L\u2019industrie biotechnologique subit actuellement une vague d\u2019investissements massifs dans l\u2019intelligence artificielle (IA), alors que les entreprises allouent des milliards dans l’espoir d’acc\u00e9l\u00e9rer et d\u2019am\u00e9liorer la d\u00e9couverte de m\u00e9dicaments. En tant que leaders dans le domaine de la recherche et du d\u00e9veloppement, il est essentiel de se poser la question cruciale : investissons-nous dans des am\u00e9liorations tangibles de l\u2019efficacit\u00e9 ou poursuivons-nous simplement un r\u00e9cit ? La r\u00e9ponse d\u00e9pend largement des objectifs fix\u00e9s pour l\u2019IA, des m\u00e9thodes de mesure du succ\u00e8s, et de la cr\u00e9dibilit\u00e9 des attentes face aux capacit\u00e9s scientifiques actuelles.<\/p>\n
Cette approche ne doit pas \u00eatre interpr\u00e9t\u00e9e comme pessimiste. L’IA et l’apprentissage automatique apportent d\u00e9j\u00e0 des transformations significatives dans divers aspects de notre activit\u00e9. Les avanc\u00e9es algorithmiques des dix derni\u00e8res ann\u00e9es, coupl\u00e9es \u00e0 une augmentation sans pr\u00e9c\u00e9dent de la puissance de calcul, repr\u00e9sentent un progr\u00e8s consid\u00e9rable. Cependant, pour r\u00e9aliser pleinement cette valeur, il est n\u00e9cessaire d’avoir une clart\u00e9 strat\u00e9gique, loin de l’hyperbole. Les soci\u00e9t\u00e9s qui tireront le meilleur parti de l\u2019IA sont celles qui l’appliquent avec discernement, en ciblant des probl\u00e8mes sp\u00e9cifiques qu’elle peut r\u00e9soudre efficacement, tout en maintenant la rigueur scientifique n\u00e9cessaire \u00e0 l\u2019\u00e8re de la d\u00e9couverte de m\u00e9dicaments par IA.<\/p>\n
Performances de l’IA\u00a0: Forces et limites<\/strong><\/p>\n L’intelligence artificielle excelle dans la reconnaissance de sch\u00e9mas dans des contextes connus. Lorsqu’un mod\u00e8le a \u00e9t\u00e9 expos\u00e9 \u00e0 des milliers de variantes d\u2019un probl\u00e8me, il peut identifier des structures et faire des pr\u00e9dictions fiables. C’est pourquoi l’IA a r\u00e9volutionn\u00e9 des domaines comme la reconnaissance d’images et le traitement du langage. Dans ce cadre, les donn\u00e9es d’entra\u00eenement sont abondantes et les t\u00e2ches s\u2019apparentent souvent \u00e0 des exercices de m\u00e9moire et d’interpolation.<\/p>\n En revanche, la d\u00e9couverte de m\u00e9dicaments pose des d\u00e9fis fondamentalement diff\u00e9rents. L’espace chimique pertinent est d’une telle complexit\u00e9 qu’on estime \u00e0 plus de 10\u00d71060<\/sup> le nombre de mol\u00e9cules potentielles. L’objectif ici est d’inventer quelque chose de nouveau : une mol\u00e9cule qui n’existe pas encore et qui doit interagir de mani\u00e8re s\u00fbre et efficace avec des syst\u00e8mes biologiques. Les avanc\u00e9es dans la biologie fondamentale et notre compr\u00e9hension des m\u00e9canismes biologiques \u00e0 la base des maladies sont souvent encore tr\u00e8s limit\u00e9es. Par exemple, si notre compr\u00e9hension des pathologies complexes comme la maladie d\u2019Alzheimer ou le cancer du pancr\u00e9as demeure rudimentaire, un mod\u00e8le d\u2019IA sophistiqu\u00e9 ne pourra pas trouver des r\u00e9ponses l\u00e0 o\u00f9 elles n’existent pas encore dans la litt\u00e9rature scientifique. Les mod\u00e8les d\u2019IA form\u00e9s sur des donn\u00e9es historiques sont intrins\u00e8quement limit\u00e9s \u00e0 extrapoler par rapport \u00e0 ce qu’ils ont d\u00e9j\u00e0 rencontr\u00e9. La performance des mod\u00e8les pour des cas non familiers est l’une des questions encore ouvertes dans le domaine.