L’intelligence artificielle, nouveau moteur de l’innovation pharmaceutique 

Le développement d’un nouveau médicament constitue aujourd’hui un processus long, risqué et extrêmement coûteux. En moyenne, plus de douze années sont nécessaires entre l’identification d’un candidat-médicament et sa mise à disposition aux patients, avec un investissement estimé à plus de 2,5 milliards de dollars américains [1]. Ces chiffres s’expliquent par la complexité croissante des exigences réglementaires visant à démontrer l’efficacité et la sécurité des médicaments, mais également par le taux d’attrition élevé observé tout au long du développement clinique. À l’échelle industrielle, moins de 7 % des molécules issues de la phase de découverte pourront être mises à disposition des patients. Cette situation impose une remise en question profonde des stratégies traditionnelles de conception et de développement, notamment en ce qui concerne la sélection des cibles thérapeutiques, le choix des candidats-médicaments et l’identification des patients susceptibles d’en bénéficier [2].

Dans cette perspective, l’intelligence artificielle (IA) apparaît comme une opportunité technologique essentielle. Par sa capacité à intégrer, analyser et modéliser des volumes massifs de données hétérogènes, l’IA offre de nouvelles approches pour éclairer la prise de décision tout au long du cycle de vie du médicament, avec in fine la promesse de pouvoir améliorer considérablement les chances de succès des programmes de développement [2].

Une IA mature appliquée à la santé

Née au milieu du XXᵉ siècle avec l’ambition de reproduire certaines capacités de l’intelligence humaine, l’IA a connu plusieurs phases d’enthousiasme, mais aussi de désillusions qualifiées « d’hiver de l’IA » [3, 4]. Sa maturité actuelle repose sur la convergence de plusieurs facteurs : l’augmentation exponentielle de la puissance de calcul des ordinateurs, la disponibilité de grandes masses de données, ainsi que l’essor des méthodes d’apprentissage automatique associées au développement des réseaux de neurones artificiels [4, 5].

Aujourd’hui, l’IA se présente comme un ensemble de technologies capables d’émuler cinq dimensions fondamentales de l’intelligence humaine : la perception, l’analyse, l’apprentissage, l’action et, avec ChatGPT, la communication expressive. Ces capacités multiplient les possibilités de construire des modèles prédictifs représentant des systèmes biologiques complexes ou des processus décisionnels, à partir de données structurées ou non structurées [2, 6].

Le domaine de la santé figure parmi les champs d’application les plus prometteurs de l’IA. En France, les initiatives issues du Ségur du numérique en santé ont favorisé la structuration et l’exploitation des données de santé, notamment via des plateformes nationales telles que le Health Data Hub. Combinées aux données issues de la littérature scientifique, des technologies multi-omiques, de l’imagerie médicale et de la caractérisation des molécules thérapeutiques, ces ressources constituent aujourd’hui un socle essentiel pour le déploiement de l’IA dans l’innovation pharmaceutique. L’émergence récente de l’IA générative, s’appuyant sur des grands modèles de langue (Large Language Models) de type ChatGPT, permet d’envisager de nombreuses applications en santé [7].

Modélisation des maladies complexes pour une médecine de précision

L’une des contributions capitales de l’IA au développement du médicament réside dans la modélisation des maladies complexes, telles que les cancers, les maladies métaboliques ou neurodégénératives, ainsi que les pathologies immuno-inflammatoires (cf. Figure). Toutes ces maladies se caractérisent par une forte hétérogénéité interindividuelle, tant sur le plan clinique que biologique, en raison d’une évolution souvent étalée sur plusieurs décennies.

Figure - Applications de l’IA à la conception et au développement de nouveaux médicaments

L’intégration par l’IA de données multi-omiques issues de grandes cohortes de patients – génomiques, transcriptomiques, épigénétiques, protéomiques ou métabolomiques – combinées à des données cliniques longitudinales, aide à stratifier les patients atteints d’une maladie donnée en sous-groupes homogènes [2, 8]. Ces sous-groupes, définis sur la base de mécanismes physiopathologiques communs, correspondent à des endotypes biologiques plus pertinents que les classifications cliniques traditionnelles. Cette connaissance constitue en effet un fondement essentiel de la médecine de précision visant à mieux adapter les traitements aux caractéristiques des sous-groupes de patients ainsi définis : en développant des traitements ciblant des processus biologiques spécifiques à certains profils de patients, elle augmente les chances d’efficacité thérapeutique [8].

