The short answer
Les prompts IA génériques échouent en R&D pharmaceutique car ils manquent de contexte spécifique pour l’identification de cibles, l’analyse ADMET et la documentation réglementaire. Ce guide propose 25 prompts prêts à l’emploi, adaptés aux chercheurs en pharmacie et biotechnologie, couvrant l’ensemble du processus de découverte, de la synthèse de littérature et l’analyse RSA à la rédaction de sections pour les soumissions à la FDA.
Les grands modèles linguistiques (LLM) peuvent sembler être un instrument puissant mais frustrant de par son manque de précision pour la recherche pharmaceutique. Posez une question générique, obtenez une réponse générique. La clé pour exploiter leur valeur n’est pas seulement de savoir *quoi* demander, mais précisément *comment* le demander. Un prompt bien structuré transforme une IA généraliste en un assistant spécialisé capable d’accélérer votre flux de travail.
Ceci n’est pas une autre liste de « prompts pour scientifiques ». Il s’agit d’une bibliothèque organisée, conçue pour les tâches spécifiques et à enjeux élevés de la découverte et du développement de médicaments, de la validation précoce de cibles à la rédaction réglementaire tardive. Nous les avons organisés selon les étapes réelles d’un projet de recherche. ZEKAI examine tous les outils et flux de travail de manière indépendante ; nos recommandations sont basées sur une application pratique pour les professionnels travaillant dans des domaines tels que la R&D pharmaceutique et biotechnologique.
Avant de commencer, un avertissement crucial : N’introduisez jamais de données propriétaires, non publiées ou identifiables de patients dans un LLM public. Considérez ces outils comme des environnements non fiables. Utilisez-les uniquement pour analyser des données publiques, faire du brainstorming et rédiger du texte basé sur des informations non sensibles.
Comment nous définissons un « bon » prompt pharma
Un prompt réussi pour la recherche pharmaceutique doit être :
- Spécifique : Il nomme le type exact d’analyse, le format des données et le résultat souhaité.
- Riche en contexte : Il fournit au LLM le contexte nécessaire, tel que le domaine thérapeutique, la classe de cibles ou le cadre réglementaire.
- Définissant un rôle : Il demande à l’IA d’agir en tant qu’expert spécifique (par exemple, « Agissez en tant que toxicologue computationnel »).
- Structuré : Il utilise des titres clairs et des espaces réservés (par exemple,
[ID_COMPOSÉ]) pour guider le résultat.
—
1. Prompts pour l’identification et la validation de cibles
Il s’agit de l’étape fondamentale, où les LLM peuvent agir comme un puissant moteur de synthèse de littérature et de génération d’hypothèses. L’objectif est de relier rapidement les maladies, les gènes et les voies pour identifier de nouvelles cibles prometteuses.
Agissez en tant que biologiste moléculaire. J'étudie [NOM_MALADIE], un trouble de type [TYPE_MALADIE]. Ma cible proposée est [NOM_PROTÉINE] (UniProt : [ID_UNIPROT]).
Sur la base de la littérature publique disponible jusqu'à votre dernière mise à jour, fournissez un résumé concis des preuves soutenant ou réfutant l'association entre [NOM_PROTÉINE] et la physiopathologie de [NOM_MALADIE].
Organisez la sortie en sections suivantes :
1. **Résumé exécutif (3 phrases) :** Indiquez la force globale de l'association.
2. **Preuves à l'appui :** Énumérez les principales découvertes issues d'études génétiques, précliniques et cliniques qui relient la cible à la maladie. Utilisez des puces et citez les ID PubMed (PMID) si possible.
3. **Preuves contradictoires :** Énumérez toutes les découvertes qui remettent en question l'association.
4. **Lacunes de connaissances et recherches futures :** Identifiez les questions clés restées sans réponse.
Agissez en tant que chef de projet de découverte de médicaments. Créez un bref dossier de cible pour [SYMBOLE_GÈNE] dans le contexte de [DOMAINE_THÉRAPEUTIQUE]. Le dossier doit être d'un maximum de 500 mots et formaté pour une présentation diaporama.
