Comment Invenis et Servier rendent la R&D “data driven”


L’industrie pharmaceutique génère aujourd’hui des millions voire des milliards de données. Le coût de la recherche et développement (R&D) s’élève, selon les études, à un à trois milliards de dollars. Le Leem rappelle que “pour 10 000 molécules criblées, dix feront l’objet d’un dépôt de brevet”. Les dépenses et les délais de R&D pourraient être limités par une exploitation optimale des data. Pour répondre à ces enjeux, le laboratoire Servier s’est rapproché dans le cadre du Digital Pharma Lab, de la start-up Invenis, dont l’ambition est de répondre aux besoins business par l’analyse des données. Grâce à cet accompagnement, ces deux acteurs sont parvenus à mettre au point un cas d’usage en seulement quelques jours. Retour sur une collaboration data driven promettant de bouleverser les méthodes de R&D de l’industrie pharmaceutique.  



Double pitch et méthode d’accélération jusqu’au cas d’usage

“L’objectif du Digital Pharma Lab est d’accélérer les liens entre des start-up dont le produit a déjà commencé à être considéré par le marché et les laboratoires pharmaceutiques”, analyse pour mindHealth Pascal Bécache, également cofondateur du Digital Pharma Lab (DPL). Présentant le projet mené avec Invenis lors du DemoDay de DPL le 24 avril 2020, Thierry Dorval, en charge du pôle d’expertise de criblage au sein de l’Institut de recherche du laboratoire Servier, a déclaré que “la préoccupation était d’accélérer la transformation du groupe vers une approche plus ‘data driven’, afin d’apporter un support en termes d’analyse de données et d’applications d’intelligence artificielle.” Selon lui, “le ‘gap’ existant entre les équipes métiers remontant difficilement ses problématiques de terrain et les datascientists ayant du mal à identifier ces dernières, est encore trop important pour parvenir à faire émerger des projets à haute valeur ajoutée”. C’est dans ce cadre que nous avons débuté la collaboration avec Invenis, pour arriver à faire communiquer ces deux parties, tirer une plus-value des data dans un ‘workflow’ classique de ‘drug discovery’ et identifier une plateforme logicielle qui permettrait à l’ensemble des collaborateurs de s’acculturer à la datascience en montant en compétences.”

Quant à Invenis et son logiciel de business intelligence augmentée, l’enjeu était de tester un modèle d’analyse de données auprès d’équipes métiers en leur fournissant un outil simple, leur permettant de modéliser leur activité sans avoir systématiquement recours à un datascientist. “À l’origine, l’objectif était de donner plus d’autonomie aux équipes métiers en leur amenant les données et les technologies pour les traiter”, relate à mindHealth Grégory Serrano, cofondateur d’Invenis. À travers un accompagnement personnalisé, “on ‘désilote’ la donnée et on la rend accessible aux équipes qui en ont besoin. L’équipe métier a deux grandes qualités : elle connaît ses données et ses besoins. Notre outil lui permet de mettre en place ses cas d’usages.”

Outre la mise en relation, pour optimiser la réalisation de ce projet commun, le DPL chaperonne ces deux acteurs à l’aide d’une méthode d’accélération. “Dans la Silicon Valley, il se dit que la vitesse de développement des start-up est sept fois plus rapide que celle des entreprises plus traditionnelles”, a rappelé Didier Tranchier, cofondateur du DPL lors du Demo Day. Chaque partie est spécifiquement suivie par un Customer Success Manager, ce qui permet de s’assurer du progrès dans la méthodologie jusqu’à la conclusion d’un accord. “L’objectif est d’aller très vite, pour deux raisons : d’une part la start-up dispose généralement de peu de financements et de temps devant elle et ne peut donc pas attendre un ou deux ans que le laboratoire se décide, d’autre part c’est également dans l’intérêt du laboratoire d’apporter une réponse rapide et de s’adapter en s’affranchissant de l’éventuelle lenteur des comités et procédures internes”, souligne Pascal Bécache. Créée en juillet 2019, le DPL est une société “privée et indépendante des pouvoirs publics ou d’autres entreprises privées qui dispose distinctement de partenaires industriels et financiers (Bpifrance, EIT Health, business angels santé)”, précise Pascal Bécache. “Ces structures et la nôtre sont complémentaires, nous sommes quelque part dans la logistique du dernier kilomètre : nous permettons à ces start-up de rencontrer leur marché. Ces dernières n’ont pour autant pas vocation à devenir les prestataires des laboratoires”.


