Les titres affirmant que « l’IA révolutionne la découverte de médicaments » se multiplient à une époque où l’IA fait l’objet d’un engouement sans précédent. Insilico Medicine, l’une des entreprises de biotechnologie à la pointe de la recherche pharmaceutique assistée par l’IA, a annoncé avoir découvert une nouvelle molécule médicamenteuse grâce à l’IA en moins de 18 mois, pour un coût représentant 10 % de celui d’un programme conventionnel. Les laboratoires pharmaceutiques et les chercheurs promettent une révolution dans la découverte de médicaments grâce à l’IA, mais dans quelle mesure cette promesse s’est-elle réellement concrétisée ?
Ce n’est pas que ces affirmations soient totalement infondées. La puissance de l’IA dans la compréhension de la biologie a été démontrée en 2020 avec la sortie d’AlphaFold, un système d’IA capable de prédire la structure des protéines. L’utilisation de ce logiciel est devenue la norme dans de nombreux domaines de la recherche biomédicale, allant des mécanismes du cancer à la dynamique des protéines. Andrea Pauli, biochimiste à l’Institut de recherche en pathologie moléculaire de Vienne, explique que son laboratoire utilise AlphaFold pour pratiquement tous ses projets. En 2018, son équipe de recherche ne comprenait pas comment une protéine du poisson-zèbre reconnaissait les spermatozoïdes. Tout a changé lorsqu’ils ont utilisé AlphaFold pour prédire la structure d’une protéine, ce qui a permis de combler les lacunes. Le succès de cette plateforme était très prometteur pour l’avenir de la découverte de médicaments basée sur l’IA.
De nouvelles molécules médicamenteuses, des coûts réduits et des essais cliniques plus rapides ne sont que quelques-uns des avantages qui nous sont présentés à l’heure où les plateformes d’IA ne cessent de se perfectionner. Conscience s’attache à promouvoir l’IA pour faire progresser la découverte de médicaments tout en encourageant des discussions franches sur l’état actuel du domaine. Pour évaluer dans quelle mesure l’IA a accéléré la découverte de médicaments, nous devons d’abord comprendre ses applications potentielles tout au long du processus de découverte.
Un outil polyvalent
La découverte de médicaments pilotée par l’IA peut recouvrir de nombreuses réalités différentes en raison de la complexité du processus de découverte. Les nouvelles versions d’AlphaFold, comme AlphaFold 3 (lancé en 2024), peuvent prédire en quelques secondes comment une molécule de type médicamenteux interagit avec une protéine – une tâche qui nécessiterait autrement des années de travail en laboratoire pour être découverte expérimentalement. D’autres modèles d’IA vont encore plus loin, en aidant à concevoir des candidats-médicaments entièrement nouveaux en testant un large éventail de structures moléculaires avec une efficacité accrue, ou en combinant des fragments moléculaires de manière innovante. Par exemple, on sait peut-être que la molécule A et la molécule B peuvent toutes deux se lier à une protéine. Un modèle d’IA peut alors concevoir une molécule hybride des deux, la molécule A-B, qui peut toujours se lier à la protéine mais qui provoquerait des effets biologiques en aval différents. Cette nouvelle molécule peut ensuite être testée et potentiellement développée en tant que nouveau candidat-médicament.
L’optimisation des molécules médicamenteuses pour une cible spécifique est une autre façon dont l’IA peut contribuer à la découverte de médicaments. Une IA bien entraînée peut indiquer aux scientifiques dans quelle mesure une modification subtile de la structure d’une molécule entraînerait des changements en termes d’absorption ou de toxicité lorsqu’elle est utilisée en biologie. Elle peut également rechercher des cibles biologiques spécifiques, telles que des protéines ou des récepteurs, susceptibles d’être à l’origine d’une maladie. En gardant ces cibles à l’esprit, les chercheurs peuvent alors concevoir des médicaments qui inhibent leur fonction dans l’espoir de combattre la maladie.
Au-delà du battage médiatique
Si l’IA peut remplir de nombreuses fonctions dans la découverte de médicaments, les rapports sur son impact réel peuvent être trompeurs. Derek Lowe, chimiste spécialisé dans la découverte de médicaments et fort de plus de 35 ans d’expérience, a publié un article en 2024 critiquant un article de synthèse scientifique pour avoir exagéré le caractère novateur de certaines cibles découvertes par l’IA. Il a souligné que si l’on savait déjà que la cible biologique était associée à la maladie, pouvait-on vraiment considérer qu’elle avait été « découverte par l’IA » ? Les succès remportés par des modèles identifiant des candidats-médicaments ou des cibles sur la base de connaissances bien établies peuvent surestimer le pouvoir de l’IA dans ce processus, car la réidentification d’un élément déjà connu constitue un test bien moins rigoureux que la découverte d’un élément véritablement nouveau. C’est pourquoi la validation prospective — qui consiste à tester les prédictions avant que les résultats concrets ne soient connus — revêt une importance capitale pour déterminer si un modèle révèle réellement quelque chose de nouveau.
