Accueil › Glossaire › Drug Discovery

Drug Discovery : l’IA au service de la découverte de médicaments

Le drug discovery (découverte de médicaments) assisté par IA désigne l’application de techniques de deep learning, de chimie computationnelle et de modélisation moléculaire pour accélérer les étapes de la découverte de médicaments : identification de cibles thérapeutiques, conception de molécules candidates, optimisation de leurs propriétés pharmacologiques, et prédiction de leur toxicité et de leur efficacité.

Qu’est-ce que le drug discovery par IA ?

La découverte de médicaments traditionnelle est un processus long (10 à 15 ans), coûteux (environ 2,6 milliards de dollars en moyenne) et risqué (environ 90 % des candidats médicaments échouent en essais cliniques). L’IA promet de transformer chaque étape de ce pipeline en accélérant les décisions, en réduisant les expériences inutiles, et en explorant un espace chimique bien plus vaste que les méthodes traditionnelles.

L’année 2025 a marqué une transition de la promesse à une première forme de validation clinique, avec des résultats de Phase II positifs pour des médicaments conçus par IA. Cependant, aucun médicament entièrement conçu par IA n’a encore obtenu d’approbation FDA fin 2025. L’année 2026 est considérée comme un point d’inflexion : les premiers résultats de Phase III détermineront si l’IA peut réellement améliorer les taux de succès cliniques, ou si elle accélère seulement les phases précoces sans résoudre le problème fondamental de l’attrition.

Le pipeline de drug discovery par IA

Identification de cibles thérapeutiques

La première étape : identifier les protéines ou mécanismes biologiques sur lesquels un médicament peut agir. L’IA analyse des données génomiques, protéomiques et de protein folding (notamment les structures prédites par AlphaFold) pour identifier des cibles jusque-là inconnues ou inaccessibles. Les knowledge graphs (graphes de connaissances) croisent des millions de publications, de brevets et de bases de données biologiques pour découvrir des associations médicament-cible non évidentes. BenevolentAI utilise cette approche pour identifier des cibles dans des maladies neurodégénératives et inflammatoires.

Conception de molécules (design génératif)

L’étape la plus transformée par l’IA. Les modèles de deep learning génératif conçoivent de nouvelles molécules « de novo » (à partir de zéro) plutôt que de cribler des bibliothèques chimiques existantes. Plusieurs architectures sont utilisées :

Réseaux génératifs (VAE, GAN) : Les autoencodeurs variationnels et les GAN génèrent des molécules dans un espace latent continu. On peut naviguer dans cet espace pour optimiser des propriétés spécifiques (activité, solubilité, sélectivité).

Transformers moléculaires : Les Transformers traitent les molécules comme des séquences SMILES (notation textuelle des structures chimiques) et génèrent de nouvelles séquences token par token, de manière analogue à la génération de texte par les LLM.

Modèles de diffusion moléculaire : Les modèles de diffusion appliqués aux molécules 3D génèrent des structures atomiques en débruitant progressivement un nuage de points aléatoire. Les modèles équivariants (qui respectent les symétries rotationnelles et translationnelles des molécules) produisent des géométries physiquement plausibles. La diffusion torsionnelle explore la flexibilité conformationnelle tout en préservant la connectivité moléculaire.

Graph Neural Networks (GNN) : Les molécules sont naturellement des graphes (atomes = nœuds, liaisons = arêtes). Les GNN encodent cette structure pour prédire les propriétés moléculaires et guider la génération.

Reinforcement learning : Le RL optimise les molécules générées en les récompensant quand elles satisfont des contraintes multiples (activité sur la cible, absence de toxicité, propriétés ADMET favorables, synthétisabilité).

Optimisation des propriétés (hit-to-lead)

Les molécules « hits » identifiées sont optimisées pour améliorer leurs propriétés pharmacocinétiques (absorption, distribution, métabolisme, excrétion, toxicité, dites ADMET). L’IA prédit ces propriétés à partir de la structure moléculaire, guidant les chimistes vers les modifications les plus prometteuses. Les modèles QSAR (Quantitative Structure-Activity Relationship) automatisés (« zero-click QSAR ») s’entraînent et se déploient en continu sans intervention humaine.

Prédiction de toxicité et sécurité préclinique

L’IA prédit les effets secondaires potentiels, les interactions médicamenteuses, et la toxicité hépatique, cardiaque ou rénale à partir de la structure moléculaire, réduisant le nombre d’expériences animales nécessaires et identifiant les risques avant les essais cliniques. La pharmacokinétique prédite par IA (AI-PBPK) modélise le comportement du médicament dans le corps humain.

Optimisation des essais cliniques

L’IA améliore la conception des essais cliniques : sélection des patients les plus susceptibles de répondre (biomarqueurs prédictifs, médecine de précision), optimisation des doses, et analyse prédictive des résultats. IBM Watson for Genomics compare le génome du patient avec les traitements disponibles pour identifier le meilleur candidat.