La “citizen datascience”


En seulement 8 jours, Servier et Invenis ont élaboré une preuve de concept d’analyse de données avancées. “Une première étape de conseil et d’audit consistait à accompagner au quotidien un biologiste, Sylvian Dubourg, par définition non expert en datascience mais expert de son métier, de ses données et de leur valeur, dans la prise en main de notre logiciel et l’exploitation de ses propres données”, explique Grégory Serrano. Jusqu’à une seconde étape : l’autonomie voire la capacité en interne de former d’autres membres de son équipe. C’est ce qu’on appelle ‘la citizen datascience’.” Invenis parie sur le fait qu’en transformant leur besoin en cas d’usage, les experts métiers, via le traitement de données, seront les plus à-mêmes d’obtenir rapidement des résultats qualitatifs d’une plus grande valeur. “Autonomes, ils peuvent itérer facilement par eux-mêmes, gagner du temps en s’affranchissant des étapes d’expression des besoins et cahier des charges.”, ajoute Grégory Serrano.

Il explique qu’en pratique, le projet consistait à tester des molécules (ARN) dans l’objectif de développer des thérapies innovantes. Les équipes de Servier et Invenis ont travaillé sur 200 échantillons. Grâce au machine learning, elles ont pu analyser ces données de manières descriptive et multidimensionnelle afin de mettre en évidence des échantillons hors normes et détecter des corrélations ou des comportements anormaux. S’en est suivi une analyse de simulation et de prédiction comportementale permettant de décrypter des variables discriminantes en mimant des seuils afin de détecter les échantillons susceptibles de mieux réagir. Cela permet d’observer s’il existe une cohérence entre les résultats obtenus sur les données et les résultats réels. Une étape de clustering comparait des groupes de molécules par rapport à d’autres. “Tout traitement de données a été réalisé dans le respect du RGPD, des directives de la CNIL, et sur des datacenters français hébergés chez OVH”, détaille Grégory Serrano.



Valoriser les données grâce à une solution unique et scalable


”Une fois la technique du cas d’usage mise en place, un passage à l’échelle est possible. Un programme traite la donnée, comme un datascientist (nettoyage, structuration voire enrichissement), puis on peut effectuer des calculs simples (statistiques) ou complexes (algorithmiques) avec du machine learning, ce qui permet d’augmenter le volume de données à l’envie”, poursuit-il. Au final, le livrable, via datavisualisation, a permis de restituer des résultats intelligibles (tableaux de bord, cartographie, histogrammes) sur toute la chaîne de la donnée, accessibles 24h/24 à distance, automatisés et mis à jour avec les données sources.

“Nous générons aujourd’hui des quantités de données énormes et jusqu’à présent n’en tirions pas toujours le meilleur parti”, témoigne Sylvian Dubourg qui a joué le rôle d’expert analyse métier au cours du projet. “Désormais nous pouvons effectuer rapidement des analyses nous-mêmes tout en améliorant la qualité du dialogue en interne avec les datascientists.” Ainsi, chez Servier, les équipes métiers sont plus aptes à identifier des problématiques data driven plus matures, ce qui décharge au quotidien les datascientists de projets à faible valeur ajoutée, pouvant désormais se concentrer sur des sujets très complexes à très forte valeur ajoutée.

Le laboratoire réalise actuellement un retour d’expérience en interne afin d’évaluer la possibilité d’investir massivement dans le déploiement de cette plateforme logicielle, afin d’étendre ce POC (Proof of concept) à d’autres analyses et d’autres métiers qui mettraient en place leurs propres cas d’usages. L’objectif étant de pouvoir à terme “fédérer les initiatives ‘data driven’ à tous les niveaux de l’entreprise”, un véritable ‘game changer’, qualifie Thierry Dorval. Virginie Dominguez, arrivée début 2020 au post de chief digital, data et systèmes d’information officer du groupe, évoque d’ailleurs dans mindHealth le souhait stratégique de faire du digital un levier de la transformation du groupe et ainsi contribuer à son développement international.

Quant à Invenis, cette expérience fut l’opportunité de démontrer la valeur de sa solution sur le marché des laboratoires pharmaceutiques. La start-up envisage à moyen et long termes de travailler avec d’autres industries de santé, “voire des hôpitaux et des officines, notamment sur des problématiques de gestion de stock de médicaments” pointe Grégory Serrano.



La datascience peut en effet s’appliquer plus largement à une analyse de valeur, que ce soit en R&D ou sur l’analyse de tests, ce qui permet d’améliorer la valeur de la recherche et donc la valeur économique créée à travers cette utilisation.