L'IA tout au long de la chaîne de valeur pharmaceutique

# L'IA tout au long de la chaîne de valeur pharmaceutique

En 2021, DeepMind a publié AlphaFold, un système qui prédit la forme 3D des protéines à partir de leur séquence d'acides aminés. En deux ans, sa base de données contenait les structures prédites de presque toutes les protéines connues de la science, soit environ 200 millions. Des problèmes de biologie structurale qui prenaient des années de travail expérimental à un doctorant pouvaient désormais être approchés en quelques secondes.

Cette seule publication a redéfini les attentes sur ce que l'IA peut faire en pharma. Mais le repliement des protéines n'est qu'une étape étroite (même si elle est importante). La vraie question pour qui décide où investir : sur le long trajet de la molécule au médicament, où l'IA change-t-elle réellement la donne aujourd'hui, et où reste-t-elle du marketing ?

Parcourons la chaîne de valeur.

Les deux extrémités où l'IA apparaît d'abord

Le développement de médicaments est notoirement lent et coûteux. Une estimation souvent citée place le coût de mise sur le marché d'un nouveau médicament à plus d'un milliard de dollars et plus d'une décennie de travail, même si ces chiffres sont débattus et varient beaucoup selon l'aire thérapeutique. La plupart des candidats échouent.

L'IA est appliquée à tout ce pipelinepipelineL'ensemble des opportunités commerciales actives réparties selon les étapes du processus de vente, avec leur valeur potentielle cumulée et leur probabilité de conclusion.Voir la définition complète →, mais deux extrémités attirent l'argent le plus sérieux :

1. Découverte et conception : trouver et concevoir des molécules candidates.

2. Développement clinique : concevoir et mener les essais chez l'humain qui prouvent qu'un médicament est sûr et efficace.

Nous prendrons chacune à son tour, en séparant ce qui fonctionne de ce qui est survendu.

L'IA dans la découverte de médicaments

Là où elle apporte une vraie valeur

Identification de cibles. Avant de concevoir un médicament, il faut une « cible » biologique, généralement une protéine impliquée dans une maladie. Des modèles d'IA entraînés sur la génomique, la littérature scientifique et les données de laboratoire aident à classer les cibles les plus prometteuses. Cela réduit un espace de recherche énorme.

Génération et criblage de molécules. Les modèles de « chimie générative » proposent de nouvelles structures moléculaires dotées des propriétés souhaitées (se lie à la cible, est stable, n'est pas toxique). Au lieu de tester physiquement des millions de composés, les équipes utilisent des modèles pour prioriser les quelques milliers qui valent la peine d'être synthétisés en laboratoire. C'est le *criblage virtuel*, et il comprime bel et bien les délais amont.

Prédiction de structure. AlphaFold et ses successeurs permettent aux chimistes de voir comment une molécule pourrait se loger dans la poche de liaison d'une protéine cible. Vous pouvez explorer directement la AlphaFold Protein Structure Database, gratuite.

Là où le hype dépasse la réalité

Voici la réserve qui compte : prédire qu'une molécule semble prometteuse n'équivaut pas à avoir un médicament.

Plusieurs biotechs nées avec l'IA ont fait passer des candidats en essais cliniques ces dernières années, et quelques-unes ont rapporté des échecs cliniques. En 2026, aucun médicament découvert principalement par l'IA n'a bouclé le parcours complet jusqu'à une approbation réglementaire large et une mise sur le marché. Cela ne veut pas dire que l'IA a échoué. Cela veut dire que la partie difficile, la biologie humaine, reste rétive. Une molécule qui se lie parfaitement dans une simulation peut tout de même être toxique, être éliminée trop vite par l'organisme, ou simplement ne pas fonctionner chez un vrai patient.

Le goulot d'étranglement s'est déplacé, il n'a pas disparu. L'IA rend le *début* du funnelfunnelLe parcours client de la découverte à l'achat, généralement Awareness, Interest, Consideration, Decision, Action, avec des prospects de moins en moins nombreux à chaque étape.Voir la définition complète → plus rapide et moins cher. Mais environ 90 % des médicaments qui entrent en essais cliniques échouent encore, et l'IA n'a pas encore modifié ce taux d'attrition tardif de manière démontrée. Si un fournisseur promet que l'IA va « résoudre » l'échec clinique, soyez sceptique.

L'IA dans le développement clinique

C'est en clinique que se concentrent l'essentiel des coûts et des échecs. C'est pourquoi optimiser les essais est peut-être l'application à plus forte valeur, même si c'est la découverte qui fait les gros titres.

Conception et simulation d'essais

Concevoir un essai, c'est choisir la dose, la population de patients, les endpoints (les résultats mesurables qui définissent le succès) et la taille de l'échantillon. Se tromper là-dessus coûte des années.

L'IA aide concrètement :

• Prévision des sites et des inclusions : prédire quels hôpitaux recruteront effectivement des patients dans les délais. La lenteur du recrutement est une cause majeure de retard des essais.
• Bras de contrôle synthétiques : utiliser des données patients historiques pour modéliser un groupe de comparaison, réduisant le nombre de patients devant recevoir un placebo. Les régulateurs sont prudents ici, mais intéressés.
• Optimisation du protocole : signaler les protocoles trop complexes qui épuiseront patients et personnels.

