Création de patients virtuels pour tester des médicaments avant les essais réels

Un médicament expérimental de Novartis contre une forme rare de dystrophie musculaire, le del-desiran, promettait des ventes annuelles de 5 milliards de dollars, selon le directeur général de la société pharmaceutique suisse. Le mois dernier, lorsque l'essai de phase avancée n'a pas atteint son objectif, les actions de la société ont chuté de 11 % et 30 milliards de dollars de capitalisation boursière ont disparu.

L'entreprise d'intelligence artificielle BioinvestGPT l'avait déjà anticipé des mois plus tôt, avec un essai simulé qui prédisait un bénéfice clinique négligeable pour ce même médicament.

Cet épisode résume un changement qui commence à s'installer dans l'industrie pharmaceutique : l'utilisation de patients virtuels générés par l'intelligence artificielle pour anticiper le résultat des essais cliniques avant d'investir dans les coûteux tests sur des personnes réelles.

Comment fonctionne la simulation d'essais cliniques avec l'intelligence artificielle

L'industrie biopharmaceutique mondiale investit environ 140 milliards de dollars par an dans les essais cliniques sur des humains, mais les autorités sanitaires n'approuvent que environ 12 % des candidats médicaments, un chiffre qui n'a guère bougé en des décennies. C'est ce déséquilibre entre investissement et succès que plusieurs entreprises d'intelligence artificielle tentent de corriger.

BioinvestGPT, basée à Copenhague, recourt au séquençage de l'ADN pour recréer un organisme humain qui remplit les critères de sélection d'un essai clinique donné. Ensuite, elle soumet cet organisme virtuel à un test avec un modèle du médicament évalué.

Un médicament numérique affronte un patient virtuel pour prédire si le traitement sera sûr et efficace avant de l'essayer sur des personnes. La technique recrée des organismes humains à partir de données génétiques et de modèles du médicament, et permet d'anticiper en quelques semaines des résultats qu'un essai traditionnel mettrait des années à produire.

« Nous pouvons déterminer avec précision pourquoi un médicament est efficace et sûr et, dans de nombreux cas, pourquoi il ne l'est pas », a expliqué Bragi Lovetrue, qui a fondé BioinvestGPT avec son épouse Idonae Lovetrue en 2024.

QuantHealth, plateforme de simulation basée à Tel Aviv, suit une voie différente : elle utilise des données de la pratique clinique réelle et l'intelligence artificielle pour simuler la réponse aux traitements à l'échelle de chaque patient. L'entreprise a publié des simulations sur des essais de colite ulcéreuse et de médicaments pour le cholestérol.

Francisco Beca, directeur médical de QuantHealth, a résumé l'objectif de cette approche : « Nous ne devrions pas seulement nous demander comment réaliser les essais plus rapidement, mais comment mener à bien moins d'essais voués à l'échec ».

Tandis qu'un essai clinique traditionnel traverse des années de phases successives (phase 1 centrée sur la sécurité, phase 2 intermédiaire et phase 3 avec de grands groupes de patients exigée par les régulateurs), certaines simulations par intelligence artificielle complètent ce processus en un mois ou moins.

Quels résultats l'intelligence artificielle a-t-elle prédits correctement dans des essais réels ?

BioinvestGPT a partagé en juillet avec Reuters ses analyses détaillées sur le résultat probable de plusieurs essais pharmaceutiques à forte répercussion, avant la publication des données officielles. Jusqu'à présent, elle a eu raison dans cinq cas sur six.

Parmi les prédictions correctes figurent l'échec du del-desiran de Novartis, le succès du vaccin contre le mélanome développé par Moderna et Merck, un bénéfice clinique faible pour le médicament cardiaque Wainua d'AstraZeneca et Ionis, l'échec du premier essai du traitement cardiovasculaire ziltivekimab de Novo Nordisk et le succès du vaccin antipneumococcique de Vaxcyte.

Selon Lovetrue, l'objectif essentiel du secteur pharmaceutique réside dans la démonstration d'un avantage clinique supérieur par rapport au traitement de référence, et c'est précisément ce point que les simulations tentent de clarifier avant qu'une entreprise n'engage des capitaux dans un programme clinique.

Cependant, les simulations ne sont pas infaillibles. L'IA prédictive de BioinvestGPT a prédit des résultats positifs pour le pelacarsen, un autre médicament de Novartis qui réduit la lipoprotéine(a) dans le sang, une particule transportant le cholestérol. En septembre, Novartis a annoncé que le médicament n'avait pas réussi à réduire le risque d'infarctus grave ou d'AVC chez les patients présentant ce facteur de risque génétique lors d'un essai en phase avancée.

Une analyse ultérieure a révélé que l'entreprise s'était trompée sur le mécanisme, en ne tenant pas compte des variations génétiques dans la taille de cette lipoprotéine, comme l'a admis Lovetrue lui-même.

Pourquoi les laboratoires pharmaceutiques investissent davantage dans l'intelligence artificielle pour les médicaments

L'investissement dans l'IA appliquée à la découverte de médicaments a plus que doublé pour atteindre 8,4 milliards de dollars en 2025 par rapport à 2023, selon un récent rapport de McKinsey.

Le document indique que cette dépense se concentre sur les domaines où la technologie offre les meilleurs résultats, en particulier la conception de molécules, et non sur les principaux goulets d'étranglement du secteur, tels que la démonstration qu'un médicament agira comme prévu au fil d'essais prolongés.

Alex Devereson, associé chez McKinsey, a décrit la situation actuelle comme une phase de test : les entreprises pharmaceutiques sont en train de « tâtonner » dans la modélisation des essais par intelligence artificielle. Elles utilisent différentes variantes de cette technologie, tant en interne qu'avec des partenaires externes, pour des tâches telles que l'évaluation de médicaments candidats avant d'engager des capitaux dans un programme.

Les entreprises d'IA soutiennent que ces simulations permettent également de déterminer quels programmes pharmaceutiques méritent d'être menés à bien et d'évaluer la valeur des acquisitions potentielles. À mesure que les outils affinent la détection des risques cliniques, les compagnies du secteur affirment que les échecs inattendus lors des essais pourraient devenir moins fréquents.