ARAB NEWS JP. 
ARAB NEWS PK. 
PARIS : Trouver un médicament contre la dengue grâce à l'intelligence artificielle (IA)? Ce n'est pas de la science-fiction mais le projet lancé récemment par une ONG européenne, nouveau signe que l'IA a désormais sa place dans le médicament.
L'ONG Drugs for Neglected Diseases Initiative, qui cherche des cures contre des maladies négligées, a lancé en avril un partenariat avec BenevolentAI, une société britannique qui travaille à développer de nouvelles molécules grâce à l'IA. BenevolentAI n'en est pas à son coup d'essai. Elle a notamment mis au jour, durant la pandémie, le rôle que peut jouer dans le traitement des malades du Covid-19 une molécule, baricitinib, développée par le laboratoire Eli Lilly pour une autre maladie.
On pourrait penser que l'IA est désormais mise à toutes les sauces. Mais dans le secteur du médicament, le changement est plus que cosmétique. Début 2020, Exscientia, start-up écossaise, a mis au point avec le laboratoire pharmaceutique japonais Sumitomo Dainippon une première molécule "construite" par l'IA, entrée en essai clinique.
"Ca n'est pas futuriste: l'intelligence artificielle est une approche méthodologique du traitement de la donnée, qui peut servir dans plusieurs étapes du processus de développement de l'industrie du médicament", estime le docteur Thomas Borel, directeur des affaires scientifiques de la fédération des entreprises du médicament (Leem).
Une visite dans les locaux parisiens de la start-up française Iktos, fondée en 2016, fait comprendre le changement d'ère. Ici, on ne trouve aucun microscope ni appareil de biologie, aucun laborantin en blouse blanche. Mais des écrans d'ordinateurs à foison, qui vont croiser des masses de données de santé à une vitesse qu'aucun cerveau humain ne pourrait atteindre.
"L'idée est d'exploiter les données déjà existantes pour obtenir de nouvelles molécules intéressantes, plus rapidement", explique Yann Gaston-Mathé, le dirigeant de la start-up, qu'il a cofondée en 2016.
Son équipe a pour cela utilisé une base mondiale contenant les données de 100 millions de molécules. A partir de celle-ci, "nous avons entraîné un modèle qui va générer automatiquement de nouvelles molécules, et identifier celles qui seront actives sur des cibles biologiques d'intérêt", dépeint Yann Gaston-Mathé.
Iktos a même mis en place une plateforme de recherche de molécules par intelligence artificielle, qu'elle fournit sur abonnement aux sociétés pharmaceutiques.
Intérêt des grands labos
Aqemia, start-up issue de l'École nationale supérieure-PSL, créée en 2019, développe de son côté une plateforme de découverte de médicaments grâce à la physique statistique inspirée du quantique.
"Nous utilisons une intelligence artificielle que l'on dit générative", souligne le fondateur, le chercheur Maximilien Levesque. "On invente des molécules qui vont se coller sur une cible biologique spécifique responsable d'une maladie. L'intelligence artificielle est nourrie par la physique: on a juste besoin de connaître la nature physique de la molécule et de la cible pour calculer leur affinité", décrit-il.
Si les start-up sont à la pointe, les grands laboratoires se penchent de plus en plus sur la question, et y mettent le prix. Le géant américain Bristol-Myers Squibb a ainsi passé un accord avec Exscientia l'an dernier, à qui il pourrait verser plus d'un milliard de dollars. Les Gafam sont aussi de la partie: en 2019, le laboratoire suisse Novartis et le géant Microsoft ont annoncé leur collaboration sur le sujet.
Est-ce pour autant la fin du chimiste dans son laboratoire? Il existe des difficultés majeures, dont l'accès à des données exploitables. Sans oublier la nécessité de trouver les futurs spécialistes des données, experts à la fois en intelligence artificielle et en questions de pharmacologie.
