La découverte de médicaments a toujours été un jeu aux probabilités extrêmement faibles. Le développement d’un nouveau médicament peut nécessiter de nombreuses années, engloutir des investissements considérables et malgré tout se solder par un échec avant d’atteindre le moindre patient. Pour les médicaments biologiques, des thérapies conçues à partir de protéines issues de l’ingénierie plutôt que de la chimie de synthèse, le défi est encore plus grand. Le nombre de combinaisons moléculaires possibles est si vaste qu’aucune équipe humaine ne pourrait l’explorer de manière systématique. C’est précisément le problème que l’IA doit désormais résoudre, et l’approche adoptée est bien plus sophistiquée que ce que suggèrent la plupart des analyses.
La boucle Build-Measure-Learn qui réduit les délais de développement des médicaments
La transformation fondamentale actuellement à l’œuvre dans la R&D pharmaceutique ne réside pas simplement dans l’intégration de l’IA aux flux de travail existants. Elle réside dans le fait que l’IA restructure la logique même de l’ensemble du processus de découverte.
Chez AstraZeneca, l’approche suit ce que Puja Sapra, senior vice president et responsable de l’ingénierie des produits biologiques en R&D et de la découverte ciblée en oncologie, décrit comme une boucle build-measure-learn. L’IA génère ou classe informatiquement des molécules candidates, prédisant quelles conceptions sont les plus susceptibles de réussir avant qu’aucune expérience physique n’ait lieu. Les scientifiques orientent ensuite les ressources du laboratoire exclusivement vers les candidats les mieux classés. Le résultat est un cycle de rétroaction plus court : moins d’impasses, des itérations plus rapides et la possibilité d’attaquer des cibles thérapeutiques jusqu’alors considérées comme inatteignables.
McKinsey estime que l’IA générative, combinée à d’autres outils informatiques, pourrait réduire les délais de découverte de médicaments jusqu’à 50 %. Ce chiffre mérite d’être remis dans son contexte. Cela ne signifie pas que l’IA remplace le jugement scientifique. Cela signifie que le ratio entre expériences productives et expériences inutilement menées s’améliore, et que le temps s’écoulant entre l’hypothèse et le résultat se réduit.
Ce qui rend cela possible, ce sont les données. Les jeux de données d’AstraZeneca sont propriétaires et multimodaux, intégrant des structures moléculaires, des mesures de liaison, des profils de sécurité et des résultats de fabrication. L’entreprise a également investi dans des technologies de criblage approfondi afin de générer des jeux de données supplémentaires au volume requis pour affiner et valider continuellement ses modèles. Comme le souligne Puja Sapra : « Les données sont notre élément différenciateur. »
Concevoir des médicaments qui n’existaient pas auparavant
Au-delà de l’accélération des calendriers, l’IA ouvre la voie à une catégorie de médicaments que les méthodes traditionnelles n’auraient jamais pu concevoir.
Les médicaments biologiques conventionnels ciblent généralement une seule voie de la maladie. La génération suivante, parfois appelée biologiques multispécifiques, peut atteindre plusieurs cibles simultanément ou délivrer avec précision des charges thérapeutiques à des cellules spécifiques. La conception de ces molécules exige d’optimiser plusieurs variables à la fois : efficacité, stabilité, fabricabilité et sécurité. C’est précisément dans ce type d’optimisation multidimensionnelle que les modèles d’IA bénéficient d’un avantage structurel par rapport aux approches manuelles.
Puja Sapra décrit un scénario dans lequel des modèles d’IA pourraient identifier les deux ou trois cibles biologiques à prioriser, puis optimiser en parallèle l’ensemble des paramètres pertinents. « Cibler ce qui était jusqu’alors impossible devient une réalité », explique-t-elle. Des cibles autrefois jugées inaccessibles sont désormais à portée de main.
La vision à plus long terme réside dans ce que le domaine appelle la conception « de novo » : une IA capable de générer de toutes pièces de nouvelles séquences de protéines, conçues pour répondre à un ensemble précis de propriétés médicamenteuses, avec la sécurité et la fabricabilité intégrées dans la prédiction dès le départ. AstraZeneca progresse vers cet objectif grâce à un « laboratoire du futur » situé à Kendall Square, à Cambridge, dans le Massachusetts. Le site est conçu comme un système de découverte en boucle fermée où l’IA émet des prédictions, des systèmes robotiques exécutent les expériences et des instruments génèrent des données qui réalimentent directement les modèles. Des systèmes automatisés à haut débit évalueront à terme des milliers d’interactions moléculaires chaque semaine, produisant des données prêtes pour l’IA à une échelle que les flux de travail traditionnels ne peuvent égaler.
La prédiction de la sécurité est la pièce du puzzle non résolue la plus difficile. Prévoir si une molécule générée par ordinateur sera sûre dans l’organisme humain demeure l’un des défis les plus cruciaux de la conception de novo. AstraZeneca y répond grâce à des systèmes cellulaires avancés et à des modèles d’organes à micro-échelle servant de bancs d’essai physiques, couplés à une IA qui apprend de leurs résultats. Il s’agit, en réalité, d’essais cliniques virtuels.
Pourquoi cela dépasse le cadre du laboratoire
La transformation en cours dans le domaine des biothérapies n’est pas essentiellement une histoire de technologie. C’est l’histoire de ce qui devient possible lorsque le goulot d’étranglement se déplace.
Pendant des décennies, le facteur limitant de la découverte de médicaments n’était pas l’imagination scientifique. C’était le coût exorbitant et le temps nécessaire pour tester les idées. La plupart des candidats prometteurs n’ont jamais été explorés parce que la chaîne de développement ne pouvait pas les absorber. L’IA n’élimine pas totalement cette contrainte, mais elle en modifie considérablement les proportions. Un plus grand nombre de candidats peuvent être évalués, davantage de cibles thérapeutiques deviennent viables, et la boucle de rétroaction entre l’expérience et la découverte se resserre.
Trois conditions préalables se dressent encore entre l’état actuel et une conception de médicaments de novo pleinement concrétisée : des données d’entraînement plus riches et plus standardisées dans l’ensemble du secteur, des bancs d’essai d’évaluation solides pour les candidats générés par l’IA, et des équipes capables de travailler à l’intersection du machine learning et de la biologie. Aucun de ces défis n’est trivial. Mais la trajectoire est claire.
Élément crucial : le rôle de l’humain dans ce processus ne diminue pas. Les scientifiques restent essentiels au contrôle, au jugement et à l’orientation stratégique. L’objectif n’est pas une conception autonome de médicaments sans intervention humaine. Il s’agit d’un système où l’IA prend en charge le volume combinatoire inaccessible aux humains, tandis que les scientifiques se concentrent sur les décisions nécessitant une intuition biologique, un raisonnement éthique et une responsabilité envers les patients.
En résumé
L’IA ne remplace pas la découverte de médicaments. Elle en restructure la logique. En réduisant l’espace de recherche par le calcul, en permettant la conception de médicaments multicibles et en construisant des systèmes en boucle fermée où chaque expérience améliore la prédiction suivante, la R&D pharmaceutique évolue vers un modèle où le facteur limitant n’est plus le nombre d’expériences qu’une équipe peut réaliser. L’objectif, encore en cours de réalisation, est d’obtenir un produit biologique entièrement généré par l’IA, conçu à partir de zéro jusqu’au stade de candidat clinique. Les prérequis sont importants, mais la trajectoire n’a plus rien de spéculatif.
D’après un reportage de MIT Technology Review.