12 ans de recherche médicale réduits à 18 mois grâce à l'IA

Un médicament conçu en 18 mois. Avant, il en fallait 12 ans.

Ce n'est pas une projection futuriste. C'est ce qui s'est passé avec le DSP-1181, un candidat médicament contre le trouble obsessionnel-compulsif, développé conjointement par Sumitomo Dainippon Pharma et Exscientia en 2020. L'intelligence artificielle a réduit la phase de conception moléculaire à une fraction du temps habituel. Ce résultat soulève une question qui dérange : si la machine va plus vite, plus loin et à moindre coût, quel est l'avenir de la recherche médicale humaine ?

Pourquoi la conception de médicaments est (encore) un cauchemar

Avant de comprendre ce que l'IA change, il faut mesurer l'ampleur du problème qu'elle affronte. Développer un nouveau médicament coûte en moyenne 2,6 milliards de dollars et prend entre 10 et 15 ans. Sur 10 000 molécules candidates identifiées en laboratoire, une seule arrive sur le marché. Les raisons sont multiples : interactions biologiques imprévisibles, effets secondaires non anticipés, essais cliniques longs et coûteux.

La phase la plus chronophage est celle de la découverte : identifier parmi des millions de composés chimiques ceux qui pourraient se lier à une protéine cible sans détruire l'organisme au passage. C'est précisément là que l'IA entre en jeu.

Ce que l'intelligence artificielle change concrètement

1. Prédire la structure des protéines : le tournant AlphaFold

En 2021, DeepMind a publié AlphaFold 2, un système capable de prédire la structure tridimensionnelle d'une protéine à partir de sa séquence d'acides aminés avec une précision comparable aux méthodes expérimentales. Or, comprendre la forme d'une protéine est indispensable pour concevoir un médicament qui s'y accroche correctement.

Résultat concret : la base de données AlphaFold contient aujourd'hui plus de 200 millions de structures protéiques prédites, librement accessibles à la communauté scientifique mondiale. Des années de cristallographie et de résonance magnétique nucléaire remplacées — en partie — par quelques heures de calcul.

2. Générer de nouvelles molécules from scratch

Des entreprises comme Insilico Medicine, Recursion Pharmaceuticals ou BenevolentAI utilisent des modèles génératifs pour créer des molécules qui n'ont jamais existé dans la nature, en ciblant directement un mécanisme biologique précis. L'IA ne choisit plus parmi des candidats existants : elle invente de nouvelles structures chimiques, optimisées pour l'efficacité et la sécurité.

Insilico Medicine a ainsi annoncé en 2023 le premier médicament anti-fibrose pulmonaire conçu intégralement par IA entré en phase 2 d'essai clinique. Une première historique.

3. Repositionner des médicaments existants

L'IA excelle aussi à lire entre les lignes de milliards de données biomédicales pour identifier des médicaments déjà approuvés susceptibles de traiter d'autres maladies. Durant la pandémie de Covid-19, BenevolentAI a identifié le baricitinib — un traitement contre la polyarthrite rhumatoïde — comme candidat potentiel contre la tempête cytokinique induite par le virus. Il est aujourd'hui approuvé pour traiter les formes sévères de Covid-19.

Les enjeux que personne ne veut vraiment nommer

Derrière l'enthousiasme légitime, plusieurs questions structurelles restent ouvertes.

• La qualité des données d'entraînement : L'IA n'est aussi fiable que les données sur lesquelles elle apprend. Or, la recherche biomédicale souffre d'un biais massif — surreprésentation de populations occidentales, sous-représentation de certaines maladies rares ou tropicales.
• L'interprétabilité des modèles : Quand une IA recommande une molécule, les chercheurs ne savent pas toujours pourquoi. Cette opacité pose des problèmes réglementaires et éthiques sérieux.
• La concentration des acteurs : Les startups d'IA médicale les mieux dotées lèvent des centaines de millions. Le risque est une privatisation croissante de la découverte scientifique, au détriment des laboratoires publics et des pays à faibles ressources.
• Les essais cliniques restent humains : L'IA accélère la conception, pas la validation. Tester sur des patients prend du temps — et c'est une bonne chose.

Où en sera-t-on dans 5 ans ?

Les experts s'accordent sur un point : l'IA ne remplace pas le biologiste ou le médecin. Elle les augmente. Dans les cinq prochaines années, l'architecture des équipes de R&D pharmaceutique va profondément changer. Les profils hybrides — biologistes sachant lire un modèle de machine learning, data scientists comprenant la biochimie — seront les plus recherchés.

Côté régulation, l'EMA (Agence européenne des médicaments) et la FDA américaine travaillent activement à des cadres permettant d'intégrer les données générées par IA dans les dossiers d'autorisation. Un chantier immense, mais engagé.

Ce qu'il faut retenir

L'intelligence artificielle n'est pas une baguette magique qui va éliminer les maladies en quelques années. Mais elle est un accélérateur structurel qui compresse des étapes autrefois incompressibles. Pour les patients atteints de maladies rares ou de cancers agressifs, cette accélération n'est pas anecdotique : elle peut représenter des années de vie gagnées.

La vraie question n'est pas "l'IA va-t-elle remplacer les chercheurs ?" mais "comment organisons-nous collectivement cette transition pour que ses bénéfices soient partagés équitablement ?" C'est un choix politique autant que scientifique — et ce choix se fait maintenant.

— Reservoir Live