L’industrie biotechnologique subit actuellement une vague d’investissements massifs dans l’intelligence artificielle (IA), alors que les entreprises allouent des milliards dans l’espoir d’accélérer et d’améliorer la découverte de médicaments. En tant que leaders dans le domaine de la recherche et du développement, il est essentiel de se poser la question cruciale : investissons-nous dans des améliorations tangibles de l’efficacité ou poursuivons-nous simplement un récit ? La réponse dépend largement des objectifs fixés pour l’IA, des méthodes de mesure du succès, et de la crédibilité des attentes face aux capacités scientifiques actuelles.
Cette approche ne doit pas être interprétée comme pessimiste. L’IA et l’apprentissage automatique apportent déjà des transformations significatives dans divers aspects de notre activité. Les avancées algorithmiques des dix dernières années, couplées à une augmentation sans précédent de la puissance de calcul, représentent un progrès considérable. Cependant, pour réaliser pleinement cette valeur, il est nécessaire d’avoir une clarté stratégique, loin de l’hyperbole. Les sociétés qui tireront le meilleur parti de l’IA sont celles qui l’appliquent avec discernement, en ciblant des problèmes spécifiques qu’elle peut résoudre efficacement, tout en maintenant la rigueur scientifique nécessaire à l’ère de la découverte de médicaments par IA.
Performances de l’IA : Forces et limites
L’intelligence artificielle excelle dans la reconnaissance de schémas dans des contextes connus. Lorsqu’un modèle a été exposé à des milliers de variantes d’un problème, il peut identifier des structures et faire des prédictions fiables. C’est pourquoi l’IA a révolutionné des domaines comme la reconnaissance d’images et le traitement du langage. Dans ce cadre, les données d’entraînement sont abondantes et les tâches s’apparentent souvent à des exercices de mémoire et d’interpolation.
En revanche, la découverte de médicaments pose des défis fondamentalement différents. L’espace chimique pertinent est d’une telle complexité qu’on estime à plus de 10×1060 le nombre de molécules potentielles. L’objectif ici est d’inventer quelque chose de nouveau : une molécule qui n’existe pas encore et qui doit interagir de manière sûre et efficace avec des systèmes biologiques. Les avancées dans la biologie fondamentale et notre compréhension des mécanismes biologiques à la base des maladies sont souvent encore très limitées. Par exemple, si notre compréhension des pathologies complexes comme la maladie d’Alzheimer ou le cancer du pancréas demeure rudimentaire, un modèle d’IA sophistiqué ne pourra pas trouver des réponses là où elles n’existent pas encore dans la littérature scientifique. Les modèles d’IA formés sur des données historiques sont intrinsèquement limités à extrapoler par rapport à ce qu’ils ont déjà rencontré. La performance des modèles pour des cas non familiers est l’une des questions encore ouvertes dans le domaine.
Des avancées notables comme AlphaFold illustrent bien cette dynamique : ces modèles offrent de bons résultats lorsqu’il existe des exemples structurellement similaires dans les données d’entraînement, mais leur efficacité diminue face à des cas véritablement nouveaux.
Un des défis majeurs en découverte de médicaments est le choix judicieux des cibles, un processus impliquant une multitude de paramètres nécessitant un jugement scientifique avisé. Une équipe compétente devra évaluer chaque cible selon divers aspects, même en l’absence de données complètes, tout en naviguant la complexité des décisions à prendre. Actuellement, l’IA ne peut pas réaliser cette tâche hautement cognitive. À l’avenir, il pourrait être possible pour l’IA d’explorer des bases de données structurées concernant les décisions de sélection de cibles, mais la nécessité de comprendre l’état actuel de la science reste cruciale pour optimiser les décisions d’investissement et pour garantir que l’IA ne soit pas un substitut aux scientifiques expérimentés.
Problèmes de données sous-évalués
Chaque modèle d’IA repose sur un ensemble de données d’entraînement, qui, dans le domaine de la découverte de médicaments, est coûteux à créer, difficile à maintenir, et souvent imparfait. Contrairement aux applications grand public où les données peuvent être collectées à grande échelle, les données pharmaceutiques proviennent d’expérimentations rigoureusement contrôlées qui exigent du temps et des ressources considérables. De plus, une portion importante de ces données peut ne pas être directement comparable entre différentes expériences, en raison des variations dans les conditions de test, les types cellulaires, etc.