<\/p>\n Des avanc\u00e9es notables comme AlphaFold illustrent bien cette dynamique : ces mod\u00e8les offrent de bons r\u00e9sultats lorsqu’il existe des exemples structurellement similaires dans les donn\u00e9es d’entra\u00eenement, mais leur efficacit\u00e9 diminue face \u00e0 des cas v\u00e9ritablement nouveaux.<\/p>\n Un des d\u00e9fis majeurs en d\u00e9couverte de m\u00e9dicaments est le choix judicieux des cibles, un processus impliquant une multitude de param\u00e8tres n\u00e9cessitant un jugement scientifique avis\u00e9. Une \u00e9quipe comp\u00e9tente devra \u00e9valuer chaque cible selon divers aspects, m\u00eame en l’absence de donn\u00e9es compl\u00e8tes, tout en naviguant la complexit\u00e9 des d\u00e9cisions \u00e0 prendre. Actuellement, l\u2019IA ne peut pas r\u00e9aliser cette t\u00e2che hautement cognitive. \u00c0 l’avenir, il pourrait \u00eatre possible pour l\u2019IA d\u2019explorer des bases de donn\u00e9es structur\u00e9es concernant les d\u00e9cisions de s\u00e9lection de cibles, mais la n\u00e9cessit\u00e9 de comprendre l’\u00e9tat actuel de la science reste cruciale pour optimiser les d\u00e9cisions d’investissement et pour garantir que l\u2019IA ne soit pas un substitut aux scientifiques exp\u00e9riment\u00e9s.<\/p>\n Probl\u00e8mes de donn\u00e9es sous-\u00e9valu\u00e9s<\/strong><\/p>\n Chaque mod\u00e8le d\u2019IA repose sur un ensemble de donn\u00e9es d’entra\u00eenement, qui, dans le domaine de la d\u00e9couverte de m\u00e9dicaments, est co\u00fbteux \u00e0 cr\u00e9er, difficile \u00e0 maintenir, et souvent imparfait. Contrairement aux applications grand public o\u00f9 les donn\u00e9es peuvent \u00eatre collect\u00e9es \u00e0 grande \u00e9chelle, les donn\u00e9es pharmaceutiques proviennent d’exp\u00e9rimentations rigoureusement contr\u00f4l\u00e9es qui exigent du temps et des ressources consid\u00e9rables. De plus, une portion importante de ces donn\u00e9es peut ne pas \u00eatre directement comparable entre diff\u00e9rentes exp\u00e9riences, en raison des variations dans les conditions de test, les types cellulaires, etc.<\/p>\n Ce d\u00e9fi s’inscrit dans un cadre plus large de probl\u00e8me de reproductibilit\u00e9 en recherche biom\u00e9dicale, mais il reste particuli\u00e8rement aigu pour les applications d’IA. Garantir que les mod\u00e8les soient form\u00e9s sur des donn\u00e9es coh\u00e9rentes et scientifiques, exige une expertise et des investissements cons\u00e9quents \u2014 des d\u00e9fis que l\u2019IA ne peut pas r\u00e9soudre de mani\u00e8re autonome.<\/p>\n Focus strat\u00e9gique : Efficacit\u00e9 cibl\u00e9e plut\u00f4t que promesses vastes<\/strong><\/p>\n Face \u00e0 ces limites, la strat\u00e9gie de recherche et d\u00e9veloppement (R&D) la plus efficace consiste \u00e0 cerner des \u00e9tapes pr\u00e9cises dans le processus de d\u00e9couverte de m\u00e9dicaments o\u00f9 l\u2019IA peut apporter des gains d’efficacit\u00e9 tangibles, plut\u00f4t que de c\u00e9der \u00e0 l\u2019illusion qu\u2019elle peut explorer seule un espace chimique illimit\u00e9 ou remplacer la pens\u00e9e critique des scientifiques.