Incluez les sections suivantes :
- **Cible et mécanisme :** Quelle est la protéine et sa fonction biologique principale ?
- **Lien avec la maladie :** Quelle est l'hypothèse principale reliant cette cible à [NOM_MALADIE] ?
- **Évaluation de la « druggabilité » :** Cette classe de cibles (par exemple, kinase, GPCR, facteur de transcription) est-elle considérée comme « druggable » (apte à être ciblée par un médicament) ? Existe-t-il des liants connus ou des composés outils existants ?
- **Préoccupations de sécurité/toxicité :** Existe-t-il des responsabilités connues basées sur le profil d'expression de la cible ou les données de phénotype de KO ?
- **Prochaines étapes proposées :** Quelles sont les 2-3 expériences clés nécessaires pour valider cette cible ?
Mon équipe envisage [CIBLE_PROTÉIQUE] pour [MALADIE]. La protéine est une [CLASSE_PROTÉIQUE, par exemple, 'protéine d'échafaudage sans site actif connu'].
Agissant en tant que panel de chimistes médicinaux et de biologistes chimiques, proposez trois stratégies distinctes pour cibler cette cible « non-druggable ». Pour chaque stratégie, décrivez :
1. **L'approche :** (par exemple, Colle Moléculaire, PROTAC, Stabilisateur, Modulateur Allostérique).
2. **Justification :** Pourquoi cette approche est-elle adaptée à [CIBLE_PROTÉIQUE] ?
3. **Défis clés :** Quels sont les principaux obstacles à cette stratégie ?
4. **Points de départ :** Quels criblages ou essais initiaux proposeriez-vous ?
Bien que ces prompts accélèrent la recherche initiale, les plateformes d’IA dédiées à l’identification de cibles, comme Standigm ASK, utilisent des graphes de connaissances propriétaires pour effectuer cette analyse de manière systématique. L’analyse SERP note correctement que Standigm ASK est destiné à l’identification de cibles, ce qui précède le travail de conception de molécules effectué par des plateformes comme Genesis Therapeutics.
2. Prompts pour la synthèse de littérature et l’intelligence concurrentielle
Les chercheurs passent énormément de temps à passer au crible des articles et des brevets. Les LLM peuvent trier et synthétiser ce flux d’informations efficacement.
Le coût moyen estimé pour développer un nouveau médicament, y compris les échecs, soulignant la nécessité d’efficacité à chaque étape. Source: ncbi.nlm.nih.gov
Agissez en tant qu'analyste en intelligence concurrentielle pour une entreprise de biotechnologie. Je développe un [TYPE_MODALITÉ, par exemple, 'inhibiteur de petite molécule'] pour [NOM_CIBLE].
Recherchez dans le domaine public (registres d'essais cliniques, communiqués de presse, publications récentes) et générez un tableau Markdown résumant tous les candidats médicaments connus ciblant [NOM_CIBLE].
Les colonnes du tableau doivent être :
- **Nom de l'entreprise**
- **Nom du composé** (si public)
- **Modalité** (par exemple, Petite Molécule, Anticorps, ASO)
- **Phase de développement** (par exemple, Préclinique, Phase I, Phase II)
- **Point de données le plus récent** (par exemple, « Présenté à l'ASCO 2026 », « Publié dans Nature ») et l'URL source si disponible.
Je fournis des résumés de trois articles de revue sur [SUJET, par exemple, 'le rôle de l'inflammasome NLRP3 dans la neuroinflammation'].
Résumé 1 : [Coller Résumé 1]
Résumé 2 : [Coller Résumé 2]
Résumé 3 : [Coller Résumé 3]
Synthétisez ces résumés en un seul résumé narratif cohérent de 300 mots. Votre résumé doit :
1. Identifier les points de consensus entre les trois revues.
2. Mettre en évidence les points de désaccord ou les accents différents.
3. Extraire les principales « perspectives futures » ou « questions sans réponse » mentionnées par les auteurs.
J'ai téléchargé un article scientifique : [Fournir le texte de l'article ou un lien si vous utilisez un outil qui peut y accéder].