Ce défi s’inscrit dans un cadre plus large de problème de reproductibilité en recherche biomédicale, mais il reste particulièrement aigu pour les applications d’IA. Garantir que les modèles soient formés sur des données cohérentes et scientifiques, exige une expertise et des investissements conséquents — des défis que l’IA ne peut pas résoudre de manière autonome.
Focus stratégique : Efficacité ciblée plutôt que promesses vastes
Face à ces limites, la stratégie de recherche et développement (R&D) la plus efficace consiste à cerner des étapes précises dans le processus de découverte de médicaments où l’IA peut apporter des gains d’efficacité tangibles, plutôt que de céder à l’illusion qu’elle peut explorer seule un espace chimique illimité ou remplacer la pensée critique des scientifiques.
Une application pertinente de l’IA serait de soutenir les équipes dans le traitement du volume considérable de données générées lors du processus de conception de médicaments. L’IA peut analyser des ensembles de données étendus et évaluer des molécules candidates selon des critères connus tels que la puissance et les propriétés pharmacologiques, simplifiant ainsi le travail des scientifiques. Au lieu de remplacer le jugement humain, l’IA peut le compléter, en mettant rapidement en avant les informations pertinentes et en réduisant le temps alloué au tri manuel.
De plus, l’IA peut grandement faciliter des tâches requérant moins de jugement, telles que la lecture de brevets et d’articles scientifiques, consolidant ainsi des réponses rapidement à partir de grandes quantités de texte. En transformant des processus de plusieurs jours en quelques heures, à grande échelle, l’IA peut avoir un impact significatif dans la recherche sur les médicaments. Bien que ces avancées puissent sembler moins spectaculaires que celles sur lesquelles les titres se concentrent, elles sont réalisables dès aujourd’hui. À mesure que la recherche progresse concernant l’impact de l’IA sur des tâches moins complexes, elle pourra être adaptée à des défis plus exigeants.
Cadre stratégique pour l’investissement en IA
Pour les responsables de la R&D, plusieurs principes devraient guider l’évaluation des investissements en IA.
Tout d’abord, il est crucial de bien définir le problème avant de sélectionner l’outil. La question ne doit pas débuter par « comment utilisons-nous l’IA ? », mais plutôt par « qu’est-ce qui nous freine, et l’IA est-elle l’outil approprié ? ». L’IA ne doit pas être perçue comme une stratégie en soi, mais comme un instrument au sein d’une boîte à outils scientifique plus vaste.
Ensuite, il est impératif d’investir dans l’infrastructure de données autant que dans les modèles eux-mêmes. La qualité des données d’entraînement déterminera ce qu’un modèle pourra effectivement réaliser. À cet égard, les entreprises qui considèrent la conservation de leurs données comme une compétence fondamentale disposeront d’un avantage durable.
De plus, les performances doivent être mesurées de manière objective. Il est essentiel de comparer les modèles non seulement sur des ensembles de tests familiers, mais aussi dans des scénarios qui présentent des défis réels en matière de découverte de médicaments. Si un modèle fonctionne uniquement sur des problèmes similaires à ceux de ses données d’entraînement, il est primordial de le savoir avant de l’intégrer dans des programmes actifs.
Enfin, un scepticisme est nécessaire face aux allégations grandioses concernant la compression des délais. Les défis imprévisibles, tels que la toxicité ou les nouvelles alertes de sécurité, se manifestent de manière sporadique dans les données et peuvent varier d’une situation à l’autre, rendant difficile pour l’IA d’en tirer des conclusions fiables. Le jugement, la créativité et l’expertise des scientifiques humains demeurent essentiels aux moments critiques du développement des médicaments.
Opportunités réelles
Dans le domaine de l’IA, les avancées algorithmiques sont actives, les ressources de calcul sont sans précédent et la volonté sectorielle d’investir crée de réelles opportunités. L’IA est capable d’accélérer la découverte de médicaments et de réduire les taux d’attrition lors des essais cliniques, mais il est primordial de reconnaître que ces tâches constituent des défis considérables.
Les entreprises qui en tireront le maximum profit sont celles qui adoptent une approche ancrée, fixent des attentes réalistes et placent des scientifiques chevronnés au cœur des décisions nécessitant créativité et jugement. C’est cette discipline qui permettra à l’IA de passer du stade de technologie prometteuse à celle capable de répondre à de nombreux défis en matière de découverte de médicaments, au bénéfice ultime des patients.
Photo : métamorworks, Getty Images