Principales plateformes et acteurs

Laboratoires autonomes (Self-Driving Labs)

La tendance la plus futuriste : des laboratoires robotisés où l’IA conçoit les expériences, les robots les exécutent, et l’IA analyse les résultats pour planifier le cycle suivant (design-make-test-learn). Certaines entreprises ont déployé des scientifiques IA humanoïdes dans des laboratoires robotisés, tandis que d’autres ont levé des financements substantiels pour construire des « labs autonomes ». Ces installations accélèrent le cycle DMTL et améliorent la reproductibilité.

Cependant, les self-driving labs n’ont pas encore démontré leur capacité à découvrir de manière autonome des candidats médicaments validés. L’intégration des opérations wet-lab (expérimentales) et dry-lab (computationnelles) reste un défi organisationnel significatif. Les grandes entreprises pharmaceutiques construisent des supercalculateurs dédiés (milliers de GPU) pour alimenter ces plateformes.

Limites et réalité clinique

Aucune approbation FDA encore

C’est le constat le plus important à garder en tête : fin 2025, aucun médicament entièrement conçu par IA n’a obtenu d’approbation FDA. L’IA accélère les phases précoces de découverte (réduction des délais de la cible au candidat clinique de 4,5 ans à environ 18 mois dans les meilleurs cas) mais n’a pas encore prouvé qu’elle améliore les taux de succès en essais cliniques Phase III. Plusieurs candidats IA ont échoué en Phase II, rappelant que l’accélération du début du processus ne garantit pas le succès de la fin.

Le problème fondamental de l’attrition

Le taux d’échec de 90 % en développement de médicaments est dû à la complexité de la biologie humaine (pharmacocinétique imprévisible, effets secondaires inattendus, variabilité génétique entre patients), pas seulement à la qualité du design moléculaire. L’IA améliore le design mais ne supprime pas l’incertitude biologique fondamentale. L’attente que l’IA « résolve » un problème qui défie la science pharmaceutique depuis des décennies est qualifiée d’irréaliste par certains experts du domaine.

Qualité des données

68 % des dirigeants tech citent la mauvaise qualité et gouvernance des données comme raison principale d’échec des initiatives IA. Les données biologiques sont bruitées, incomplètes, hétérogènes, et souvent non reproductibles. Les modèles IA entraînés sur des données de faible qualité produisent des prédictions de faible qualité, quel que soit la sophistication de l’algorithme.

Interprétabilité et confiance

Les chimistes médicinaux et les biologistes doivent comprendre pourquoi l’IA propose une molécule spécifique pour l’intégrer dans leur raisonnement scientifique. Les modèles « boîte noire » qui proposent des molécules sans justification chimique claire rencontrent une résistance légitime de la part des équipes de R&D.

Régulation et éthique

La FDA et l’EMA (European Medicines Agency) commencent à adresser les questions de transparence, de biais, de responsabilité, de propriété intellectuelle et de confidentialité des données liées à l’IA en drug discovery. L’AI Act européen (provisions « haut risque » effectives le 2 août 2026) pourrait classifier certaines applications de drug discovery IA comme haut risque, créant de nouvelles exigences de conformité. Cependant, les exigences spécifiques pour la validation de modèles IA dans les soumissions réglementaires restent à définir.

La plupart des applications actuelles d’IA en drug discovery se situent en phase de découverte précoce et tombent en dehors du périmètre réglementaire strict (qui concerne plutôt les outils IA affectant les décisions réglementaires directement). Cette zone grise pourrait surprendre les acteurs du secteur qui s’attendent à des cadres réglementaires complets.

Dimension géopolitique

Les entreprises chinoises d’IA drug discovery ont augmenté leur part dans les accords de licensing biotech mondiaux (de 21 % en 2023-2024 à 32 % au T1 2025). L’IA en drug discovery est une priorité formelle du plan quinquennal chinois. Des accords majeurs impliquant des géants pharmaceutiques occidentaux démontrent l’appétit pour les assets IA chinois. Cependant, les tensions géopolitiques USA-Chine, les préoccupations de sécurité des données et la surveillance réglementaire créent une incertitude significative. Les entreprises occidentales font face à des arbitrages difficiles entre l’accès aux capacités IA chinoises et la gestion des risques géopolitiques.

Concepts connexes

Le drug discovery par IA est intimement lié au protein folding (prédiction de la structure des protéines cibles, AlphaFold). La pathology AI fournit les données histologiques pour évaluer l’efficacité des candidats médicaments en essais cliniques. La healthcare AI est le domaine parent. Les techniques incluent le deep learning, les GAN, les VAE, les modèles de diffusion, les Transformers, et le reinforcement learning. Le transfer learning et le self-supervised learning sont utilisés pour pré-entraîner les modèles moléculaires sur de vastes bases de données chimiques.