La découverte de médicaments par IA s’impose progressivement comme l’un des grands sujets de transformation de l’industrie pharmaceutique.
Depuis quelques années, les grands laboratoires, les biotechs et les sociétés spécialisées en technologies de santé multiplient les annonces autour de l’intelligence artificielle appliquée à la recherche de nouveaux traitements.
Mais derrière les effets d’annonce, que recouvre réellement la découverte de médicaments par IA ?
Cette technologie permet-elle réellement de gagner du temps ?
Et surtout, peut-elle favoriser davantage d’innovations thérapeutiques ?
Comment la découverte de médicaments par IA pourrait accélérer le développement pharmaceutique
Le développement d’un médicament reste aujourd’hui un processus extrêmement long, coûteux et risqué.
Entre la recherche fondamentale, les études précliniques, les essais cliniques et l’autorisation de mise sur le marché (AMM), le développement peut prendre plus de 10 ans.
Le taux d’échec reste également très élevé :
- de nombreuses molécules identifiées en laboratoire ne montrent finalement pas d’efficacité chez l’homme ;
- certaines présentent des problèmes de toxicité ;
- d’autres échouent lors des essais cliniques.
Traditionnellement, les chercheurs doivent analyser d’immenses quantités de données biologiques et chimiques avant d’identifier un candidat médicament prometteur.
C’est précisément sur cette phase que la découverte de médicaments par IA cherche aujourd’hui à intervenir.
Selon l’EMA – Use of artificial intelligence in the medicinal product lifecycle, l’intelligence artificielle pourrait transformer plusieurs étapes du développement pharmaceutique, notamment l’identification des cibles thérapeutiques, l’analyse de données complexes et certaines phases de recherche précoce.
Comment fonctionne la découverte de médicaments par IA
La découverte de médicaments par IA repose principalement sur des modèles capables d’analyser d’immenses volumes de données biologiques, chimiques et cliniques.
Concrètement, les algorithmes peuvent :
- analyser des bases de données de molécules ;
- identifier des relations entre structure chimique et activité biologique ;
- prédire la toxicité potentielle d’un composé ;
- proposer de nouvelles molécules théoriques ;
- identifier de nouvelles cibles thérapeutiques.
L’objectif est de réduire le nombre d’essais réalisés “à l’aveugle” en laboratoire.
Certaines approches utilisent notamment :
- le machine learning ;
- le deep learning ;
- les modèles génératifs inspirés des IA conversationnelles ;
- ou encore les modèles dits “foundation models” appliqués à la biologie.
La découverte de médicaments par IA ne consiste donc pas à remplacer les chercheurs, mais à les aider à orienter plus rapidement leurs travaux vers les candidats les plus prometteurs.
Plusieurs analyses publiées dans Nature Reviews Drug Discovery montrent que les modèles d’IA sont désormais capables de proposer rapidement de nouveaux candidats médicaments à partir de grandes bases de données chimiques et biologiques.
La découverte de médicaments par IA permet-elle réellement de gagner du temps ?
C’est l’un des arguments les plus souvent avancés par les industriels.
Traditionnellement, l’identification d’un candidat médicament peut prendre plusieurs années.
Avec la découverte de médicaments par IA, certaines entreprises annoncent avoir réduit cette phase à quelques mois.
Plusieurs exemples récents ont marqué le secteur :
- des candidats médicaments identifiés par IA sont déjà entrés en essais cliniques ;
- certaines plateformes sont capables de générer virtuellement des milliers de molécules en quelques heures ;
- l’IA est également utilisée pour repositionner des médicaments déjà connus vers de nouvelles indications thérapeutiques.
Pendant la pandémie de COVID-19, les outils d’IA ont notamment été utilisés pour :
- analyser rapidement des données biologiques ;
- identifier des cibles virales ;
- accélérer certaines étapes de recherche précoce.
La FDA souligne également le potentiel de l’IA pour améliorer l’efficacité de certaines phases du développement pharmaceutique.
L’enjeu économique est considérable : le coût moyen de développement d’un médicament est estimé à plusieurs milliards d’euros lorsque l’on intègre les nombreux échecs.
Réduire même partiellement les délais pourrait donc transformer profondément le modèle économique de l’innovation pharmaceutique.
La découverte de médicaments par IA favorisera-t-elle davantage d’innovations thérapeutiques ?
C’est probablement l’aspect le plus intéressant.
La découverte de médicaments par IA pourrait permettre d’explorer des espaces biologiques et chimiques beaucoup plus vastes que les approches traditionnelles.
Certains domaines semblent particulièrement concernés :
- les maladies rares ;
- l’oncologie ;
- les maladies neurodégénératives ;
- les thérapies ciblées ;
- la médecine personnalisée.
L’IA pourrait également aider à identifier des sous-groupes de patients plus répondeurs à certains traitements, ce qui rejoint les enjeux actuels de médecine de précision.
Dans certains cas, les algorithmes peuvent détecter des relations invisibles pour l’humain dans des masses de données génomiques, protéomiques ou cliniques.
Selon l’OCDE (OECD) – Artificial Intelligence in Health, l’intelligence artificielle pourrait contribuer à une médecine plus personnalisée et à une meilleure exploitation des données de santé.
L’idée n’est donc pas uniquement d’aller plus vite, mais aussi d’ouvrir des pistes thérapeutiques jusque-là difficilement accessibles.
Mais la découverte de médicaments par IA ne remplace pas les essais cliniques
Malgré les avancées technologiques, la découverte de médicaments par IA ne supprime pas les exigences réglementaires.
Une molécule identifiée par IA devra toujours :
- démontrer sa sécurité ;
- prouver son efficacité ;
- passer les différentes phases d’essais cliniques ;
- obtenir une autorisation de mise sur le marché.
Le développement clinique reste donc indispensable.
Les autorités sanitaires observent également ces évolutions avec attention :
- validation des modèles algorithmiques ;
- qualité des données utilisées ;
- reproductibilité des résultats ;
- biais potentiels des modèles ;
- transparence des algorithmes.
L’un des enjeux majeurs sera probablement la capacité à démontrer la robustesse scientifique des approches utilisées.
Vers une nouvelle organisation de la recherche pharmaceutique ?
La découverte de médicaments par IA transforme déjà les collaborations dans le secteur.
De nombreux grands laboratoires pharmaceutiques nouent désormais des partenariats avec :
- des sociétés d’IA ;
- des biotechs spécialisées ;
- des plateformes de données ;
- des acteurs du calcul haute performance.
Cette convergence entre biologie, informatique et science des données modifie progressivement les compétences recherchées dans l’industrie.
Les profils hybrides mêlant :
- biologie ;
- pharmacologie ;
- data science ;
- intelligence artificielle ;
- bioinformatique
deviennent de plus en plus stratégiques.
Le cabinet McKinsey & Company estime d’ailleurs que l’IA générative pourrait fortement accélérer certaines étapes de recherche et de développement dans les sciences de la vie.
Une révolution progressive plutôt qu’immédiate
Malgré l’enthousiasme du secteur, il reste encore difficile de mesurer l’impact réel de la découverte de médicaments par IA sur le nombre de traitements effectivement mis sur le marché.
La majorité des projets sont encore relativement récents et peu de médicaments “découverts par IA” ont pour le moment atteint les dernières phases de développement clinique.
La découverte de médicaments par IA apparaît donc aujourd’hui davantage comme un accélérateur et un outil d’aide à la décision que comme un remplacement de la recherche pharmaceutique classique.
Mais une chose semble déjà claire :
la découverte de médicaments par IA pourrait profondément modifier la manière dont les innovations thérapeutiques seront développées dans les prochaines années.
