Vers une concrétisation de la “pharma 4.0” – janvier 2024

Une dématérialisation accélérée depuis 3 ans

Dans la dernière édition de son Global Life Sciences Outlook publiée en mai 2023, Deloitte examine entre autres la manière dont la pandémie a conduit de nombreuses entreprises du secteur des sciences de la vie à dématérialiser leurs opérations à vitesse forcée.

L’heure est à la réduction des coûts et des délais tout en améliorant le « time to market » des découvertes issues des laboratoires grâce à la collecte et au partage de données qualifiées tout au long de la chaîne de valeur, et ce, que l’on considère les logiciels et plateformes cloud qui ont permis aux entreprises d’organiser le travail et la collaboration à distance, en interne ou avec des tiers, notamment pour les études cliniques et l’obtention de « preuves en situation réelle », ou que l’on observe l’intégration rapide des algorithmes d’intelligence artificielle et d’apprentissage automatique dans les process de R&D et de fabrication.

Dans la quête de productivité et d’innovation, l’automatisation, l’Iot, les wearables, les thérapies numériques et les réalités virtuelle et augmentée ne seraient pas en reste dans leur passage du stade de simples concepts à la mise en application accélérée. De plus en plus considérée comme un avantage concurrentiel, l’adoption des nouvelles technologies ne va toutefois pas sans accroître considérablement les risques cyber auxquelles les entreprises de la pharmaceutique et les matériels médicaux peuvent se retrouver confrontées, avec de lourdes pertes à la clé, suggérant que des efforts supplémentaires restent à consentir pour que les acteurs du secteur acquièrent une maturité numérique à même de sanctuariser la confiance des utilisateurs finaux, en particulier les patients.

L’IA, porteuse d’innombrables promesses

Les entreprises des sciences de la vie adopteraient de manière croissante l’intelligence artificielle, qu’elle soit appliquée à l’analyse des données cliniques et des données sur les patients, à la gestion de la supply chain et de la logistique, à la conception des médicaments, aux contrôles de qualité ou à la maintenance prédictive des process de fabrication.

Elle gagne également du terrain pour l’analyse comportementale prédictive, que ce soit en interne pour évaluer les attentes des employés ou pour améliorer la compréhension des besoins des médecins. Les collaborations entre acteurs des nouvelles technologies et leaders des sciences de la vie devraient donc continuer à fleurir à l’avenir, ce qui n’ira pas sans susciter des changements d’envergure dans les flux opérationnels, les pratiques cliniques et les stratégies axées sur les données, y compris pour la sous-traitance.

L’intelligence artificielle aurait plus particulièrement le potentiel de transformer la découverte de médicaments et les ciblages médicamenteux par sa capacité à extrapoler des concepts et des relations à partir des données qui lui sont fournies, comme les antécédents des patients et leur télésurveillance, tout en les croisant avec les publications scientifiques et d’autres sources d’information publiées ou non publiées, notamment les résultats d’essais antérieurs.

En facilitant les interfaces que les e-sciences de la vie requièrent entre la chimie, la biologie et la physique, les modèles prédictifs peuvent ainsi fournir de nouvelles hypothèses de recherche, si ce n’est accélérer la découverte de médicaments et la rendre plus abordable et plus efficace. Depuis 2021, une réelle accélération de la conception de médicaments assistée par IA serait d’ores et déjà observable dans les demandes d’autorisations déposées aux USA.

Promise à des développements très intéressants à mesure que son utilisation se généralisera, l’intelligence artificielle fait toutefois émerger de nouveaux risques, notamment liés à la bonne compréhension de la manière dont les réponses sont obtenues et sur la base de quelles données. Les acteurs des sciences de la vie doivent particulièrement rester vigilants quant aux biais existants dans leurs corpus de données et leur potentielle propagation par les modèles entraînés, sans oublier le respect des droits à la vie privée des patients lors de la collecte massive des données employées pour alimenter ces modèles. Loin de se laisser distraire par des technologies potentiellement « hype » et au-delà des projets pilotes, les entreprises doivent rester concentrées sur des besoins très concrets d’optimisation de leurs process en vérifiant la capacité de passage à l’échelle des solutions qu’elles choisiront d’adopter et leur éventuelle complémentarité avec des technologies déjà en place.

Considérée comme la prochaine grande nouveauté technologique, les attentes sont également de plus en plus grandes quant aux promesses des calculs quantiques appliqués aux sciences de la vie, bien qu’elles ne soient que marginalement associées en corrélation directe avec les récentes mesures prises par les gouvernements.

La France semble notamment déterminée à jouer un rôle clé dans les développements futurs de l’« économie quantique », avec le lancement d’un Centre européen de sciences quantiques et d’une Maison du Quantique hébergée par Station F pour soutenir l’écosystème en plein essor. La Grande-Bretagne devrait également être prête à relever le défi puisqu’elle a annoncé des financements de 14 M£ pour sa stratégie quantique, 300 M£ pour lancer un nouvel AI Research Resource et un investissement de 117 M£ dans 12 centres de formation doctorale en IA de l’UKRI.

Un impact environnemental à ne pas négliger

En plein essor dans les sciences de la vie, les modèles prédictifs ne peuvent qu’accélérer en termes d’applications futures, y compris sur des problématiques environnementales si l’on en croit le nombre exponentiel de publications associant la recherche sur le développement durable et l’intelligence artificielle ou le machine learning.

Il ne fait aucun doute que les chercheurs en informatique et en intelligence artificielle contribueront à la réalisation des objectifs de développement durable et la découverte de nouvelles solutions face aux enjeux du changement climatique. Néanmoins, les discussions risquent de se déplacer rapidement sur la manière dont la durabilité de l’informatique elle-même peut être améliorée. Car l’essor formidable des sciences informatiques soulève en effet de plus en plus de préoccupations environnementales en raison des empreintes carbone, des besoins énergétiques et des ressources matérielles associées à la course à la puissance de calcul et à l’emploi de modèles qui fonctionnent désormais à des échelles sans précédent et qui restaient inimaginables jusqu’à il y a peu.

La démocratisation de modèles d’intelligence artificielle générative comme ChatGPT semble avoir suscité un appel à l’éveil au sein de la communauté scientifique. Conscients de ces problèmes, les milieux académiques et les institutions gouvernementales étudient d’ores et déjà de nouveaux moyens de réduire les coûts environnementaux de l’intelligence artificielle, de l’apprentissage automatique, de l’apprentissage profond et du recours au cloud.

Au-delà de rechercher des processeurs graphiques, des puces et des data centers plus économes en ressources, la quête se concentre désormais sur des algorithmes qui seraient eux mêmes plus économes en énergie, tout en continuant à améliorer la rapidité et l’efficacité des calculs qu’ils permettent. Des méthodologies spécifiques sont également attendues pour aider les chercheurs à mieux estimer l’empreinte carbone et les impacts environnementaux de leurs propres projets de recherche impliquant des calculs appliqués aux sciences de la vie.

Tandis que la communauté des chercheurs se dote progressivement de nouveaux principes fondateurs sur la manière dont les sciences de la vie et les sciences informatiques devraient montrer la voie en matière de réduction des émissions de gaz à effet de serre, il pourrait devenir urgent de mettre en place des incitations plus importantes pour soutenir les innovations qui aideront les développeurs d’intelligence artificielle à réduire l’impact de leurs systèmes sur l’environnement.