Agissez en tant qu'assistant de recherche. Extrayez les informations suivantes et présentez-les dans un format structuré :
- **Hypothèse principale :** Quelle était la question principale à laquelle l'étude visait à répondre ?
- **Modèles clés utilisés :** (par exemple, lignées cellulaires, modèles animaux).
- **Essais primaires :** (par exemple, Western Blot, ELISA, RNA-seq).
- **Principales découvertes :** Résumez les principaux résultats en 3 à 5 points, en incluant des données quantitatives si possible (par exemple, « Le composé X a montré une réduction de 50 % du volume tumoral (p<0,05) »).
- **Conclusion principale des auteurs :** Quelle a été leur interprétation finale des résultats ?
3. Prompts pour l’interprétation des prédictions ADMET et de toxicité
Bien que des modèles spécialisés prédisent les propriétés ADMET (Absorption, Distribution, Métabolisme, Excrétion et Toxicité), les LLM peuvent aider à interpréter les résultats, à recouper les découvertes avec des données publiques et à rédiger des résumés pour les non-spécialistes.
Agissez en tant que toxicologue computationnel. J'ai les propriétés ADMET prédites suivantes pour une nouvelle entité chimique, [ID_COMPOSÉ] :
- **LogP :** 3.8
- **Solubilité aqueuse (logS) :** -4.5
- **Inhibition hERG (pIC50) :** 5.2
- **Inhibition CYP3A4 :** Forte probabilité
- **Mutagénicité Ames prédite :** Négative
Sur la base de ce profil, fournissez une évaluation des risques. Structurez votre réponse comme suit :
1. **Évaluation globale :** Un résumé en une phrase de la viabilité du composé.
2. **Principales responsabilités :** Identifiez les 2-3 principaux risques (par exemple, « La forte probabilité d'inhibition du CYP3A4 suggère un risque significatif d'interaction médicamenteuse. »).
3. **Propriétés favorables :** Quels aspects du profil sont positifs ?
4. **Atténuation/Prochaines étapes :** Suggérez 2-3 expériences spécifiques ou modifications chimiques pour remédier aux responsabilités (par exemple, « Synthétiser des analogues avec une lipophilie réduite pour diminuer le risque hERG. »).
Agissez en tant que rédacteur réglementaire. Sur la base des résultats de toxicologie préclinique suivants pour [CANDIDAT_MÉDICAMENT], rédigez un projet de paragraphe de résumé pour une demande d'Investigational New Drug (IND). Le ton doit être formel, objectif et basé sur les données.
**Résultats :**
- Étude de toxicologie chez le rat sur 14 jours, gavage oral.
- Aucune mortalité jusqu'à 100 mg/kg.
- À 100 mg/kg, élévation légère et réversible des enzymes hépatiques (ALT/AST) (<2x LSN) observée.
- L'histopathologie du foie à 100 mg/kg a montré une hypertrophie centrilobulaire minimale, qui s'est résolue après une période de récupération de 7 jours.
- Le niveau sans effet indésirable observé (NOAEL) a été déterminé à 30 mg/kg.
**Résultat attendu :** Un paragraphe concis résumant ces résultats pour un public réglementaire.
Mon composé principal, [NOM_COMPOSÉ], qui possède une fraction [SOUS-STRUCTURE_CHIMIQUE, par exemple, '2-aminopyridine'], a été signalé pour une hépatotoxicité potentielle dans un modèle prédictif.
Agissez en tant que chimiste médicinal. Recherchez dans les bases de données publiques (par exemple, PubChem, ChEMBL) et la littérature des preuves d'hépatotoxicité associées à l'échafaudage [SOUS-STRUCTURE_CHIMIQUE].