Il y a en outre un aspect réglementaire important, juge Thomas Borel, du Leem. "On utilise par exemple l'IA pour réaliser un bras virtuel de patients lors d'un essai clinique. Mais pour qu'ensuite ce médicament soit accepté, il faut que les systèmes réglementaires reconnaissent la valeur de l'algorithme", dit-il.
"Cela fait des années que les médicaments sont conçus avec l'aide d'ordinateurs", commente de son côté Yann Gaston-Mathé, qui dit vouloir apporter "des outils supplémentaires aux chimistes, sans vouloir remplacer l'homme par la machine".
L'intelligence artificielle en santé, un grand besoin de formation
L'intelligence artificielle dans la santé peut prendre diverses formes: aide au diagnostic, au développement de médicaments... Dans tous les cas, elle nécessite de nouvelles compétences, dit le professeur Xavier Tannier, chercheur au laboratoire d'informatique médicale et d'ingénierie des connaissances en e-Santé à l'université de Paris, la Sorbonne.
De quoi parle-t-on quand on évoque l'intelligence artificielle (IA) en santé?
L'IA, de façon générale, c'est essayer de mettre en œuvre des systèmes qui simulent le raisonnement humain. C'est un terme chapeau, sous lequel il y a différentes disciplines scientifiques, qui ont souvent pour projet d'assister l'intelligence humaine plutôt que de la remplacer par une intelligence artificielle.
Prenons le cas du +machine learning+: c'est un système d'apprentissage, l'une des branches de l'IA. L'idée est de partir de données de santé annotées par des humains. Par exemple, un ensemble d'images avec une indication faite par le médecin: est-ce que telle mammographie indique un cancer, et à quel stade de développement ? Est-ce que le compte rendu médical parle de tumeur métastasée? Il y a donc ce jeu de données annotées par l'humain, qui a donné la bonne réponse. Le système va apprendre à reproduire cette réponse. S'il arrive à généraliser ce qu'il a appris sur ce jeu de données d'entraînement, il va être capable de l'appliquer à un jeu de données qu'il n'a jamais vu.
Cela peut par exemple aider au diagnostic, ou aussi aider au traitement: si des données montrent que des patients avec des profils similaires ont mal réagi à telle ou telle ligne de traitement, cela peut donner des indications sur la thérapie à suivre.
Quelles sont les limites de cette IA?
Il y a des limites techniques assez importantes, spécifiques aux données de santé. Il faut montrer que l'on peut reproduire un modèle appris à partir des données de tel service ou de tel hôpital pour un autre hôpital, voire un autre pays. C'est notamment compliqué car ce sont des données confidentielles, donc pas faciles à partager. Dans d'autres domaines que la santé, il existe de grands jeux de données qui sont partagées dans le monde, cela va donc beaucoup plus vite. Ca n'est pas le cas ici. Nous avons une réglementation qui est peut-être plus restrictive en Europe, en tant que chercheur je m'arrache les cheveux, mais en tant que citoyen je suis satisfait, c'est un environnement plus sain.
Il y a une autre question, celle de l'acceptabilité par les praticiens. Les patients et les médecins n'accepteront telle ou telle aide au diagnostic que s'ils font confiance à cet outil.
Est-ce que la France est bien placée par rapport notamment aux Gafam américains?
La France et plus largement l'Europe ont une recherche de qualité, avec la possibilité de mettre en œuvre les infrastructures qu'il faut. Il y a peut-être un retard du point de vue technique par rapport aux États-Unis, mais nous avons une carte à jouer.
Il faut encourager des parcours multidisciplinaires: il faut former les profils ingénierie et maths informatiques aux enjeux de la santé: pas seulement aux aspects techniques, mais aussi aux questions de données en vie réelle, de réglementation.
C'est déjà le cas, mais par rapport aux besoins, on est loin du compte. Toutefois, les choses sont en train d'évoluer, de grands plans sont mis en place. De nouvelles formations et de nouveaux métiers vont émerger, ce sont des profils précieux.
