IA pour la découverte de médicaments : Guide étape par étape (2026)

Mis à jour 16 Oct 2026 · Vérifié par l'équipe éditoriale de Zekai

L’intelligence artificielle est désormais un outil standard en R&D pharmaceutique et biotechnologique, mais ce n’est pas une solution unique et magique. Il s’agit d’un ensemble de techniques computationnelles appliquées à différentes étapes du processus long, coûteux et sujet à l’échec de mise sur le marché d’un nouveau médicament. Pour les chercheurs en activité, la clé est de savoir quel type d’IA utiliser pour quelle tâche. Ce guide présente le workflow pratique, étape par étape, utilisé dans l’industrie en septembre 2026, en nommant les logiciels et les processus impliqués.

Ce workflow est la manière dont les chercheurs des principaux laboratoires d’innovation pharmaceutique et biotechnologique intègrent l’IA dans leur travail quotidien. ZEKAI évalue tous les outils de manière indépendante ; nos recommandations sont basées sur des données accessibles au public et sur notre analyse du marché actuel.

Le taux de succès des essais cliniques de phase II pour les médicaments découverts par IA est d’environ 40 %, ce qui est comparable à la moyenne historique de l’industrie. Bien que l’IA ait considérablement amélioré les taux de succès de sécurité de phase I à 80-90 %, elle n’a pas encore résolu le défi plus vaste de l’efficacité clinique.

Le workflow de découverte de médicaments par IA en 6 étapes

L’IA ne remplace pas la méthode scientifique ; elle l’accélère et l’affine. Les programmes de découverte les plus efficaces utilisent l’IA et les expériences de laboratoire dans une boucle de rétroaction continue : l’IA propose des possibilités, les expériences les valident, et les données résultantes améliorent la prochaine génération de modèles.

Voici le processus en six étapes, de l’hypothèse biologique initiale à la préparation de la soumission réglementaire.

Étape 1 : Identification et validation de la cible

Ce que c’est : La première étape consiste à décider *quel* processus biologique cibler. Cela implique d’identifier une protéine, un gène ou une voie qui joue un rôle causal dans une maladie et qui est « druggable » – ce qui signifie qu’une petite molécule ou un produit biologique peut moduler son activité en toute sécurité.

Comment l’IA aide : Cette étape dépendait traditionnellement d’années de recherche universitaire. Aujourd’hui, les plateformes d’IA agissent comme de puissants moteurs de connaissance. Elles ingèrent et connectent des ensembles de données massifs et disparates – génomique, protéomique, données cliniques et millions d’articles scientifiques – pour faire émerger de nouvelles connexions entre les gènes et les maladies.

• Graphes de connaissances : Des plateformes comme BenevolentAI et PandaOmics d’Insilico Medicine construisent de vastes réseaux de relations biologiques pour proposer de nouvelles cibles que les chercheurs humains pourraient manquer.
• Analyse de la littérature : Les modèles de PNL trient des millions de publications pour trouver des preuves à l’appui ou contradictoires pour une cible potentielle, économisant des milliers d’heures de recherche.
• Analyse omique : Les modèles d’apprentissage automatique analysent les données génomiques et protéomiques des populations de patients pour trouver des corrélations statistiquement significatives entre des marqueurs biologiques spécifiques et des états pathologiques.

Le résultat de cette étape n’est pas un médicament ; c’est une hypothèse hautement validée avec une justification biologique et basée sur des données solides.

Étape 2 : Criblage virtuel et génération de molécules de novo

Ce que c’est : Une fois la cible sélectionnée, la recherche d’un « hit » commence. Historiquement, cela impliquait le criblage à haut débit (HTS), où des robots testaient physiquement des millions de composés d’une bibliothèque chimique contre la protéine cible. C’est lent, coûteux et limité par le contenu de la bibliothèque.

Comment l’IA aide : L’IA offre deux approches plus rapides, moins chères et plus étendues.

1. Criblage virtuel à haut débit (vHTS) : Au lieu d’un criblage physique, les modèles d’IA prédisent la qualité de la liaison de milliards de composés numériques à la cible. Des plateformes comme Atomwise utilisent l’apprentissage profond pour cribler de vastes bibliothèques virtuelles (contenant plus de molécules qu’il n’en existe sur Terre) en quelques jours, et non en mois, identifiant ainsi un ensemble plus restreint et plus prometteur de candidats à la synthèse.
2. Conception de novo (générative) : C’est là que l’IA générative excelle. Au lieu de simplement cribler des molécules existantes, ces plateformes conçoivent des molécules entièrement nouvelles à partir de zéro, optimisées pour la structure 3D spécifique de la cible et les propriétés souhaitées. Cela permet aux chercheurs d’explorer un nouvel espace chimique au-delà des bibliothèques existantes.

