L'intelligence artificielle entre dans une nouvelle ère : peut-elle révolutionner la découverte de médicaments ?

Pendant plusieurs années, l'intelligence artificielle a principalement captivé l'attention du grand public grâce à ses capacités à générer du texte, des images, du code informatique ou encore des vidéos. Des modèles comme ChatGPT, Claude ou Gemini ont démontré qu'ils pouvaient considérablement améliorer la productivité dans de nombreux métiers.

Mais une transformation bien plus profonde est en train de se dessiner.

L'intelligence artificielle ne cherche plus uniquement à assister les humains dans leurs tâches quotidiennes. Elle ambitionne désormais de contribuer à la résolution de certains des plus grands défis scientifiques de notre époque, notamment dans le domaine de la santé.

Le lancement récent de Claude for Science par Anthropic illustre parfaitement cette évolution. Derrière cette initiative se cache une vision ambitieuse : mettre les capacités des modèles d'IA au service de la recherche scientifique afin d'accélérer les découvertes, en particulier dans le développement de nouveaux médicaments.

Et si la prochaine grande révolution de l'intelligence artificielle n'était pas un nouveau chatbot, mais un traitement médical capable de sauver des millions de vies ?

Pourquoi développer un médicament est-il si long ?

Découvrir un nouveau médicament est l'un des processus les plus complexes de la recherche scientifique.

Contrairement à ce que l'on pourrait imaginer, trouver une molécule prometteuse ne représente que le début du parcours.

Le développement d'un médicament comprend généralement plusieurs étapes :

• l'identification d'une cible biologique responsable d'une maladie ;
• la découverte ou la conception de molécules capables d'agir sur cette cible ;
• des essais précliniques réalisés en laboratoire et sur des modèles biologiques ;
• trois phases successives d'essais cliniques sur l'être humain ;
• l'évaluation par les autorités sanitaires avant une éventuelle mise sur le marché.

Selon la Tufts Center for the Study of Drug Development, le développement complet d'un médicament peut prendre entre 10 et 15 ans et représenter un investissement dépassant 2 milliards de dollars lorsqu'on prend en compte les nombreux projets qui échouent avant leur commercialisation.

Le véritable défi est que la majorité des molécules testées n'atteignent jamais le marché. Les taux d'échec restent extrêmement élevés, parfois supérieurs à 90 % selon les domaines thérapeutiques.

Autrement dit, les chercheurs doivent analyser des quantités gigantesques de données biologiques et tester des milliers de pistes avant d'obtenir un résultat concluant.

C'est précisément là que l'intelligence artificielle peut apporter une valeur considérable.

Comment l'intelligence artificielle peut accélérer la recherche médicale

L'IA n'invente pas des médicaments par magie.

En revanche, elle possède une capacité exceptionnelle à analyser des volumes massifs de données en quelques heures, là où des équipes humaines auraient besoin de plusieurs mois, voire plusieurs années.

Aujourd'hui, les modèles d'intelligence artificielle sont déjà capables de :

1. Identifier de nouvelles cibles thérapeutiques

Avant même de rechercher un médicament, les scientifiques doivent comprendre précisément quels mécanismes biologiques sont responsables d'une maladie.

Les modèles d'IA peuvent analyser des millions de publications scientifiques, des bases de données génétiques, des données protéomiques et des résultats expérimentaux afin d'identifier des protéines ou des gènes susceptibles de devenir de nouvelles cibles thérapeutiques.

Cette capacité permet de révéler des pistes qui auraient pu passer inaperçues avec les méthodes traditionnelles.

2. Prédire les molécules les plus prometteuses

Les chercheurs disposent aujourd'hui de bibliothèques contenant des millions de molécules potentielles.

Les tester une par une est pratiquement impossible.

Grâce au machine learning, il devient possible de prédire quelles molécules présentent les meilleures chances d'interagir efficacement avec une cible biologique donnée.

Cette sélection intelligente réduit considérablement le nombre d'expériences nécessaires.

3. Concevoir de nouvelles molécules

Les modèles génératifs ne produisent plus seulement des textes ou des images.

Ils peuvent également proposer de nouvelles structures chimiques répondant à certaines contraintes :

• efficacité potentielle ;
• faible toxicité ;
• stabilité chimique ;
• facilité de fabrication.

L'IA devient ainsi un véritable assistant de conception moléculaire.

4. Réutiliser des médicaments existants

Une autre approche consiste à rechercher si un médicament déjà approuvé pourrait être efficace contre une autre maladie.

Cette stratégie, appelée drug repurposing, est particulièrement intéressante car la sécurité du médicament est déjà connue.

L'intelligence artificielle permet d'identifier beaucoup plus rapidement ces nouvelles applications thérapeutiques.

Claude for Science : quand Anthropic s'adresse directement aux chercheurs

Avec Claude for Science, Anthropic franchit une nouvelle étape dans l'évolution des modèles d'IA.

L'objectif n'est plus uniquement de fournir un assistant conversationnel performant.

L'entreprise souhaite mettre ses modèles au service des chercheurs afin de les aider à :

• analyser des publications scientifiques ;
• synthétiser des milliers d'articles ;
• générer des hypothèses de recherche ;
• explorer rapidement différentes pistes expérimentales ;
• assister les équipes interdisciplinaires dans leurs travaux.

Il est important de souligner que Claude ne remplace pas les scientifiques.

Il agit comme un collaborateur capable de traiter rapidement une quantité gigantesque d'informations afin de permettre aux chercheurs de consacrer davantage de temps à l'analyse scientifique et à la validation expérimentale.

