La recherche biomédicale à l’ère de l’IA

L’intelligence artificielle (IA) devient de plus en plus incontournable dans le secteur de la santé, y compris dans la recherche biomédicale. Face aux enjeux de santé publique en matière de dépistage, de diagnostic et d’innovations thérapeutiques, les algorithmes offrent une puissance d’analyse inédite pour accélérer les processus traditionnellement longs et incertains de la recherche biomédicale. De la modélisation moléculaire sur mesure à la gestion optimisée des cohortes de patients, l’IA redéfinit la recherche biomédicale. 

 

La chimie computationnelle : concevoir les traitements de demain

Historiquement, la découverte d’un nouveau principe actif exigeait des années de criblage moléculaire (high-throughput screening) et d’innombrables itérations en laboratoire. Aujourd’hui, l’apprentissage profond (deep learning) et les modèles d’IA générative révolutionnent la chimie computationnelle. Les algorithmes sont désormais capables de générer de novo des structures moléculaires, optimisées pour cibler spécifiquement une protéine impliquée dans un mécanisme pathologique, réduisant ainsi drastiquement la phase de conception initiale d’un futur médicament.

Au-delà de l’innovation structurelle, l’IA excelle dans l’étude et la prédiction des interactions entre les molécules d’intérêt thérapeutique et leurs cibles biologiques. Grâce à des modèles prédictifs de haute précision, les chercheurs peuvent simuler l’affinité de liaison et anticiper le comportement pharmacologique du médicament, avant même de l’avoir synthétisé chimiquement en laboratoire. Ces simulations permettent d’éviter des synthèses chimiques inutiles, par exemple pour des candidats-médicaments susceptibles de présenter des effets secondaires graves. De plus, cette approche in silico permet de concevoir des thérapies plus ciblées, ouvrant ainsi la voie à une médecine de précision, notamment pour l’oncologie ou les maladies rares.

 

Optimiser et repenser les essais cliniques grâce aux algorithmes

Autre phase de développement clinique favorisée par l’essor de l’IA, les essais cliniques, qui sont souvent considérés comme le principal goulot d’étranglement du développement pharmaceutique. Dès l’étape du recrutement, les outils de traitement du langage naturel (NLP) sont capables d’analyser les dossiers médicaux électroniques de manière sécurisée pour identifier rapidement les patients correspondant parfaitement aux critères d’inclusion de l’étude. Cette automatisation ciblée permet de constituer des cohortes beaucoup plus rapidement et d’accroître significativement la diversité des participants. 

Parallèlement, d’autres outils utilisant l’IA peuvent contribuer à la réussite des essais cliniques : 

  • Les algorithmes prédictifs sont capables d’anticiper les risques de décrochage (drop-out) en analysant des signaux faibles, cliniques ou comportementaux ; 
  • Les objets connectés, permettant un suivi en temps réel des participants des essais, facilitent la collecte et l’analyse de données et favorisent ainsi une intervention proactive des investigateurs ; 
  • Les bras de contrôle synthétiques s’appuient sur des données de vie réelle croisées avec des modèles d’IA pour simuler le groupe placebo d’un essai, diminuant d’autant le nombre de participants nécessaires.

 

Éthique et bonnes pratiques : les recommandations de l’ARIIS

Les multiples intérêts de l’IA dans la recherche biomédicale ne sont plus à démontrer, mais qu’en est-il de l’encadrement de ces différents outils ? L’essor rapide des outils et des applications soulève inévitablement des interrogations touchant à l’éthique, à la sécurité des données de santé et à la rigueur de la validation scientifique. C’est dans ce contexte que l’Alliance pour la Recherche et l’Innovation des Industries de Santé (ARIIS) a récemment émis des recommandations visant à garantir un usage responsable et éthique de l’IA dans la recherche biomédicale.

Dans ses recommandations, l’ARIIS insiste notamment sur un principe incontournable : l’intelligence artificielle doit demeurer un outil d’aide à la décision qui amplifie l’expertise du chercheur ou du médecin, sans jamais s’y substituer. De plus, pour éviter le risque d’effet “boîte noire” de l’IA, les scientifiques doivent en permanence être capables de comprendre les variables ayant poussé l’IA à retenir une molécule ou à écarter un patient. Enfin, l’ARIIS souligne la nécessaire lutte contre les biais algorithmiques. Il s’agit de former les modèles sur des données représentatives de toute la population, tout en garantissant la cybersécurité et le respect de la protection des données de santé. Des recommandations qui n’ont pas vocation à freiner le développement de l’IA, mais qui peuvent permettre de préserver les principes scientifiques et éthiques de la recherche biomédicale.

 

Sources

Partager
Poursuivre votre lecture

L’ARN messager, une opportunité pour la recherche clinique européenne

Un nouveau dispositif « fast-track » pour certains essais cliniques français !