Fournissez un résumé qui inclut :
1. S'agit-il d'une alerte structurelle bien connue pour les lésions hépatiques ?
2. Énumérez 2-3 exemples de médicaments ou de composés connus avec cette fraction et leur profil de sécurité hépatique associé.
3. Suggérez des remplacements bioisostériques pour la [SOUS-STRUCTURE_CHIMIQUE] qui pourraient atténuer ce risque tout en préservant l'activité cible.
4. Prompts pour l’analyse des relations structure-activité (RSA)
Les LLM ne peuvent pas remplacer l’intuition d’un chimiste médicinal, mais ils peuvent aider à organiser les données RSA et à suggérer des hypothèses pour la prochaine série de synthèse.
Agissez en tant que chimiste médicinal. Je fournis un tableau de données d'analogues pour une série d'inhibiteurs contre [PROTÉINE_CIBLE].
| ID Composé | Groupe R1 | Groupe R2 | IC50 (nM) | LE (Efficacité du Ligand) |
|---|---|---|---|---|
| Cmpd-01 | H | Phényle | 500 | 0.25 |
| Cmpd-02 | Me | Phényle | 250 | 0.26 |
| Cmpd-03 | H | 4-Cl-Phényle | 50 | 0.31 |
| Cmpd-04 | H | 2-F-Phényle | 800 | 0.23 |
| Cmpd-05 | Me | 4-Cl-Phényle | 25 | 0.33 |
Sur la base de ces données, générez un résumé concis des RSA.
- Quel est l'effet de la méthylation en R1 ?
- Comment la substitution sur le cycle phényle R2 affecte-t-elle la puissance ?
- Y a-t-il un « cliff d'activité » évident (par exemple, la substitution 2-F) ?
- Sur la base de ces données limitées, quel est le quadrant le plus prometteur à explorer (par exemple, « petits groupes alkyles en R1 combinés à des phényles para-halogénés en R2 ») ?
Sur la base du résumé des RSA du prompt précédent, et dans le but d'améliorer à la fois la puissance et l'efficacité du ligand, proposez une liste de 5 nouvelles structures chimiques spécifiques à synthétiser ensuite.
Pour chaque analogue proposé, fournissez :
1. **Structure :** (Décrivez les groupes R1 et R2).
2. **Hypothèse :** Pourquoi cet analogue est-il proposé ? (par exemple, « Pour vérifier si un groupe cyclopropyle en R1 peut améliorer l'LE tout en maintenant la puissance du Cmpd-05. »).
3. **Risque potentiel :** Quel est un résultat négatif possible ? (par exemple, « L'encombrement supplémentaire peut créer un encombrement stérique. »).
Notre équipe de projet vient de terminer une campagne d'optimisation d'un composé actif, [ID_HIT]. Nous avons synthétisé 50 analogues. Les principales découvertes ont été :
- La puissance a été améliorée de 1 µM à 10 nM.
- Le principal moteur de la puissance était une [INTERACTION_CLÉ, par exemple, 'liaison hydrogène avec la Sérine-252'].
- Cependant, tous les composés puissants souffraient d'une faible perméabilité (Caco-2 < 1 x 10^-6 cm/s) et d'une forte liaison aux protéines plasmatiques (>99 %).
Agissez en tant que chef de projet et rédigez un paragraphe « Leçons apprises » pour les archives du projet. Résumez les principaux enseignements pour les futurs projets ciblant [PROTÉINE_CIBLE].
5. Prompts pour la rédaction réglementaire et de demandes de subvention
La rédaction de documents pour la FDA ou le NIH est très structurée et répétitive, ce qui en fait un cas d’utilisation idéal pour les LLM. Ils peuvent créer une première ébauche solide qu’un expert humain pourra ensuite affiner.
Le nombre de soumissions réglementaires avec des composants IA/ML examinées par la FDA depuis 2016, indiquant une adoption rapide et une acceptation réglementaire croissante de ces technologies. Source: fda.gov
Agissez en tant que spécialiste réglementaire CMC. Je dois rédiger une sous-section pour une demande d'IND.