Cette approche illustre parfaitement l'évolution actuelle de l'IA : passer d'un simple outil conversationnel à un véritable accélérateur de recherche.

Des résultats déjà concrets dans l'industrie pharmaceutique

L'utilisation de l'intelligence artificielle dans la découverte de médicaments n'est plus une idée théorique.

Plusieurs entreprises spécialisées travaillent déjà avec les plus grands laboratoires pharmaceutiques.

AlphaFold : comprendre la structure des protéines

L'un des exemples les plus marquants est AlphaFold, développé par Google DeepMind.

Pendant plusieurs décennies, déterminer la structure tridimensionnelle d'une protéine nécessitait des années de recherche.

AlphaFold est parvenu à prédire la structure de plus de 200 millions de protéines, une avancée considérée comme historique pour la biologie moléculaire.

Cette ressource est aujourd'hui utilisée par des chercheurs du monde entier.

Insilico Medicine

L'entreprise Insilico Medicine utilise l'intelligence artificielle pour identifier rapidement de nouvelles molécules thérapeutiques.

En 2023, l'un de ses candidats médicaments conçu grâce à l'IA est entré en essais cliniques, démontrant que cette approche dépasse désormais le stade expérimental.

Recursion Pharmaceuticals

Recursion combine l'intelligence artificielle, la vision par ordinateur et des bases de données biologiques massives pour accélérer la découverte de traitements destinés à plusieurs maladies rares.

L'entreprise collabore notamment avec Nvidia afin de développer des infrastructures dédiées à la recherche biomédicale basée sur l'IA.

L'IA ne remplacera pas les chercheurs

L'idée selon laquelle une intelligence artificielle pourrait découvrir seule un médicament relève encore de la science-fiction.

Même les modèles les plus avancés peuvent produire des erreurs, proposer des hypothèses biologiquement incorrectes ou manquer de contexte expérimental.

Chaque résultat généré par une IA doit être :

• vérifié ;
• reproduit expérimentalement ;
• validé par des chercheurs ;
• confirmé lors des essais cliniques.

Autrement dit, l'IA accélère le travail scientifique, mais elle ne remplace ni la méthode scientifique, ni l'expertise humaine, ni les exigences réglementaires indispensables à la sécurité des patients.

Des défis éthiques et scientifiques à relever

L'intégration de l'IA dans la recherche biomédicale soulève également plusieurs questions importantes.

La qualité des données

Une intelligence artificielle ne peut être performante que si les données utilisées sont fiables, représentatives et suffisamment nombreuses.

Des données incomplètes ou biaisées peuvent conduire à des conclusions erronées.

La transparence

Les modèles les plus puissants fonctionnent parfois comme des "boîtes noires", rendant difficile l'explication de leurs recommandations.

Dans un domaine aussi sensible que la santé, cette transparence est essentielle pour instaurer la confiance.

La réglementation

Les autorités sanitaires devront progressivement adapter leurs méthodes d'évaluation afin d'encadrer les innovations issues de l'intelligence artificielle, tout en garantissant la sécurité des patients.

Une nouvelle génération d'IA tournée vers les grands défis

Pendant longtemps, les avancées de l'intelligence artificielle ont été principalement associées à la génération de contenu.

La prochaine décennie pourrait être très différente.

L'IA est désormais mobilisée dans des secteurs où son impact pourrait être considérable :

• la médecine et la découverte de médicaments ;
• la recherche sur les nouveaux matériaux ;
• l'agriculture de précision ;
• la transition énergétique ;
• la lutte contre le changement climatique ;
• la recherche fondamentale.

Autrement dit, la véritable valeur de l'IA ne résidera probablement pas uniquement dans sa capacité à automatiser des tâches administratives, mais dans son potentiel à accélérer les découvertes scientifiques qui amélioreront durablement notre qualité de vie.

Nous sommes en train d'assister à une évolution majeure de l'intelligence artificielle. Après avoir transformé la manière dont nous écrivons, programmons ou créons du contenu, elle commence désormais à jouer un rôle stratégique dans la recherche scientifique.

Des initiatives comme Claude for Science, les avancées d'AlphaFold ou les travaux d'entreprises spécialisées montrent que l'IA devient un partenaire de plus en plus précieux pour les chercheurs.

Elle ne remplacera pas les laboratoires, les biologistes ou les médecins. En revanche, elle pourrait considérablement réduire le temps nécessaire pour identifier de nouvelles pistes thérapeutiques, concevoir des molécules prometteuses et accélérer certaines étapes de la recherche.

La véritable révolution de l'intelligence artificielle ne sera peut-être pas le prochain chatbot capable de répondre à nos questions. Elle pourrait être le prochain médicament qu'elle aura aidé les scientifiques à découvrir, ouvrant la voie à des traitements plus rapides, plus ciblés et potentiellement capables de sauver des millions de vies.

Sources et références

• Anthropic. Claude for Science : https://www.anthropic.com/news/claude-for-science
• Tufts Center for the Study of Drug Development. Estimated Costs to Develop and Win Marketing Approval for a New Drug.
• Nature Reviews Drug Discovery. Artificial intelligence in drug discovery.
• Google DeepMind. AlphaFold Protein Structure Database.
• Nature. Artificial intelligence is changing drug discovery.
• World Health Organization (WHO). Ethics and governance of artificial intelligence for health.
• U.S. Food and Drug Administration (FDA). Artificial Intelligence and Machine Learning in Drug Development.