Une majorité des grandes entreprises pharmaceutiques ont adopté l’IA

Les capacités de l’intelligence artificielle appliquée à la biologie ont massivement progressé ces dernières années, en témoignent les avancées majeures du logiciel AlphaFold de DeepMind, largement utilisé par la communauté des chercheurs, qui, au-delà de la prédiction des structures protéiques, est capable désormais de calculer un large éventail d’interactions moléculaires complexes.

L’IA et le machine learning (ML) exigent au départ de produire des données structurées en grande quantité. Avant d’arriver à cette étape, les entreprises biopharma concentrent leurs efforts sur “l’amélioration de la connectivité et de l’orchestration des systèmes existants”, note le rapport. Aujourd’hui, c’est chose acquise : la quasi-totalité (90%) des répondants déclarent avoir investi dans des plateformes de données R&D. “Les entreprises biopharma ne peuvent pas soutenir leur activité si elles n’ont pas de plateforme R&D. Les clients ont besoin de structurer et standardiser la donnée, qui ne fait qu’augmenter. 80% des répondants prévoient que les données R&D doubleront au cours de la prochaine année”, déclare Meritxell Orpinell, Senior Leader des services professionnels chez Benchling en Europe et en France.

Des disparités entre petits et grands laboratoires

En 2024, seules 23% des petites entreprises biopharma ont adopté l’IA et le machine learning, contre 67% des grandes entreprises biopharma. 

Cet écart d’adoption traduit des priorités d’investissement différentes. Les grandes entreprises classent l’IA en deuxième position de leurs priorités d’investissement dans les trois prochaines années. Cette stratégie vise à faire avancer leur pipeline de R&D plus vite :  72% d’entre eux estiment que l’IA aura “un impact majeur sur la rapidité dans les 12 à 24 prochains mois”. “De plus en plus de grandes entreprises biopharma se servent de l’IA pour accélérer leur R&D et obtenir des avantages compétitifs. Ce n’est d’ailleurs pas un hasard : “cette stratégie anticipe l’expiration de l’exclusivité des brevets” commente à mind Health Meritxell Orpinell.

Pour les petits laboratoires, l’enjeu est ailleurs. Les petites entreprises biopharma ont plus de peine à investir dans la modernisation de leur infrastructure technologique que les grandes entreprises. Elles privilégient les plateformes de données R&D (89%) à l’IA et au machine learning (23%) ou à la robotique (27%). Face aux difficultés de recrutement et d’accès aux données structurées, les petites structures se contentent souvent de projets pilotes. Ainsi, soutient Meritxell Orpinell, “les petites entreprises privilégient l’amélioration de la qualité et la réduction des erreurs en R&D à la vitesse de découverte”. 

Des cas d’usages divers

L’IA et le machine learning (ML) sont largement utilisés dans les premières étapes de la recherche, notamment pour l’identification de cibles (59 %), l’identification de candidats (60 %) ainsi que pour leur optimisation et leur sélection (55 %). En revanche, des projets plus récents, tels que la conception de médicaments de novo, affichent une adoption plus limitée (37 %).

Dans la phase de développement clinique, l’IA est adoptée pour le processus de développement de lignées cellulaires, la conception de bioprocédés et formulations, ainsi que les jumeaux numériques, avec 55 % des répondants signalant une utilisation significative.

L’IA tient également un rôle dans des fonctions transversales, telles que le reporting (44 %) et la conformité réglementaire (49 %).

Les freins au déploiement de l’IA

L’accès à des professionnels qualifiés représente un obstacle majeur à l’adoption de l’IA. Au sein des petites entreprises, seulement 17 % des répondants estiment disposer des “talents nécessaires”. Les grandes entreprises misent davantage sur des partenariats et des fusions-acquisitions avec des techbio, des entreprises biotech nativement tournées vers le numérique et l’IA. 

Concernant l’intégration des flux de travail entre les laboratoires humides et secs, les progrès sont aussi lents à observer. Pour les grandes entreprises biopharmaceutiques, il s’agit même du principal obstacle à la préparation de l’IA : 41 % des répondants seulement estiment être suffisamment préparés dans ce domaine. Pour mettre en œuvre une intégration optimale, le rapport suggère l’adoption de certains comportements, comme la mise en place de “systèmes de gestion partagés” ou l’adoption d’une “sémantique commune” entre les experts du dry et du wet lab.