L'IA qui révolutionne la création des médicaments : la fin des essais et erreurs ?

Imaginez un médicament qui se crée presque tout seul, comme une recette de cuisine générée par une machine. C'est ce que promet l'intelligence artificielle dans le domaine des médicaments biologiques. Contrairement aux médicaments classiques fabriqués à partir de molécules chimiques, les biothérapies sont produites à partir de protéines modifiées en laboratoire. Elles soignent des maladies aiguës et chroniques, des cancers aux maladies auto-immunes.

UN DÉFI SCIENTIFIQUE MONUMENTAL

Créer un nouveau médicament biologique est un parcours semé d'embûches. Il faut explorer des millions de molécules possibles, identifier celles qui s'accrochent au bon récepteur dans le corps, restent stables dans l'organisme et peuvent être produites en masse. Avant l'IA, cette quête pouvait prendre une dizaine d'années et coûter des milliards d'euros. Pire encore : la plupart des molécules prometteuses échouaient lors des tests cliniques. Pour les biothérapies, la complexité est encore plus grande car elles agissent différemment des médicaments traditionnels.

L'IA, UN MOTEUR DE RÉVOLUTION DANS LES LABORATOIRES

Les équipes de recherche pharmaceutique utilisent désormais l'IA pour accélérer chaque étape du processus. Chez AstraZeneca, un géant du secteur, l'IA est devenue un outil central dans le développement des médicaments. Puja Sapra, vice-présidente senior en charge de l'ingénierie biologique et de la découverte ciblée en oncologie, explique : « Tout ce que nous faisons, que ce soit la conception, la fabrication, les tests ou l'analyse, est désormais amélioré par le calcul. » Les cycles de développement raccourcissent tandis que la productivité et l'innovation augmentent.

LE CERCLE VERTUEUX : CONCEVOIR, TESTER, APPRENDRE

La méthode d'AstraZeneca repose sur une boucle appelée build-measure-learn. L'IA génère ou priorise des molécules candidates en prédisant celles qui ont le plus de chances de réussir. Les scientifiques concentrent ensuite leurs ressources en laboratoire uniquement sur les meilleures candidates. Résultat : moins d'impasses, des itérations plus rapides et la possibilité de s'attaquer à des cibles biologiques autrefois considérées comme intratables. « Le nombre de combinaisons moléculaires possibles dépasse largement ce qu'une équipe humaine peut explorer systématiquement », précise Sapra. « Utiliser l'IA pour affiner et réduire les options de test est devenu un axe majeur dans la conception des biothérapies. »

DES MÉDICAMENTS QUI CIBLent PLUSIEURS MALADIES À LA FOIS

L'IA ne se contente pas d'accélérer les processus existants. Elle permet aussi de découvrir des classes entièrement nouvelles de médicaments. Les biothérapies classiques agissent généralement sur une seule voie biologique. La prochaine génération de médicaments pourra frapper plusieurs cibles en même temps ou livrer précisément des charges thérapeutiques à des cellules spécifiques. Pour y parvenir, il faut optimiser de nombreux paramètres simultanément. « Les modèles pilotés par l'IA pourraient aider à concevoir ces biothérapies de plus en plus complexes et multi-spécifiques », explique Puja Sapra. « Par exemple, ces modèles pourraient identifier quelles deux ou trois cibles prioriser en fonction de la biologie sous-jacente, puis optimiser plusieurs paramètres pour équilibrer la puissance du médicament, sa stabilité, sa fabricabilité et sa sécurité. »

UNE RÉDUCTION DES DÉLAIS DE 50 % GRÂCE À L'IA

Selon McKinsey, l'IA générative combinée à d'autres outils informatiques pourrait réduire les délais de découverte de médicaments de jusqu'à 50 %. Mais la qualité d'un modèle d'IA dépend entièrement des données sur lesquelles il est entraîné. Dans le domaine pharmaceutique, cela signifie disposer de vastes quantités de données biologiques de haute qualité. Chaque expérience, qu'elle réussisse ou échoue, génère une information précieuse sur ce qui fonctionne et ce qui ne fonctionne pas.

« Les données sont notre principal atout », déclare Sapra. Chez AstraZeneca, les jeux de données sont propriétaires, multimodaux et incluent des structures moléculaires, des mesures de liaison, des profils de sécurité et des résultats de fabrication. « Nous avons construit un portefeuille délibérément diversifié couvrant plusieurs domaines de maladies et types de médicaments. Toutes ces données nous permettent d'affiner les modèles d'IA de pointe avec des ensembles d'entraînement plus riches et plus représentatifs. » Elle ajoute : « De plus, nous avons investi dans des technologies de criblage approfondi pour générer des jeux de données supplémentaires en volume, nécessaires pour affiner et valider constamment nos modèles. »

LE LABORATOIRE DU FUTUR : UN SYSTÈME EN BOUCLE FERMÉE

Pour centraliser toutes ces données, AstraZeneca construit ce qu'elle appelle un « laboratoire du futur » à Kendall Square, à Cambridge dans le Massachusetts. Dans ce centre, l'IA et l'automatisation robotisée forment un système de découverte en boucle fermée et continue. « Là où une voiture autonome utilise des capteurs et des modèles pour naviguer dans son environnement, ce système utilise l'IA pour faire des prédictions, des systèmes robotisés pour exécuter les expériences et des instruments pour générer des données », explique Sapra. Ces données sont directement réinjectées dans les modèles, accélérant chaque cycle suivant.

