérimentales : Avec des paramètres d'entrée exacts, les quatre modèles présentent une fidélité globalement similaire pour prédire $K_p$ et $V_{ss}$, bien que le modèle de Mathew sous-performe légèrement pour les zwitterions.
• Variabilité sous incertitude :
  • Le coefficient de variation des prédictions PK varie considérablement (de $10^{-6}$ à 31) selon la molécule et le modèle choisi.
  • Le modèle de Mathew présente une variance de prédiction extrêmement élevée pour certaines molécules (jusqu'à $10^{16}$ pour $V_{ss}$), indiquant une instabilité numérique ou structurelle.
• Désaccord dans l'espace chimique (Cluster 1) :
  • Les molécules lipophiles et fortement protonées (Cluster 1) génèrent des prédictions divergentes entre les modèles.
  • Le désaccord est exacerbé par l'incertitude des paramètres. Le modèle de Mathew s'écarte significativement des autres pour ces molécules, principalement en raison de ses hypothèses sur la partition dans les phospholipides acides (AP) qui dépendent fortement de l'état de charge et de la lipophilie.
  • Pour ces molécules, les modèles R&R (Mathew et celui des auteurs) divergent dans leurs prédictions nominales, et l'incertitude paramétrique amplifie cette divergence.
• Analyse de sensibilité (Sobol') :
  • Modèle de Mathew : La variance des résultats est principalement pilotée par des interactions complexes entre les paramètres (notamment logD et pKa), plutôt que par des effets individuels. Cela signifie que réduire l'erreur sur un seul paramètre ne suffira pas à améliorer la précision.
  • Modèles de l'auteur et de Pearce : La variance est davantage pilotée par des effets directs (premier ordre), notamment logD et $f_u$. L'amélioration de la prédiction de ces paramètres spécifiques réduirait directement l'incertitude globale.
  • Impact de la calibration (Pearce) : La calibration du modèle Pearce réduit l'influence de la lipophilie (logD) sur la variabilité et augmente celle de la liaison aux protéines plasmatiques ($f_u$) et du métabolisme hépatique ($CL_{int}$), modifiant qualitativement la dynamique PK prédite pour les molécules lipophiles.

5. Signification et Implications

Cette étude met en lumière des défis critiques pour l'intégration des modèles PBPK dans les workflows de découverte de médicaments assistés par l'IA :

1. Limites des modèles actuels : Les choix d'abstraction mathématique (notamment la façon de traiter l'ionisation et la partition lipidique) peuvent rendre les modèles fragiles face à l'incertitude, en particulier pour les molécules chargées et lipophiles.
2. Priorités pour l'amélioration des QSAR : Pour les modèles basés sur R&R-Lukacova (comme celui des auteurs), l'amélioration de la prédiction de la fraction non liée ($f_u$) et du logD est la voie la plus efficace pour réduire l'incertitude. Pour le modèle de Mathew, l'amélioration doit porter sur l'ensemble des paramètres interdépendants.
3. Prudence dans le criblage virtuel : Les prédictions pour les molécules lipophiles et protonées doivent être interprétées avec une grande prudence, car les différents modèles PBPK peuvent conduire à des conclusions thérapeutiques contradictoires sous incertitude.
4. Rôle de la calibration : Bien que la calibration améliore la précision nominale, elle peut réduire la flexibilité du modèle pour extrapoler à de nouveaux espaces chimiques ou changer la nature des facteurs limitants (ex: rendre le métabolisme hépatique plus critique).

En conclusion, l'article plaide pour une approche plus nuancée du criblage virtuel, où l'incertitude épistémique et la variabilité des modèles sont quantifiées explicitement, plutôt que de se fier à une prédiction ponctuelle unique.