Les séances de l’Académie*

*Résumés rédigés par Catherine Adamsbaum, Bernard Bauduceau, Nathalie Cartier Lacave, Jacques Delarue, Jacques Hubert, Jean-Pierre Richer, Alain Yelnik

 

Mardi du 18 novembre 2025

Séance commune de l’Académie nationale de Pharmacie et de l’Académie nationale de médecine

« Intelligence artificielle et nouveaux traitements »

 

 

Intelligence artificielle et recherche clinique

Jean-Yves BLAY (ANM. Centre Léon Bérard, Lyon)

Les outils d’intelligence artificielle (IA) sont essentiels dans la transformation de la recherche clinique, surtout en oncologie. Les modèles de langage de grande taille (LLM) améliorent l’interaction des cliniciens avec les données textuelles. Cependant, il est important de relier ces technologies à des évaluations solides et à une bonne intégration dans les hôpitaux.

Les outils d’IA ont considérablement augmenté le nombre de composés testés pour la découverte de médicaments, surtout en oncologie. L’IA aide à augmenter la quantité de composés, leur diversité, leur pertinence biologique. Un exemple de succès est l’identification du silmitasertib, un nouveau candidat pour améliorer le signal immunitaire sur des cellules cancéreuses.

La méthode de prédiction des structures protéiques par IA a été transformée grâce à AlphaFold et ses versions ultérieures. AlphaFold3 peut maintenant prédire avec précision la structure de complexes impliquant divers types de molécules. Les résultats cliniques récents montrent que les médicaments développés grâce à l’IA ont des taux de réussite en phase 1 beaucoup plus élevés que ceux obtenus par des méthodes traditionnelles, atteignant entre 80 % et 90 %, contre 40 % à 60 % pour les méthodes classiques. De nombreux outils numériques ont été créés pour faciliter la correspondance entre patients et essais cliniques, utilisant le traitement du langage naturel.

L’IA contribue à normaliser les terminologies, détecter les incohérences et coder automatiquement les événements indésirables, ce qui rend les données d’essai plus complètes et fiables.  Le projet européen Cancer Genome Interpreter (CGI-Clinics) automatise l’interprétation des données génomiques des cancers, visant à doubler le taux d’altérations interprétées, avec des résultats à venir. L’intégration des données de vie réelle (RWD) et des preuves en vie réelle (RWE) change l’évaluation des traitements, car ces données sont reconnues par les agences comme la FDA et l’EMA comme valables pour compléter ou remplacer les données d’essais randomisés.

Le AI Act, en vigueur depuis août 2024, encadre les systèmes d’IA à haut risque, y compris les applications médicales. L’Agence européenne des médicaments soutient cette évolution avec un plan d’action et un document sur l’usage de l’IA. La sécurité, l’équité, l’explicabilité et la responsabilité doivent être intégrées dès la conception des systèmes.

La méthodologie pour prouver la valeur clinique privilégie les études prospectives, idéalement randomisées et multicentriques, surtout lorsque l’IA influence des décisions thérapeutiques. Des alternatives comme les études avant-après peuvent être utilisées quand la randomisation stricte n’est pas possible. En plus des métriques classiques (AUROC, F1 score), il est essentiel de rapporter des métriques liées aux bénéfices cliniques, telles que le temps de recrutement et les coûts opérationnels.

Une étude récente souligne que l’utilisation de GPT-4 au Dana-Farber Cancer Institute est efficace pour la documentation clinique et les réponses aux patients, mais entraîne des défis éthiques, juridiques et techniques. L’intégration de l’IA en oncologie pourrait améliorer les réunions de concertation, l’appariement à des essais cliniques et la prédiction d’événements, tout en nécessitant des données de qualité et des ressources adéquates.

 

Applications de l’intelligence artificielle à la découverte de nouveaux traitements contre les maladies auto-immunes

Philippe MOINGEON (ANP, Université Paris Saclay, Orsay)

Les maladies auto-immunes (MAI) sont des maladies chroniques où le système immunitaire attaque les tissus et organes du patient. Les options classiques de traitement utilisent des immunosuppresseurs et des corticostéroïdes. Des médicaments biologiques récents améliorent le traitement en visant spécifiquement les cytokines et présentent moins de toxicité.

La modélisation computationnelle des maladies est essentielle pour développer une médecine de précision. Elle utilise des technologies multi-omiques et de l’IA pour analyser la complexité des maladies et la diversité des patients. Les avancées en IA ont permis d’exploiter ces données pour identifier des sous-groupes de patients et des biomarqueurs. Des taxonomies moléculaires pour le SjS et le LED ont été établies, ouvrant la voie à des traitements adaptés.

La modélisation du SjS et du LED aide à documenter comment ces maladies se développent, en montrant des similitudes et des différences biologiques entre les sous-groupes de patients. Les chercheurs utilisent des logiciels pour analyser les gènes et protéines dérégulés dans le sang et les organes des patients. Ces études révèlent des altérations fréquentes dans les voies liées à l’activation des lymphocytes et à la signalisation des cytokines.

Les applications récentes de l’IA au calcul en réseau permettent d’évaluer l’impact des gènes liés à la maladie sur le système biologique. Des interactomes moléculaires sont créés pour illustrer la maladie, révélant que certains gènes, appelés hubs ou master regulators, sont influents. Ces gènes sont des cibles thérapeutiques potentielles. Bien que leur modélisation soit complexe, elle pourrait permettre de sélectionner des cibles avec un fondement scientifique solide. Un modèle de causalité pour le syndrome de Sjögren a été élaboré, confirmant l’importance de certains gènes connus et suggérant de nouvelles cibles.

Les approches d’apprentissage profond basées sur des réseaux neuronaux sont communément appliquées à la prédiction des propriétés de petites molécules chimiques et d’oligonucléotides antisens synthétiques. Toutefois, de récentes applications de l’IA concernent l’aide à la conception d’anticorps monoclonaux, qui constituent aujourd’hui une modalité thérapeutique privilégiée dans les MAI. Des associations médicamenteuses constituent une option valide pour améliorer le traitement des principales MAI, avec de premiers essais cliniques initiés chez les patients atteints de LED ou de SjS. Le recours à la modélisation computationnelle augmentée par l’IA apparait légitime pour prédire l’efficacité de multiples traitements combinatoires possibles.

L’IA est utilisée par planifier, exécuter et superviser les essais cliniques en tirant des enseignements des essais antérieurs, en facilitant la sélection des patients et en interprétant les données rapportées par les patients à partir d’appareils portables, réduisant ainsi la nécessité de visites physiques à l’hôpital. Ces modèles utilisant l’IA consistent dans les jumeaux numériques et les patients virtuels.

Les patients virtuels sont utilisés pour prédire l’efficacité des candidats-médicaments à travers des modèles mécanistiques basés sur la pharmacologie quantitative des systèmes (PQS). Ces modèles intègrent des données biologiques et cliniques, permettant de créer des cohortes virtuelles de patients afin d’analyser l’efficacité thérapeutique. En outre, l’apprentissage automatique a été employé pour identifier des signatures moléculaires et sélectionner des patients susceptibles de répondre favorablement à des traitements anti-interféron.