**Sujet :** 3.2.S.2.2 Description du processus de fabrication et des contrôles de processus
**Informations :** La substance médicamenteuse, [NOM_API], est synthétisée via une synthèse linéaire en 3 étapes.
- Étape 1 : Couplage de Suzuki de [Matière première A] et [Matière première B] à l'aide d'un catalyseur au palladium.
- Étape 2 : Déprotection Boc à l'aide d'acide trifluoroacétique.
- Étape 3 : Formation de sel avec de l'acide chlorhydrique pour obtenir l'API final.
- Chaque étape est suivie d'une purification par cristallisation.
Rédigez un paragraphe formel et descriptif détaillant ce processus de fabrication, adapté à une soumission à la FDA. Mentionnez les matières premières, les réactifs et les méthodes de purification.
Agissez en tant que rédacteur expérimenté de demandes de subvention NIH. Je souhaite rédiger une proposition de subvention R01.
**Idée de projet :** Développer un nouveau dégradeur PROTAC pour [PROTÉINE_CIBLE], qui est impliquée dans [MALADIE]. Nous avons des données préliminaires montrant que notre dégradeur principal, [COMPOSÉ_X], réduit les niveaux de protéines de 90 % in vitro.
Générez un plan détaillé pour la page « Objectifs spécifiques » de la subvention. Le plan doit inclure :
- Un paragraphe d'introduction convaincant présentant le problème.
- **Objectif spécifique 1 :** (par exemple, Optimiser le dégradeur principal pour une puissance et des propriétés DMPK améliorées). Incluez 2 sous-objectifs.
- **Objectif spécifique 2 :** (par exemple, Démontrer l'efficacité in vivo dans un modèle murin de [MALADIE]). Incluez 2 sous-objectifs.
- Un paragraphe de « retombées » concluant résumant les résultats attendus et l'impact.
Prenez le texte informel suivant et réécrivez-le dans la voix passive formelle typique d'un document de directive de la FDA.
**Texte informel :** « Nous pensons que notre modèle d'IA est plutôt bon parce que nous l'avons testé sur les ensembles de données de trois hôpitaux différents. Nous nous sommes assurés de vérifier l'absence de biais envers différents groupes d'âge et cela semblait correct. Nous prévoyons de le surveiller après le lancement pour nous assurer qu'il ne dérive pas. »
**Résultat attendu :** Un paragraphe réécrit dans un langage réglementaire formel, utilisant des termes tels que « validation », « sous-populations », « robustesse » et « surveillance post-commercialisation ».
Bonus : Prompts d’utilité générale
Ces prompts sont utiles à toutes les étapes du cycle de vie de la recherche.
- Expliquer un concept :
Expliquez [SUJET_COMPLEXE, par exemple, 'modélisation pharmacocinétique-pharmacodynamique (PK/PD)'] à un nouvel étudiant diplômé. Utilisez une analogie pour aider à clarifier. - Génération de code :
Écrivez un script Python utilisant la bibliothèque RDKit qui prend une liste de chaînes SMILES, calcule le LogP et le TPSA pour chacune, et génère un fichier CSV. - Résumer une réunion :
Je colle la transcription d'une réunion d'équipe de projet. Résumez les décisions clés prises et listez les actions à entreprendre, en les attribuant à la bonne personne. - Critiquer une hypothèse :
Agissez en tant que relecteur sceptique. Quelles sont les trois plus grandes faiblesses ou hypothèses non testées dans l'hypothèse suivante : [COLLER_HYPOTHÈSE]. - Idées de visualisation de données :
J'ai un ensemble de données avec la puissance, la perméabilité et la stabilité métabolique d'un composé. Suggérez trois types de graphiques différents dans Plotly qui pourraient être utilisés pour visualiser les relations dans ces données. - Traduire pour un autre public :
Prenez ce résumé technique de notre campagne d'optimisation de tête de série et réécrivez-le en un paragraphe de mise à jour pour une équipe de direction exécutive non scientifique. - Générer un plan de protocole :
Créez un plan de protocole expérimental détaillé pour un essai Western blot afin de mesurer les niveaux de [PROTÉINE_D'INTÉRÊT] dans les cellules [LIGNÉE_CELLULAIRE] après traitement avec un composé test.