Swipe the table sideways →

Étape 3 : Prédiction ADMET et de toxicité

Ce que c’est : Une molécule qui se lie parfaitement à sa cible est inutile si elle est toxique, ne peut pas être absorbée par le corps ou est métabolisée instantanément. ADMET signifie Absorption, Distribution, Métabolisme, Excrétion et Toxicité – les propriétés clés qui déterminent si un composé peut devenir un médicament.

Comment l’IA aide : La prédiction précoce des propriétés ADMET est l’une des contributions les plus significatives de l’IA. Historiquement, les problèmes ADMET étaient une cause principale d’échecs en phase avancée, après que des centaines de millions de dollars aient été dépensés.

Les modèles d’IA sont entraînés sur de vastes ensembles de données historiques de composés pour prédire ces propriétés *in silico* (par calcul) avant même qu’une molécule ne soit synthétisée. Cela permet aux équipes de :

• Triage précoce : Éliminer les composés présentant une forte probabilité de toxicité ou une mauvaise pharmacocinétique (PK) dès l’étape de conception.
• Optimiser la sécurité : Utiliser des modèles génératifs pour modifier un composé prometteur, améliorant son profil de sécurité tout en maintenant sa puissance.
• Réduire les tests sur animaux : En signalant les échecs probables par calcul, l’IA réduit le nombre de composés qui doivent être avancés vers les études précliniques sur animaux.

Bien qu’aucun modèle ne soit parfait, la prédiction ADMET basée sur l’IA améliore considérablement la qualité des candidats qui progressent, ce qui est une raison majeure pour laquelle les médicaments découverts par l’IA affichent des taux de succès de 80 à 90 % dans les essais de sécurité de phase I.

Étape 4 : Optimisation de la tête de série

Ce que c’est : Les composés « hit » de l’étape 2 sont rarement parfaits. L’optimisation de la tête de série est un cycle itératif où les chimistes synthétisent et testent des dizaines de variations d’une molécule prometteuse pour améliorer ses propriétés – augmenter la puissance, améliorer la sélectivité et affiner son profil ADMET.

Comment l’IA aide : Ce cycle de « conception-synthèse-test-analyse » est considérablement accéléré par l’IA.

• Optimisation multiparamétrique (MPO) : Des plateformes génératives comme Iktos peuvent prendre un composé tête de série et suggérer des modifications qui améliorent simultanément plusieurs propriétés, gérant les compromis complexes qui défient les chimistes médicinaux.
• Guidage prédictif : Au lieu de s’appuyer uniquement sur l’intuition chimique, les chimistes utilisent les prédictions de l’IA pour décider quelles modifications sont les plus susceptibles de réussir, concentrant les ressources du laboratoire sur les meilleurs paris.
• Gestion des données : Des plateformes comme Convexia aident à gérer l’énorme quantité de données générées pendant ce cycle itératif. En structurant les données de différentes expériences (par exemple, tests de puissance, tests de solubilité), elles créent les ensembles de données de haute qualité nécessaires pour entraîner des modèles prédictifs plus précis pour le cycle suivant.

Cette boucle laboratoire humide/laboratoire sec, où les prédictions computationnelles guident le travail de laboratoire et les résultats de laboratoire affinent les modèles, est le cœur de la découverte de médicaments moderne, basée sur l’IA.

Étape 5 : Planification de la synthèse (Rétrosynthèse)

Ce que c’est : Une molécule magnifiquement conçue est sans valeur si les chimistes ne peuvent pas trouver comment la fabriquer. La rétrosynthèse est le processus qui consiste à remonter d’une molécule finale pour déterminer une voie de réaction chimique étape par étape viable.

Comment l’IA aide : Les outils de rétrosynthèse basés sur l’IA analysent une molécule cible et proposent un plan de synthèse, souvent en quelques minutes. Des plateformes comme Manifold de PostEra et Spaya d’Iktos sont entraînées sur des millions de réactions chimiques publiées. Elles peuvent :

• Identifier les voies de réaction connues.
• Prédire la probabilité de succès d’une réaction.
• Suggérer des voies alternatives pour éviter les étapes coûteuses ou à faible rendement.

