Deux nouvelles du 3 novembre cette semaine : une première réglementaire pour un médicament GLP-1 oral en Australie, et un examen attentif de la capacité de l'IA à lire l'ordre des acides aminés d'un peptide.
L'Australie autorise le premier comprimé GLP-1
Le 3 novembre 2026, l'agence australienne Therapeutic Goods Administration (TGA) a enregistré le Wegovy oral, le comprimé de sémaglutide de Novo Nordisk. Selon ABC News, c'est le premier médicament GLP-1 que la TGA approuve sous forme orale. Il est autorisé chez l'adulte obèse et chez les personnes qui doivent réduire leur risque cardiovasculaire, et nécessite une ordonnance.
Quatre dosages ont été enregistrés : 1,5 mg, 4 mg, 9 mg et 25 mg. La TGA doit encore examiner l'emballage et les procédés de fabrication, qui doivent respecter les normes de qualité avant la mise à disposition. Aucun prix n'est fixé pour l'Australie, et selon le reportage le comprimé est attendu en rayon avant Noël.
Le régime australien de prestations pharmaceutiques ne subventionne actuellement les médicaments contre l'obésité que pour le diabète de type 2. Le médicament oral d'Eli Lilly, l'orforglipron, attend encore une décision de la TGA.
Dans quelle mesure l'IA sait-elle lire la séquence d'un peptide ?
Un article de Nature Methods, publié le 3 novembre, a comparé huit modèles d'apprentissage profond pour le séquençage de novo de peptides. Il s'agit de déterminer l'ordre des acides aminés d'un peptide directement à partir de données de spectrométrie de masse, sans passer par une base de données. La comparaison a utilisé trois jeux de données publics.
La plupart des erreurs de séquençage n'étaient pas propres à un modèle. Elles venaient des ions fragments manquants, les morceaux qui marquent chaque position de la chaîne lorsque le peptide est fragmenté dans l'instrument. Lorsqu'ils manquent, la séquence reste ambiguë quel que soit le modèle.
Les résidus d'aspect similaire et de même masse restent aussi difficiles à distinguer, car la masse seule ne permet pas de les séparer. Les résultats suggèrent qu'il faut de meilleures données, et pas seulement de meilleurs modèles.