Une meilleure identification des cibles thérapeutiques et des candidats-médicaments

À partir de ces modèles de maladies, l’IA joue un rôle clé dans l’identification de cibles thérapeutiques pertinentes. Les approches informatiques en réseau (network computing) favorisent la représentation des interactions complexes entre gènes, protéines et voies de signalisation impliquées dans la physiopathologie. En identifiant les nœuds centraux de ces réseaux biologiques, l’IA aide à formuler des hypothèses de causalité dans la maladie pour prioriser des cibles présentant un fort potentiel thérapeutique [9].

À partir de ces informations, la conception et l’optimisation des candidats-médicaments interagissant avec les cibles sélectionnées bénéficient également des avancées de l’IA (cf. Figure). Des algorithmes tels que AlphaFold ont révolutionné la modélisation structurale des protéines, facilitant la conception rationnelle de petites molécules, d’anticorps ou d’autres modalités thérapeutiques innovantes [10]. Les méthodes de relation quantitative structure–activité, combinées à l’apprentissage profond, peuvent cribler virtuellement des milliards de molécules médicamenteuses de synthèse et de prédire leurs propriétés pharmacologiques [2]. L’IA générative par ailleurs propose des structures chimiques inédites, optimisées simultanément pour de multiples critères, tout en réduisant le nombre de composés qui devront être synthétisés et testés expérimentalement pour en confirmer les propriétés [7].

Applications de l’IA à l’évaluation clinique et in silico des médicaments

L’IA transforme également la conception et la conduite des essais cliniques. En facilitant la sélection des patients et des centres investigateurs, en exploitant des données issues de dispositifs connectés et en analysant les données de ces études en temps réel, elle contribue à rendre les essais plus efficaces et plus adaptatifs [9].

Au-delà, la simulation in silico d’essais cliniques suscite un intérêt fondamental (cf. Figure). Des groupes contrôles virtuels, construits à partir de données historiques de patients réels, complètent les bras placebo traditionnels, notamment dans les maladies rares ou graves. Des jumeaux numériques conçus à partir de données d’imagerie simulent le fonctionnement d’organes (par exemple, le cœur vivant) sains ou pathologiques et de tester la performance de dispositifs médicaux [9]. Des modèles de patients virtuels, combinant pharmacologie quantitative des systèmes et apprentissage automatique, prédisent la réponse à des traitements et identifient des biomarqueurs de réponse, guidant ainsi la conception d’essais cliniques confirmatoires [11].

L’IA utile tout au long du cycle de vie du médicament

L’IA est aujourd’hui déployée en soutien de la production et de la dispensation du médicament. L’utilisation de jumeaux numériques de processus de production, l’exploitation de données de données qualité en vue d’une maintenance prédictive offrent à l’industrie pharmaceutique 4.0 les moyens d’optimiser et de sécuriser des procédés davantage automatisés. Une meilleure exploitation des données dans le cadre de leur transformation numérique permet aux hôpitaux « intelligents » d’améliorer le parcours de soins des patients. Après la mise sur le marché, l’IA étend considérablement les capacités de pharmacovigilance. À cet effet, l’analyse à grande échelle de données de vie réelle issues des dossiers médicaux, des bases médico-administratives ou des réseaux sociaux détecte plus précocement les signaux de sécurité [6].

Il est désormais établi que l’IA accélère la découverte de nouveaux médicaments. Une centaine de candidats-médicaments conçus à l’aide de l’IA ont déjà atteint l’évaluation clinique, avec des délais de découverte raccourcis par rapport aux approches traditionnelles. Le plus avancé est le INS018-055, qui a montré récemment son efficacité clinique dans la fibrose pulmonaire idiopathique dans une étude de phase 2a [12].

Ces premiers succès conduisent l’industrie pharmaceutique à mieux exploiter ses données internes à l’aide de l’IA pour catalyser l’innovation : en combinant modélisation prédictive, expérimentation automatisée et expertise humaine, elle inaugure une approche de réalité mixte du développement du médicament [8, 13, 14]. Par ailleurs, l’IA accélère la transition vers une médecine de précision computationnelle, ouvrant la voie à des médicaments personnalisés, plus efficaces et plus sûrs [2].

Malgré ces avancées, le déploiement de l’IA dans le développement du médicament soulève des défis majeurs. L’accès à des données de qualité, la protection des données personnelles, ainsi que la transparence et l’explicabilité des algorithmes constituent des enjeux critiques. Les autorités réglementaires, telles que la Food and Drug Administration et l’Agence européenne des médicaments (EMA), travaillent actuellement à définir des cadres d’évaluation adaptés aux preuves numériques issues de l’IA [15]. La formation de tous les étudiants, ainsi que des professionnels de santé à l’utilisation de ces nouveaux outils, s’agissant d’en comprendre les potentialités, mais aussi les limites, est aujourd’hui nécessaire.