« Tout au long du processus, les scientifiques restent au cœur de l'approche », ajoute-t-elle. « Ils fournissent la supervision, le jugement et l'orientation stratégique qui garantissent que les résultats sont explicables, tolérables et orientés vers un bénéfice potentiel pour les patients. »

DES MILLIONS DE TESTS AUTOMATISÉS CHAQUE SEMAINE

À terme, des systèmes automatisés à haut débit pourront fabriquer et évaluer des milliers d'interactions moléculaires chaque semaine. « Cela générera des données prêtes pour l'IA à une échelle que les workflows traditionnels ne peuvent pas égaler », précise Sapra. « La manipulation robotisée des échantillons, les contrôles qualité automatisés et les pipelines de données intégrés ont également le potentiel d'accélérer significativement les délais de développement précoce des médicaments. »

LA CONCEPTION DE NOUVELLES PROTÉINES : L'OBJECTIF ULTIME

L'objectif ultime de l'IA dans la découverte de médicaments biologiques est ce que le secteur appelle la conception de novo. Il s'agit pour l'IA de générer des séquences de protéines entièrement nouvelles qui correspondent exactement aux propriétés souhaitées pour un médicament. Cela inclut la conception de la structure, la prédiction de la sécurité, le comportement dans le corps et la manière de le fabriquer.

« Le domaine fait d'énormes progrès vers un biologique entièrement conçu par l'IA, depuis la création jusqu'au candidat clinique », déclare Puja Sapra. « À mesure que nous continuons à exploiter les modèles de pointe et à les affiner avec les bons jeux de données, nous nous rapprochons de cette réalité. Je crois que cela arrivera. C'est une question de temps. »

TROIS CONDITIONS POUR RÉUSSIR

Plusieurs éléments clés sont nécessaires pour atteindre cet objectif. D'abord, des jeux de données d'entraînement plus riches et standardisés dans toute l'industrie. Ensuite, des benchmarks d'évaluation robustes pour les candidats générés par l'IA. Enfin, des équipes capables de travailler à l'intersection de l'apprentissage automatique et de la biologie. Parmi toutes ces conditions, la prédiction de la sécurité pourrait être la plus importante, et peut-être la moins discutée, selon Sapra.

« L'un des problèmes les plus difficiles dans la conception de novo est de prédire si une molécule générée par calcul sera sûre dans le corps humain », explique-t-elle. AstraZeneca relève ce défi avec ce qu'elle appelle des essais cliniques virtuels. Il s'agit de systèmes cellulaires avancés et de modèles d'organes à micro-échelle qui fonctionnent comme des bancs d'essai physiques, couplés à de l'IA qui apprend à partir de leurs résultats.

« Ces systèmes ont le potentiel de générer des signaux biologiques améliorés sans les goulots d'étranglement des tests traditionnels », ajoute Sapra. « Ils constituent une pièce manquante cruciale pour boucler la boucle entre les conceptions générées par l'IA et les candidats prêts pour la clinique. »

DES SYSTÈMES D'IA AGENTS : L'AVENIR DE LA RECHERCHE

Une transformation est en cours avec le passage à des systèmes d'IA agents capables de générer simultanément des candidats moléculaires et de prédire leur efficacité et leur sécurité. Ces workflows autonomes peuvent relier directement les insights au niveau de la maladie à la conception moléculaire, comblant ce qui étaient auparavant des silos de données séparés. « La complexité de la biologie va de pair avec la conception de la molécule », résume Sapra.

L'IA AUTONOME, MAIS SOUS CONTRÔLE HUMAIN

Cette révolution ne concerne pas seulement la technologie. « Avec des systèmes plus autonomes, la supervision humaine reste au cœur de cette approche », souligne Sapra. « Cela garantit une IA explicable et éthique pour le bénéfice des patients. » Pour les scientifiques, travailler avec l'IA est un processus collaboratif. « Les scientifiques travailleront main dans la main avec ces systèmes de modèles », explique-t-elle. « Il y aura un monde où les modèles concevront des molécules, puis les scientifiques travailleront avec les systèmes pour tester ces molécules et rassembler toutes ces données. » Grâce à ce processus de vérifications humaines, de balances et de décisions stratégiques, les modèles évolueront et s'amélioreront constamment, avec un potentiel de bénéfice pour les patients.

DES SYSTÈMES TRANSPARENTS POUR UNE COLLABORATION HUMAIN-MACHINE

Pour les ingénieurs, concevoir et construire des systèmes efficaces prêts pour la collaboration humain-IA signifie garantir un haut niveau de transparence et d'explicabilité des modèles. Selon Sapra, les équipes d'ingénierie d'AstraZeneca incluent des data scientists, des spécialistes de l'automatisation et des ingénieurs en IA, qui développent des systèmes agissant comme des « partenaires de réflexion » plutôt que comme des boîtes noires. « Les ingénieurs conçoivent des systèmes qui génèrent, valident et apprennent rapidement. Et les problèmes sont genuinely difficiles : fusion de données multimodales, optimisation en boucle fermée, quantification de l'incertitude et interprétabilité au moment de la prise de décision clinique », précise-t-elle.

UNE CHANCE DE SAUVER DES VIES

En relevant ces défis techniques exigeants, les ingénieurs et les scientifiques ont l'opportunité de contribuer au développement de traitements potentiellement révolutionnaires pour de nombreuses maladies, déclare Sapra. « Les médicaments biologiques que nous pouvons développer aujourd'hui, et ceux que nous concevrons demain, dépendent de la combinaison de talents en IA et en ingénierie de classe mondiale avec une expertise scientifique approfondie. »