<\/p>\n Une application pertinente de l’IA serait de soutenir les \u00e9quipes dans le traitement du volume consid\u00e9rable de donn\u00e9es g\u00e9n\u00e9r\u00e9es lors du processus de conception de m\u00e9dicaments. L’IA peut analyser des ensembles de donn\u00e9es \u00e9tendus et \u00e9valuer des mol\u00e9cules candidates selon des crit\u00e8res connus tels que la puissance et les propri\u00e9t\u00e9s pharmacologiques, simplifiant ainsi le travail des scientifiques. Au lieu de remplacer le jugement humain, l\u2019IA peut le compl\u00e9ter, en mettant rapidement en avant les informations pertinentes et en r\u00e9duisant le temps allou\u00e9 au tri manuel.<\/p>\n De plus, l\u2019IA peut grandement faciliter des t\u00e2ches requ\u00e9rant moins de jugement, telles que la lecture de brevets et d’articles scientifiques, consolidant ainsi des r\u00e9ponses rapidement \u00e0 partir de grandes quantit\u00e9s de texte. En transformant des processus de plusieurs jours en quelques heures, \u00e0 grande \u00e9chelle, l’IA peut avoir un impact significatif dans la recherche sur les m\u00e9dicaments. Bien que ces avanc\u00e9es puissent sembler moins spectaculaires que celles sur lesquelles les titres se concentrent, elles sont r\u00e9alisables d\u00e8s aujourd’hui. \u00c0 mesure que la recherche progresse concernant l’impact de l\u2019IA sur des t\u00e2ches moins complexes, elle pourra \u00eatre adapt\u00e9e \u00e0 des d\u00e9fis plus exigeants.<\/p>\n Cadre strat\u00e9gique pour l\u2019investissement en IA<\/strong><\/p>\n Pour les responsables de la R&D, plusieurs principes devraient guider l\u2019\u00e9valuation des investissements en IA.<\/p>\n Tout d’abord, il est crucial de bien d\u00e9finir le probl\u00e8me avant de s\u00e9lectionner l\u2019outil. La question ne doit pas d\u00e9buter par \u00ab\u00a0comment utilisons-nous l\u2019IA ?\u00a0\u00bb, mais plut\u00f4t par \u00ab\u00a0qu’est-ce qui nous freine, et l\u2019IA est-elle l’outil appropri\u00e9\u00a0?\u00a0\u00bb. L\u2019IA ne doit pas \u00eatre per\u00e7ue comme une strat\u00e9gie en soi, mais comme un instrument au sein d’une bo\u00eete \u00e0 outils scientifique plus vaste.<\/p>\n Ensuite, il est imp\u00e9ratif d’investir dans l’infrastructure de donn\u00e9es autant que dans les mod\u00e8les eux-m\u00eames. La qualit\u00e9 des donn\u00e9es d’entra\u00eenement d\u00e9terminera ce qu’un mod\u00e8le pourra effectivement r\u00e9aliser. \u00c0 cet \u00e9gard, les entreprises qui consid\u00e8rent la conservation de leurs donn\u00e9es comme une comp\u00e9tence fondamentale disposeront d’un avantage durable.<\/p>\n De plus, les performances doivent \u00eatre mesur\u00e9es de mani\u00e8re objective. Il est essentiel de comparer les mod\u00e8les non seulement sur des ensembles de tests familiers, mais aussi dans des sc\u00e9narios qui pr\u00e9sentent des d\u00e9fis r\u00e9els en mati\u00e8re de d\u00e9couverte de m\u00e9dicaments. Si un mod\u00e8le fonctionne uniquement sur des probl\u00e8mes similaires \u00e0 ceux de ses donn\u00e9es d’entra\u00eenement, il est primordial de le savoir avant de l’int\u00e9grer dans des programmes actifs.