En passant de questions génériques à des prompts hautement structurés et spécifiques à un domaine, vous pouvez faire d’un LLM un partenaire réellement utile dans votre recherche. Ces prompts constituent un point de départ ; les meilleurs résultats proviendront de leur adaptation et de leur affinement pour vos projets et données spécifiques. À mesure que l’IA s’intégrera davantage dans la R&D, maîtriser l’art du prompt sera une compétence essentielle pour chaque chercheur de l’industrie pharmaceutique et biotechnologique.
Comment l’IA peut-elle aider à la découverte de médicaments ?
Oui, l’IA peut accélérer la découverte de médicaments en analysant de vastes ensembles de données pour identifier de nouvelles cibles biologiques, en concevant de nouvelles molécules avec les propriétés souhaitées, en prédisant la sécurité et l’efficacité d’un composé, et en synthétisant des informations provenant de millions d’articles scientifiques. Cela permet aux chercheurs de prioriser les candidats plus prometteurs et de réduire les échecs coûteux.
ChatGPT peut-il être utilisé pour la conception de médicaments ?
Cela dépend. Bien que les LLM à usage général comme ChatGPT ne puissent pas effectuer les simulations biophysiques complexes nécessaires à une véritable conception de médicaments *de novo*, ils sont utiles pour des tâches adjacentes. Cela inclut le brainstorming de modifications chimiques, la synthèse des relations structure-activité et la rédaction de code pour l’analyse, mais pas la génération de structures moléculaires nouvelles et validées par eux-mêmes.
Quelles sont les limites de l’utilisation des prompts IA pour la recherche pharmaceutique ?
Il existe plusieurs limites. Les principales sont la confidentialité des données, la précision et le contexte. Les LLM publics ne doivent jamais être utilisés avec des données propriétaires. Leurs résultats peuvent être erronés avec assurance (« halluciner »), nécessitant une vérification par un expert pour chaque affirmation. Ils n’ont pas non plus accès en temps réel aux toutes dernières recherches, accusant souvent un retard de plusieurs mois ou plus.
À quel point mes prompts doivent-ils être spécifiques ?
Ils doivent être extrêmement spécifiques. La qualité du résultat est directement proportionnelle à la qualité du prompt. Un bon prompt définit le rôle de l’IA, fournit un contexte pertinent (comme la maladie ou la cible), spécifie le format de sortie souhaité (comme un tableau ou un résumé) et donne des instructions claires et univoques.
L’IA peut-elle aider à interpréter les données du criblage à haut débit (HTS) ?
Oui, l’IA est bien adaptée à l’analyse des données HTS. Bien que des modèles d’apprentissage automatique spécialisés soient utilisés pour construire les classificateurs primaires de sélection de hits, un LLM peut aider en rédigeant des résumés des résultats, en identifiant les faux positifs potentiels basés sur des échafaudages connus interférant avec les essais, et en recoupant les composés actifs avec les données de criblage historiques.
L’IA est-elle utilisée pour la conception d’essais cliniques ?
Oui, l’IA est de plus en plus utilisée pour optimiser les essais cliniques. Les applications incluent l’identification des populations de patients idéales à l’aide de données réelles, la prédiction des sites d’essai ayant le meilleur potentiel de recrutement, et l’analyse des données pour trouver des signaux précoces d’efficacité ou de problèmes de sécurité. Cela peut aider à rendre les essais plus rapides et plus susceptibles de réussir.
Comment la FDA perçoit-elle l’IA dans le développement de médicaments ?
