L’IA, nouveau moteur de la R&D pharmaceutique

Et si la data était le remède dont les laboratoires pharmaceutiques ont besoin pour enrayer la chute de leur retour sur investissement ? La R&D est en crise : la faute à des pathologies toujours plus complexes qui nécessitent des mécanismes d’action toujours plus ingénieux, ce qui multiplie le nombre des options thérapeutiques. À cela s’ajoutent des réglementations toujours plus restrictives.

Il y a encore dix ans, tous les efforts étaient tournés vers la découverte de médicaments blockbusters [1] grâce aux analyses physico-chimiques. Ce mouvement de fond a abouti à une certaine saturation du marché et n’offre désormais plus les mêmes débouchés. L’eldorado se situe du côté des produits basés sur des structures biologiques, à l’instar de l’ARN messager et, plus encore, des anticorps destinés notamment à la lutte contre le cancer.

Industrie conservatrice, traditionnellement centrée produit, les laboratoires pharmaceutiques sont aujourd’hui talonnés en matière d’innovation par des biotech, rompues aux nouvelles technologies. Pour rester dans la course et continuer à créer de la valeur, un seul mot d’ordre : reprendre le contrôle de la donnée.

L’industrie n’est encore qu’aux prémices de son histoire avec la donnée, qui constitue pourtant un véritable asset et joue un rôle de facilitateur en termes d’innovation et de maîtrise des coûts de R&D. Les grands laboratoires ont donc besoin de partenaires technologiques pour s’approprier la data.

L’acquisition de biotechs est un puissant levier pour rattraper leur retard, en internalisant leur portefeuille de data. Leur intérêt se porte également sur des petites structures innovantes, par exemple des entreprises spécialisées dans l’utilisation de l’IA à destination de l’oncologie. En les rachetant, les laboratoires peuvent utiliser leurs modèles avec leurs propres données pour faire avancer la recherche.

10% seulement des médicaments atteignent le stade des essais cliniques selon le Leem. Et parmi eux, seule une petite fraction obtient une autorisation de mise sur le marché.

Utilisée à bon escient, la data permet d’accélérer la recherche de 20 à 30%, grâce à l’amélioration des workflows et des résultats. Si les bénéfices de l’IA trouvent à s’exprimer sur toute la chaîne de valeur, ils sont particulièrement éloquents dans la phase de recherche et développement. Tout d’abord, les algorithmes accélèrent le travail des chercheurs, notamment dans l’analyse de l’imagerie médicale, afin de mettre en évidence les zones d’intérêt à étudier en priorité et de contrôler, par exemple, le développement des tumeurs. L’IA réalise ainsi en quelques heures un travail d’analyse qui prenait plusieurs semaines par le passé.

La solution AlphaFold, développée par DeepMind, filiale de Google, permet même de prédire avec un niveau de certitude élevé la forme des protéines. Une avancée révolutionnaire, la connaissance de la structure de ces molécules ouvrant la voie à la fabrication de médicaments sur mesure. Le design moléculaire joue en effet un rôle décisif dans le succès des traitements, notamment dans le cas du SARS-CoV-2, le virus responsable du Covid-19.

Repenser la chaine de valeur grâce à l’IA

Mais ce n’est pas tout. Data et IA apportent une aide indispensable lors des différentes étapes des essais cliniques. D’abord, pour la première phase, dite de faisabilité. Grâce au naturel language processing, les chercheurs peuvent interroger tous les dossiers médicaux informatisés et analyser le nombre de patients éligibles à un essai clinique destiné au traitement d’une maladie rare. Cette information décisive permet d’évaluer en amont la faisabilité d’un test clinique. Sans une cohorte suffisante, inutile de se lancer. C’est d’autant plus important que les essais cliniques peuvent atteindre des sommes considérables, jusqu’à 800 millions de dollars. Or, une fois le test lancé, il devient très difficile d’arrêter le processus en cours.

Pendant l’exécution des essais cliniques, l’utilisation de la data et son analyse permettent également d’élaborer des dashboards pour assurer le suivi de l’étude, mais aussi de simuler des scénarios sur la base de données historiques, envisager des changements de site si nécessaire, etc. Enfin, soumettre une demande de mise sur le marché d’un médicament nécessite de fournir énormément de données. Grâce à sa puissance de calcul et à sa rapidité, l’IA contribue à l’automatisation des opérations cliniques, permettant aux laboratoires de gagner des centaines de jours sur cette partie du processus. L’IA contribue à l’automatisation des opérations cliniques, permettant aux laboratoires de gagner des centaines de jours sur cette partie du processus.

Une mise à l’échelle indispensable

Ces cas d’usage sont représentatifs des multiples initiatives engagées par les laboratoires pour redynamiser leur R&D. Cependant, celles-ci se heurtent encore à des limites comme la démocratisation de l’accès aux données, la continuité ou l’adoption de ces nouvelles applications par l’ensemble des utilisateurs (chercheurs, responsables d’études cliniques…). Pour créer de la valeur, une approche industrialisée, associant tous ces acteurs, est indispensable.

[1] Un médicament qui réalise plus d’un milliard de Dollars ou d’Euros en chiffre d’affaires