Les défis CACHE de Conscience sont conçus autour de ce type de tests prospectifs. Les participants utilisent l’IA pour prédire de nouvelles molécules susceptibles de se lier à une cible spécifique liée à une maladie, et ces prédictions sont ensuite validées expérimentalement en laboratoire, fournissant ainsi des preuves indépendantes et concrètes de leur potentiel en tant que candidats-médicaments.
Ce type de tests en conditions réelles est essentiel, car les prédictions ne se vérifient pas toujours une fois qu’elles quittent le laboratoire ; c’est pourquoi l’analyse comparative est indispensable. Comment quantifier si un « hit » prédit sera efficace une fois qu’il aura quitté le laboratoire pour entrer dans un véritable système biologique ? La biologie est extrêmement complexe : les systèmes de l’organisme, comme les interactions cellulaires, peuvent influencer considérablement l’efficacité d’un médicament. Ainsi, même si l’IA peut identifier de nombreux composés prometteurs dans un contexte de laboratoire isolé, ces molécules ont souvent du mal à être efficaces lorsqu’elles sont placées dans un contexte biologique. Il subsiste un décalage entre les données chimiques sur lesquelles les modèles d’IA sont entraînés et les problèmes biologiques qu’ils sont censés résoudre. C’est précisément pour combler ce type de lacune en matière de rigueur que BEACON a été conçu, afin d’apporter une évaluation indépendante et fondée sur des preuves aux prédictions générées par l’IA dans le domaine des sciences biomédicales.
L’une des principales raisons de ces faibles performances biologiques est le manque de données contextualisées sur le plan biologique pour l’entraînement des modèles. L’interconnexion des systèmes biologiques implique qu’un changement d’une variable peut entraîner un millier de perturbations ailleurs dans le système. Cette forte variabilité inhérente aux données biologiques signifie que les points de données ne sont souvent applicables qu’à des scénarios hyper-spécifiques. Par exemple, alors que les patients A et B peuvent tous deux souffrir de diabète de type I, leur âge, leur mode de vie, leur classe sociale et une multitude de facteurs génétiques peuvent tous influencer leur réponse à un médicament. Combinée à la difficulté de nommer ou d’étiqueter les données de manière cohérente entre chercheurs, la génération de données exhaustives et fiables constitue un véritable défi.
AlphaFold offre un point de comparaison utile pour illustrer ce qui est possible lorsque ce problème de données est résolu. Qu’est-ce qui explique son efficacité ? AlphaFold a eu accès à environ 170 000 structures protéiques validées expérimentalement issues de la Protein Data Bank. Son modèle a pu être entraîné sur de vastes quantités de données fiables et n’a pas non plus dû composer avec une multitude de variabilités biologiques. Ces conditions particulières ont joué un rôle fondamental dans le succès d’AlphaFold, mais il s’agit d’un luxe dont ne disposent pas la plupart des chercheurs en découverte de médicaments.
Et maintenant ?
L’IA a accéléré certains processus du pipeline de découverte de médicaments, mais il reste encore quelques étapes avant qu’un médicament ne soit commercialisé. En juillet 2026, aucun médicament découvert grâce à l’IA n’avait encore été commercialisé — même si des progrès sont en cours. Le Rentosertib d’Insilico Medicine, un traitement conçu par IA pour une maladie pulmonaire évolutive, est devenu le premier médicament conçu par IA à atteindre la phase III des essais cliniques, ce qui représente le stade le plus avancé jamais atteint par un candidat médicament découvert par l’IA. Cependant, le nombre limité de cas de réussite met en évidence une lacune de conception qui persiste : les systèmes d’IA destinés à la découverte de médicaments n’ont pas été conçus ni optimisés pour la biologie, et il n’y a tout simplement pas assez de données pertinentes pour les entraîner. Identifier ces faiblesses critiques constitue la première étape. Il faut désormais apporter des changements pour que les futures recherches menées par l’IA aient un réel impact clinique.
Les modèles d’IA destinés à la découverte de médicaments doivent être entraînés en fonction de leur produit final plutôt que sur la base d’une statistique prometteuse à un stade précoce du processus. Le contexte biologique doit être intégré aux modèles d’IA afin de déterminer quelles molécules donneront de bons résultats aux stades ultérieurs d’un essai clinique. Cela implique d’utiliser les données issues d’essais cliniques existants pour itérer sur de futurs médicaments, d’évaluer les performances d’un médicament à l’aide de paramètres biologiquement pertinents, de valider les modèles en fonction de leur cas d’utilisation, et de générer des ensembles de données détaillés et diversifiés qui reflètent les relations de cause à effet au sein des systèmes biologiques.
Les défis auxquels nous sommes confrontés en matière de découverte de médicaments pilotée par l’IA soulignent à quel point il reste une marge d’amélioration considérable. Pour exploiter pleinement ce potentiel, un changement culturel significatif s’imposera, vers une approche de conception des outils d’IA fondée sur la biologie — une approche reposant sur des tests rigoureux et indépendants, comme le démontrent déjà des programmes tels que CACHE et BEACON. Le partage ouvert des connaissances et la collaboration interdisciplinaire seront essentiels pour réaliser des avancées significatives dans les années à venir.
C’est ce type de travail que Conscience a pour mission de soutenir, dans le but de mettre à la disposition des patients qui en ont besoin de nouveaux traitements (y compris ceux découverts à l’aide de l’IA).