<\/p>\n Enfin, un scepticisme est n\u00e9cessaire face aux all\u00e9gations grandioses concernant la compression des d\u00e9lais. Les d\u00e9fis impr\u00e9visibles, tels que la toxicit\u00e9 ou les nouvelles alertes de s\u00e9curit\u00e9, se manifestent de mani\u00e8re sporadique dans les donn\u00e9es et peuvent varier d’une situation \u00e0 l\u2019autre, rendant difficile pour l\u2019IA d\u2019en tirer des conclusions fiables. Le jugement, la cr\u00e9ativit\u00e9 et l’expertise des scientifiques humains demeurent essentiels aux moments critiques du d\u00e9veloppement des m\u00e9dicaments.<\/p>\n Opportunit\u00e9s r\u00e9elles<\/strong><\/p>\n Dans le domaine de l’IA, les avanc\u00e9es algorithmiques sont actives, les ressources de calcul sont sans pr\u00e9c\u00e9dent et la volont\u00e9 sectorielle d’investir cr\u00e9e de r\u00e9elles opportunit\u00e9s. L\u2019IA est capable d\u2019acc\u00e9l\u00e9rer la d\u00e9couverte de m\u00e9dicaments et de r\u00e9duire les taux d\u2019attrition lors des essais cliniques, mais il est primordial de reconna\u00eetre que ces t\u00e2ches constituent des d\u00e9fis consid\u00e9rables.<\/p>\n Les entreprises qui en tireront le maximum profit sont celles qui adoptent une approche ancr\u00e9e, fixent des attentes r\u00e9alistes et placent des scientifiques chevronn\u00e9s au c\u0153ur des d\u00e9cisions n\u00e9cessitant cr\u00e9ativit\u00e9 et jugement. C\u2019est cette discipline qui permettra \u00e0 l\u2019IA de passer du stade de technologie prometteuse \u00e0 celle capable de r\u00e9pondre \u00e0 de nombreux d\u00e9fis en mati\u00e8re de d\u00e9couverte de m\u00e9dicaments, au b\u00e9n\u00e9fice ultime des patients. <\/p>\n Photo : m\u00e9tamorworks, Getty Images<\/em><\/p>\n","protected":false},"excerpt":{"rendered":" L\u2019industrie biotechnologique subit actuellement une vague d\u2019investissements massifs dans l\u2019intelligence artificielle (IA), alors que les…<\/p>\n","protected":false},"author":1,"featured_media":1935,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_lmt_disableupdate":"","_lmt_disable":"","footnotes":""},"categories":[19],"tags":[],"class_list":["post-1934","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-biopharma"],"_links":{"self":[{"href":"https:\/\/naturalhealthcontent.com\/index.php\/wp-json\/wp\/v2\/posts\/1934","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/naturalhealthcontent.com\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/naturalhealthcontent.com\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/naturalhealthcontent.com\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/naturalhealthcontent.com\/index.php\/wp-json\/wp\/v2\/comments?post=1934"}],"version-history":[{"count":1,"href":"https:\/\/naturalhealthcontent.com\/index.php\/wp-json\/wp\/v2\/posts\/1934\/revisions"}],"predecessor-version":[{"id":1936,"href":"https:\/\/naturalhealthcontent.com\/index.php\/wp-json\/wp\/v2\/posts\/1934\/revisions\/1936"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/naturalhealthcontent.com\/index.php\/wp-json\/wp\/v2\/media\/1935"}],"wp:attachment":[{"href":"https:\/\/naturalhealthcontent.com\/index.php\/wp-json\/wp\/v2\/media?parent=1934"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/naturalhealthcontent.com\/index.php\/wp-json\/wp\/v2\/categories?post=1934"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/naturalhealthcontent.com\/index.php\/wp-json\/wp\/v2\/tags?post=1934"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}