Machine learning, deep learning, generative AI… : bienvenue dans le futur du biomédical !

Reda Guiha, président de Pfizer France alerte sur le risque que représente l’antibiorésistance pour la santé publique

L’intelligence artificielle (IA), tout le monde en parle. Si cette discipline a plus de 60 ans, elle ne cesse d’évoluer dans ses principales branches (apprentissage automatique, réseaux neuronaux, traitement du langage naturel...), ce qui questionne et bouleverse nos usages. Dernièrement, c’est notre rapport au travail, à l’écriture, qui est bousculé avec ChatGPT. Une innovation technique qui a révélé au grand public les applications pratiques de l’IA, rendues possibles par une double augmentation : celle de la puissance de calcul des ordinateurs et celle du nombre de données numériques. Autant d’évolutions concrètes qui suscitent à la fois rêveries collectives et moults controverses.

Pour ma part, j’aime voir dans l’IA les avancées pragmatiques dont elle peut être porteuse au service des patients, comme celle de participer à la création de nouveaux médicaments et vaccins. J’aime voir dans l’IA cette opportunité inouïe d’optimiser les tâches de recherche clinique en gagnant sur le temps, avec l’assurance de chercher encore plus loin, plus vite, pour augmenter nos chances de trouver un médicament.

Accélérer la découverte de médicaments

Très vite chez Pfizer, nous avons perçu ce potentiel de l’IA et ses nombreux champs d’application pour repousser nos frontières. Non seulement nous intégrons l’IA dans nos collaborations, par exemple dans nos programmes d’investissements avec des startups et biotechs innovantes, mais l’IA fait aussi partie intégrante de la recherche chez Pfizer depuis plus de dix ans, notamment grâce au criblage biologique. Cette décennie de données structurées et robustes est couplée à plusieurs décennies de recherche clinique : cette combinaison nous permet d’accélérer nos innovations, la découverte et le développement de nouveaux traitements. Car il ne faut pas oublier que fabriquer un médicament reste un processus long (en moyenne 10 ans), complexe et coûteux avec des probabilités de succès très faibles (10 000 molécules criblées, 1 seule parvient à devenir un candidat-médicament qui sera mis à disposition des patients). L’IA permet à la recherche biomédicale d’améliorer les chances de succès de trouver un médicament, ce que l’on nomme le “time-to-market”, autrement dit le fait de rendre plus rapidement accessibles nos percées scientifiques. La dernière pandémie a créé à cet égard un véritable précédent : nous avons pu effectuer des calculs très complexes, 5 à 10 fois plus vite, et réduire des temps de calcul de 80 à 90% ; ce qui nous a permis d'accélérer le développement de notre traitement oral contre la COVID-19. Autre exemple, les modèles d’IA permettent aujourd’hui de prédire la structure des protéines du corps humain à partir de leur séquence, ouvrant ainsi la voie à la découverte de nouvelles molécules.

Plus largement, avec l’IA, nous ouvrons notre champ des réflexions : comment accélérer notre compréhension des mécanismes biologiques pour cribler toujours plus et vite les molécules prometteuses, sans jamais compromettre la sécurité du développement ? Comment exploiter “les jumeaux numériques humains”, par exemple, pour simuler le comportement d’une molécule dans le corps humain et prédire son efficacité et son innocuité ? Comment concevoir des essais cliniques qui améliorent le « bien-être » des participants, et permettent d’aller plus vite et d’être plus efficaces ? Autant de questions où l’intelligence artificielle, de mise avec la collaboration humaine, va jouer un rôle central à l’avenir dans les réponses à apporter.

J’ai choisi de sélectionner deux cas d’application pour illustrer ce que l’IA peut d’ores et déjà apporter à la découverte de médicaments.

CytoReason : le « Waze » du système immunitaire

Pfizer fait alliance avec plusieurs sociétés spécialisées dans l’apprentissage automatique et la bio-informatique. C’est le cas par exemple avec CytoReason, une plateforme spécialisée en IA qui a mis en place le premier modèle d'apprentissage automatique capable de mimer le fonctionnement du système immunitaire pour pouvoir développer des candidats-médicaments adaptés. Cette plateforme est pionnière : elle permet de reconstituer les informations cellulaires perdues à partir des données d'expression génique, et d'associer les gènes à des cellules spécifiques. Nous obtenons ainsi une cartographie des maladies, capable de comparer les traitements, les groupes de patients et les mécanismes de la maladie. C’est un peu le “Waze” du système immunitaire qui permet de comprendre pourquoi certaines populations réagissent à tel médicament, mais aussi de « trouver le chemin » de nouvelles cibles biologiques pour une maladie.

Le Pfizer Innovation Research (PfIRe) Laboratory : quand les technologies portables et l’IA permettent de mieux suivre les patients en essais cliniques

L’IA a un autre avantage notable : elle nous permet de créer des algorithmes et de décrypter les données collectées, pour générer de nouveaux biomarqueurs numériques avant de les déployer dans des essais cliniques. C’est là qu’intervient le Pfizer Innovation Research Laboratory. Centre de recherche clinique hautement équipé, le PfIRe utilise les capteurs connectés pour améliorer la collecte de données. L’une des missions des chercheurs est de contribuer à valider de nouveaux critères d’évaluation clinique plus importants pour les patients afin de mieux comprendre l'état de la maladie et la réponse au traitement. Par exemple, une personne atteinte de dermatite atopique se gratte souvent la nuit pour soulager ses démangeaisons, mais elle ne se souvient pas toujours de la fréquence ou de la durée, ce qui lui empêche de signaler précisément ses symptômes à son médecin. En fournissant une image précise des mouvements nocturnes de « sommeil et de grattage » à l’équipe de soins de santé ou de l’essai clinique, ces dispositifs portables permettent une plus grande précision et exactitude des données et limitent aussi la charge du patient dans le reporting des données. Ces technologies sont également développées à un stade plus avancé du cycle de développement d’un médicament pour alléger l’impact de ces études sur les patients en réduisant les visites de contrôle à l’hôpital et en augmentant la capacité à mesurer leurs comportements hors des murs de l’hôpital.

À l’heure où l’IA suscite un certain nombre de questionnements voire de craintes, tout en apparaissant pour d’autres comme une formidable source d’opportunités et d’espoir pour réinventer nos modèles, n’oublions pas ces formidables histoires humaines que recouvrent les grandes avancées technologiques ; car ce qui compte in finé, c'est de changer la vie des patients.

Reda Guiha
Country president Pfizer France