Identification et recrutement des patients

Des modèles d'IA passent au crible des dossiers médicaux électroniques anonymisés pour trouver les patients correspondant à des critères d'éligibilité stricts. Pour un essai sur une maladie rare, trouver 40 patients qualifiés à l'échelle d'un continent relève vraiment de l'aiguille dans une botte de foin, et c'est un cas d'usage réel, déjà déployé.

Surveillance et sécurité

Pendant un essai, l'IA signale les anomalies dans les données entrantes (un site rapportant des chiffres suspicieusement propres, un profil d'événements indésirables méritant investigation). Cela soutient la pharmacovigilance, la surveillance continue de la sécurité du médicament, qui se poursuit longtemps après l'approbation.

La réalité réglementaire

La Food and Drug Administration américaine (FDA) et l'Agence européenne des médicaments (EMA) s'intéressent désormais activement à l'IA dans le développement de médicaments. La FDA a publié un framework d'évaluation de l'IA utilisée pour appuyer les décisions réglementaires sur la sécurité et l'efficacité des médicaments. La direction est claire : l'IA est bienvenue comme outil, mais le promoteur doit pouvoir expliquer et justifier la façon dont le modèle a été utilisé. « L'algorithme l'a dit » n'est pas un dossier acceptable.

Si vous voulez la source primaire, la FDA maintient une page publique sur l'Artificial Intelligence in Drug Development.

Une manière simple d'évaluer une promesse d'IA

Quand on vous propose un investissement IA en pharma, l'erreur classique consiste à confondre *la vitesse dans les étapes amont peu coûteuses* et *le succès dans les étapes tardives coûteuses*. Utilisez un modèle mental grossier de la valeur :

Expected value of an AI application =
   (time or cost saved at that step)
 × (how often that step is the real bottleneck)
 × (whether the output is trusted by scientists AND regulators)

Appliquez-le :

• La chimie générative obtient un bon score sur les coûts économisés, mais son résultat doit encore franchir tout le parcours clinique. Forte valeur, mais pas un raccourci vers l'approbation.
• La prévision des inclusions fait gagner du temps à une étape qui retarde réellement la plupart des essais, et les régulateurs n'ont pas à valider la prévision elle-même. Une valeur excellente et discrète.
• Un chatbot qui « lit toute la littérature » peut économiser des heures d'analystes mais se situe rarement sur le chemin critique. Utile, pas transformateur.

Les applications opérationnelles peu glamour battent souvent, dans ce calcul, les applications de découverte qui font les titres.

Les données : la vraie contrainte

Rien de tout cela ne fonctionne sans données, et les données pharma sont désordonnées. Les modèles de découverte ont besoin de résultats expérimentaux de haute qualité, y compris les échecs (que les entreprises publient rarement). Les modèles cliniques ont besoin de données patients fragmentées entre hôpitaux, codées de façon incohérente et strictement encadrées pour la confidentialité.

Deux conséquences pratiques :

1. Les données propriétaires sont la barrière à l'entrée. Les décennies de résultats de criblage ou de dossiers d'essais d'une entreprise valent souvent plus que l'architecture du modèle, de plus en plus banalisée.

2. Ici, « garbage in, garbage out » n'est pas un cliché. Un modèle entraîné sur des données patients biaisées ou incomplètes peut produire un candidat ou une conception d'essai qui échoue dans des populations qu'il n'a jamais vues. C'est à la fois un risque scientifique et éthique.

Où placer vos paris en 2026

Pour un professionnel qui décide où investir, le tableau ressemble à ceci :

• L'IA de découverte est réelle et s'améliore, mais les retours sont lointains et non démontrés à l'arrivée. Traitez les annonces de « blockbusters conçus par l'IA » imminents comme non validées jusqu'à ce qu'un médicament franchisse les essais de phase tardive et l'approbation.
• L'IA des opérations cliniques (recrutement, surveillance, prévision) offre des économies plus proches et mesurables et rencontre des obstacles réglementaires plus faibles, car elle appuie des décisions humaines plutôt que de remplacer des preuves.
• L'infrastructure de données sous-tend tout et constitue souvent l'actif le plus durable.

Ceci est une analyse, pas un conseil en investissement ni un avis médical. Chaque aire thérapeutique et chaque entreprise diffère, et les résultats cliniques sont intrinsèquement incertains.

Points clés

• L'IA comprime l'extrémité amont, peu coûteuse, de la pharma (sélection de cibles, génération de molécules, prédiction de structure), mais l'échec clinique tardif reste le coût dominant et l'IA n'a pas encore prouvé qu'elle pouvait le réduire.
• En 2026, aucun médicament découvert par l'IA n'a bouclé le parcours complet jusqu'à une approbation large. Des simulations prometteuses ne sont pas des médicaments approuvés. Décotez les argumentaires qui brouillent cette frontière.
• Les applications discrètement à forte valeur sont souvent opérationnelles : recrutement des patients, prévision des inclusions et surveillance de la sécurité font gagner du temps sur de vrais goulots d'étranglement avec un risque réglementaire plus faible.
• Les régulateurs (FDA, EMA) acceptent l'IA comme outil mais exigent l'explicabilité. Le résultat d'un modèle doit être justifié, pas seulement présenté.
• Des données propriétaires de haute qualité sont la vraie barrière à l'entrée, et des données biaisées ou incomplètes constituent un risque scientifique et éthique réel, pas une note de bas de page.