Cette capacité est cruciale pour l’IA générative. En intégrant un score de synthétisabilité directement dans le processus de conception, ces plateformes évitent de créer des « molécules fantaisistes » impossibles à produire, garantissant que la créativité computationnelle est ancrée dans la chimie du monde réel.

Étape 6 : Points de contrôle réglementaires et de conformité

Ce que c’est : Le développement de médicaments opère sous une stricte surveillance réglementaire, principalement de la part d’agences comme la Food and Drug Administration (FDA) américaine. Toutes les données soumises pour appuyer une nouvelle demande de médicament doivent être fiables, dignes de confiance et auditables.

Comment l’IA aide : L’IA n’est pas exemptée des exigences réglementaires. Son utilisation dans des environnements GxP (Bonnes Pratiques) introduit de nouveaux défis de conformité, notamment en ce qui concerne l’intégrité des données et la validation des modèles.

• Pistes d’audit (21 CFR Part 11) : Tout système d’IA qui crée ou modifie un enregistrement utilisé dans une soumission réglementaire doit être conforme à la 21 CFR Part 11. Cela signifie que le système doit disposer de pistes d’audit sécurisées, générées par ordinateur et horodatées, qui documentent chaque action. Pour une IA, cela devrait inclure non seulement l’action de l’utilisateur, mais aussi la version du modèle utilisée, les données d’entrée et la sortie brute avant examen humain.
• Développement de médicaments basé sur des modèles (MIDD) : La FDA encourage activement l’utilisation de modèles computationnels par le biais de son programme Model-Informed Drug Development (MIDD). Ce cadre offre une voie aux promoteurs pour discuter et obtenir des retours sur leur utilisation des modèles d’IA/ML dans les soumissions réglementaires, traitant la sortie du modèle comme une source de preuves valide lorsqu’elle est correctement validée.
• Plan d’action IA/ML : Le plan d’action IA/ML de la FDA décrit son approche de la réglementation des algorithmes d’« apprentissage » adaptatifs, y compris le concept d’un « plan de contrôle des changements prédéterminé », où les fabricants peuvent pré-spécifier comment leur modèle évoluera après l’approbation sans nécessiter une nouvelle soumission pour chaque mise à jour.

Pour les chercheurs, cela signifie documenter le « contexte d’utilisation » pour chaque outil d’IA : à quelle question a-t-il servi à répondre, sur quelles données a-t-il été entraîné, comment a-t-il été validé, et comment ses résultats sont-ils examinés et enregistrés ?

Pièges et limites courants

L’IA est un outil puissant, mais ce n’est pas une panacée. Les principaux obstacles ne sont souvent pas les algorithmes, mais les données.

• Qualité des données : Les modèles d’IA ne sont aussi bons que les données sur lesquelles ils sont entraînés. Des données expérimentales bruyantes, éparses ou mal structurées conduisent à des prédictions peu fiables.
• Le problème du « proxy » : La plupart des tests de laboratoire (proxys) sont des substituts imparfaits de ce qui se passe dans un corps humain. Un modèle d’IA peut être parfaitement optimisé pour un point final proxy défectueux, conduisant à un composé qui fonctionne in vitro mais échoue chez un patient.
• Interprétabilité : De nombreux modèles d’apprentissage profond sont des « boîtes noires », ce qui rend difficile de comprendre *pourquoi* ils ont fait une certaine prédiction. Cela peut rendre difficile pour les scientifiques de faire confiance aux résultats et de construire de nouvelles hypothèses.
• Le goulot d’étranglement de l’efficacité : Bien que l’IA se soit avérée efficace pour concevoir des molécules sûres (passant la phase I), elle n’a pas encore significativement amélioré le taux d’échec de la phase II, où les médicaments sont testés pour leur efficacité. Cela reste le défi principal de l’industrie.

L’avenir de l’IA dans la découverte de médicaments dépend de la génération de données biologiques de meilleure qualité et plus pertinentes, et de la construction de modèles plus interprétables pour les scientifiques humains qui doivent finalement prendre les décisions. En tant que professionnel de la R&D pharmaceutique et biotechnologique, comprendre à la fois la puissance et les limites de ces outils est essentiel.