IA et métabolisme des médicaments : les petits modèles bien entraînés battent les géants

Une compétition internationale d'IA appliquée à la pharmacologie vient de rendre son verdict : pour prédire le métabolisme des candidats médicaments, la qualité des données prime sur la puissance du modèle. Une leçon qui dépasse largement le monde de la R&D.

On t'a vendu l'IA comme un bulldozer qui écrase tout. La réalité est plus nuancée, et franchement plus intéressante.

Une compétition internationale baptisée OpenADMET vient de publier ses résultats, relayés par STAT News. L'objectif : prédire les propriétés ADMET (Absorption, Distribution, Métabolisme, Élimination, Toxicité) de candidats médicaments grâce à des modèles d'intelligence artificielle. Ces propriétés sont absolument critiques en phase de développement : un candidat qui a l'air prometteur in vitro peut se révéler inutilisable parce qu'il est trop rapidement métabolisé, mal distribué ou toxique.

Le verdict de la compétition est sans appel : les modèles les plus performants ne sont pas les plus gros. Ce sont ceux entraînés sur des données de meilleure qualité. Bigger is not always better, comme dirait ton confrère anglophone.

C'est une leçon fondamentale pour tout le secteur de la R&D pharmaceutique. Depuis des années, la course à la puissance de calcul et à la taille des modèles monopolise les investissements. OpenADMET montre qu'un modèle bien conçu, entraîné sur des données rigoureusement sélectionnées, surpasse des architectures bien plus lourdes nourries de données bruitées.

Concrètement, qu'est-ce que ça change pour la découverte de nouveaux médicaments ? La prédiction ADMET fiable permet d'éliminer très tôt les mauvais candidats, avant les phases cliniques coûteuses. Moins d'échecs en phase 3, moins de milliards gaspillés, et potentiellement des AMM plus rapides pour les molécules vraiment prometteuses.

Pour un pharmacien d'officine, le pipeline de demain se construit sur ces technologies. Les médicaments que tu dispenseras dans dix ans ont été en partie sélectionnés par des algorithmes comme ceux testés dans OpenADMET. Comprendre comment ils fonctionnent, c'est comprendre pourquoi certaines molécules arrivent (ou n'arrivent jamais) jusqu'à ton comptoir.

Il y a aussi un message plus large : la qualité des données de santé que nous produisons au quotidien, via le DP, les LGO, les entretiens pharmaceutiques codifiés, alimente demain les modèles d'IA qui amélioreront la prise en charge des patients. Chaque donnée bien renseignée est un micro-investissement dans la médecine de demain.

Ce que ça change au comptoir demain matin : directement, rien. Mais si un patient te demande pourquoi son nouveau traitement a mis quinze ans à arriver sur le marché, tu peux lui expliquer que l'IA est en train de réduire ce délai. Et ça, c'est une vraie bonne nouvelle pour tout le monde.

Source : STAT News