La FDA a une vision proactive. Elle développe activement un cadre réglementaire pour les outils basés sur l’IA/ML. Leur approche, décrite dans des documents comme le plan d’action AI/ML SaMD, se concentre sur une approche de « cycle de vie total du produit ». Cela inclut les bonnes pratiques d’apprentissage automatique (GMLP), la gestion des biais algorithmiques et l’exigence de plans sur la manière dont les modèles seront mis à jour après approbation (Plans de contrôle des changements prédéterminés).
Et ensuite
Trois pistes, choisies selon ce que vous venez de lire.
Sources (24)
- [ACSH] Clinical Trial Success Rates by Phase and Therapeutic Area. (June 11, 2020). *acsh.org*
- [Centre For Human Specific Research] The Reality of Drug Discovery and Development. (December 12, 2024). *human-specific.org*
- [BIO] Clinical Development Success Rates and Contributing Factors 2011–2020. (February 2021). *bio.org*
- [Drug Target Review] AI in drug discovery: predictions for 2026. (February 16, 2026). *drugtargetreview.com*
- [Companies History] AI In Drug Discovery Market Statistics 2026. (September 2, 2026). *companieshistory.com*
- [IntuitionLabs] FDA AI/ML SaMD Guidance: Complete 2026 Compliance Guide. (March 5, 2026). *intuitionlabs.com*
- [Norstella] Why Are Clinical Development Success Rates Falling? (May 16, 2024). *norstella.com*
- [arXiv] Large Language Models in Drug Discovery and Development: From Disease Mechanisms to Clinical Trials. (September 6, 2024). *arxiv.org*
- [Applied Clinical Trials] Transforming Drug Safety Through Artificial Intelligence, Large Language Models. (March 4, 2026). *appliedclinicaltrialsonline.com*
- [Mayer Brown] The FDA AI/ML SaMD Framework: What Companies Need to Know Now. (September 1, 2026). *mayerbrown.com*
- [Drug Discovery News] The 2026 AI power shift. (February 24, 2026). *drugdiscoverynews.com*
- [PMC] Factors Affecting Success of New Drug Clinical Trials. (May 11, 2023). *ncbi.nlm.nih.gov*
- [FDA] Artificial Intelligence for Drug Development. (May 1, 2026). *fda.gov*
- [Jama Software] Navigating FDA AI Guidance for Medical Devices: A Practical Guide. (February 3, 2026). *jamasoftware.com*
- [Capital Cell] The 2.6 Billion Dollar Pill. (July 3, 2025). *capitalcell.net*
- [Mordor Intelligence] AI in Drug Discovery Market Size, Growth & Drivers Research Report 2031. (April 13, 2026). *mordorintelligence.com*
- [FDA] Artificial Intelligence/Machine Learning (AI/ML)-Based Software as a Medical Device (SaMD) Action Plan. (January 2021). *fda.gov*
- [European Pharmaceutical Review] Integrating large language models (LLMs) with traditional drug discovery methods. (September 8, 2025). *europeanpharmaceuticalreview.com*
- [PMC] Large Language Models and Their Applications in Drug Discovery and Development: A Primer. (April 10, 2025). *ncbi.nlm.nih.gov*
- [Wikipedia] Cost of drug development. *en.wikipedia.org*
- [PMC] large language models in clinical trials: applications, technical advances, and future directions. (October 14, 2025). *ncbi.nlm.nih.gov*
- [CBO] Research and Development in the Pharmaceutical Industry. (April 8, 2021). *cbo.gov*
- [RAND] Typical Cost of Developing a New Drug Is Skewed by Few High-Cost Outliers. (January 7, 2025). *rand.org*
- [PMC] How Much Does It Cost to Research and Develop a New Drug? A Systematic Review and Assessment. *ncbi.nlm.nih.gov*
Voir Zekai en premier dans Google
Le briefing IA hebdo pour votre métier
Un e-mail par semaine : les changements IA qui touchent vraiment votre métier — outils, offres, et quoi en faire.
