L'IA transforme la prise de décision en biopharmacie : un changement de paradigme des données vers les connaissances.

Introduction

L'intelligence artificielle pénètre de manière irréversible chaque maillon de la biopharmacie. Mais selon Henry Levy, président de Life Sciences & Healthcare chez Clarivate, la véritable transformation ne réside pas dans la simple adoption de la technologie, mais dans une refonte fondamentale du mode de décision. Dans un entretien avec Fierce Biotech, Levy souligne que les systèmes de décision pilotés par l'IA doivent reposer sur des données structurées et de haute qualité, combinées à une expertise scientifique approfondie, sous peine d'amplifier les erreurs plutôt que d'apporter des perspectives.

Contexte industriel

L'industrie biopharmaceutique est confrontée depuis longtemps aux défis d'une faible efficacité en R&D et d'un taux élevé d'échec des essais cliniques. Les décisions traditionnelles reposent sur l'expérience des experts et des analyses de données limitées, avec des cycles longs et une forte sensibilité aux biais. L'intervention de l'IA offre à l'industrie une puissance de calcul sans précédent : extraire des modèles à partir d'une masse de littérature, de données génomiques et de preuves du monde réel, élargissant considérablement le nombre de candidats médicaments évaluables. Selon les rapports du secteur, l'IA peut réduire la phase de découverte de médicaments de 30 à 50 %, mais à condition que la qualité des données et les mécanismes de gouvernance soient en place.

Développements clés

Levy de Clarivate souligne que l'application de l'IA dans les décisions biopharmaceutiques passe d'une « optimisation des processus » à un « empowerment stratégique ». Cela se manifeste dans trois domaines :

1. Sélection des candidats médicaments : Les modèles d'IA peuvent analyser des millions de structures de composés en quelques heures, identifier des cibles potentielles, alors que les méthodes traditionnelles nécessitent des semaines. Mais cette capacité comporte également un « risque de bruit » : le modèle peut recommander des candidats en réalité inefficaces ou très toxiques, nécessitant une validation par des experts.

2. Conception des essais cliniques : L'IA, en analysant les données historiques des essais, les dossiers médicaux électroniques et les preuves du monde réel, optimise les critères d'inclusion et d'exclusion, prédit la vitesse de recrutement des sujets, et même simule les résultats des essais. Par exemple, plusieurs CRO ont adopté l'IA pour concevoir des essais adaptatifs, réduisant l'exposition inutile des sujets.

3. Soutien aux décisions d'investissement : Dans les évaluations de fusions-acquisitions, de licences ou de projets à un stade précoce, les plateformes d'IA peuvent intégrer des données scientifiques, des analyses de marché et l'historique réglementaire, pour fournir des recommandations probabilistes. Mais Levy souligne que la décision finale doit conserver le jugement humain, car l'IA ne peut pas comprendre les subtilités commerciales et la politique réglementaire.

Impact sur le marché

L'IA est en train de changer la chaîne de valeur de l'industrie biopharmaceutique. Les bénéficiaires incluent :

• Grandes sociétés pharmaceutiques : Pfizer, Roche, par exemple, ont déjà déployé en interne des systèmes d'aide à la décision basés sur l'IA, réduisant les cycles de recherche précoce de plusieurs semaines.
• Startups d'IA : telles que Recursion Pharmaceuticals, Exscientia, etc., attirent d'importants investissements grâce à leurs plateformes de découverte pilotées par l'IA. En 2025, le financement dans le domaine de la découverte de médicaments par l'IA a dépassé les 4 milliards de dollars.
• CRO et fournisseurs de données : des sociétés comme IQVIA, Clarivate, lancent des services d'analyse intégrant l'IA, aidant les clients à optimiser leurs portefeuilles de R&D.Cependant, le secteur connaît une divergence : les entreprises disposant d'infrastructures de données et de talents en IA accéléreront l'innovation, tandis que celles qui manquent de ces capacités risquent de prendre du retard.

Défis et risques

Levy prévient qu'une dépendance excessive à l'IA, au détriment de la qualité des données et de la compréhension des mécanismes, peut conduire à du « garbage in, garbage out ». Les principaux défis incluent :

• Silos de données et accessibilité : les données hétérogènes multi-sources sont difficiles à intégrer et soumises à des contraintes réglementaires sur la vie privée.
• Explicabilité : les modèles d'apprentissage profond sont souvent considérés comme des « boîtes noires », et les autorités de régulation restent prudentes face aux décisions basées sur l'IA.
• Pénurie de talents : les profils hybrides, à la fois experts en IA et en biopharmacie, sont rares.
• Incertitude réglementaire : la FDA américaine et l'EMA européenne élaborent des directives pour l'utilisation de l'IA/ML dans le développement de médicaments, mais aucun cadre unifié n'a encore été établi.

Perspectives d'avenir (3 à 5 ans)

Dans les 3 à 5 ans à venir, l'IA passera du statut d'outil auxiliaire à celui d'infrastructure centrale pour les décisions en biopharmacie. Les tendances attendues sont les suivantes :

a) Normalisation de la collaboration homme-machine : les entreprises mettront en place un mécanisme de double validation « expert en IA + expert du domaine », l'IA proposant des solutions candidates, l'humain effectuant le jugement final. b) Priorité à la gouvernance des données : investir dans des plateformes de données structurées et interopérables deviendra une priorité pour les entreprises. c) Clarté réglementaire progressive : la FDA devrait publier d'ici 2027 des lignes directrices officielles pour l'utilisation de l'IA dans la recherche préclinique et clinique, favorisant la standardisation du secteur. d) Afflux continu de capitaux : le capital-risque se concentrera davantage sur les secteurs verticaux de l'IA + biopharmacie, en particulier les plateformes capables d'intégrer des données du monde réel.

Conclusion

La transformation des décisions en biopharmacie par l'IA est, par essence, un transfert de pouvoir d'une approche basée sur l'expérience vers une approche collaborative basée sur les données et l'intelligence artificielle. Les entreprises doivent, tout en recherchant la vitesse de calcul, maintenir la rigueur scientifique. Comme le dit Levy, l'avantage concurrentiel ultime ne vient pas de l'algorithme lui-même, mais de la capacité organisationnelle à intégrer de manière transparente les connaissances de l'IA et l'expertise humaine. Cette tendance aura un impact profond sur l'efficacité de la R&D, l'allocation des capitaux et l'évolution réglementaire au cours des cinq prochaines années.