Intégrer l'intelligence artificielle aux outils de laboratoire numériques pour révolutionner les sciences de la vie

Une révolution est en cours dans les industries des sciences de la vie et de la biotechnologie, qui exploitent l'IA pour accroître l'efficacité des laboratoires, accélérer les flux de travail de développement des processus et, en fin de compte, permettre des découvertes dans la recherche sur le cancer, le développement de vaccins et bien d'autres domaines. Toutefois, les entreprises de recherche et de développement ne sont pas équipées en interne pour créer et mettre à l'échelle des logiciels d'IA, de sorte que les solutions nécessaires sont forgées grâce aux collaborations nouvelles et imaginatives entre les scientifiques des données et les experts de l'apprentissage automatique.

Le fournisseur d'outils de laboratoire numériques eLabNext, qui est à l'avant-garde de la création d'une plateforme agnostique permettant aux scientifiques d'utiliser de multiples technologies d'IA dans la R&D en sciences de la vie, relève ce défi. Nous nous sommes entretenus avec le fondateur et directeur général Erwin Seinen et son collègue Zareh Zurabyan, ainsi qu'avec Taylor Chartier et Vadim Nazarov, qui ont fondé les sociétés de logiciels d'IA Modicus Prime et ImmunoMind respectivement, pour savoir comment une telle collaboration révolutionne les flux de travail en laboratoire et l'analyse des données.

Des solutions d'IA pour relever des défis de R&D jusqu'alors insolubles

M. Seinen souligne à quel point la science s'articule autour de résultats cohérents et reproductibles, un exploit de plus en plus difficile à réaliser à l'heure où la génération de données massives assistée numériquement devient la norme dans de nombreux domaines. Mais l'IA pourrait bien être le moyen d'éliminer les goulets d'étranglement actuels, comme l'explique M. Seinen : "L'IA fournit les outils nécessaires à une analyse et à une conception expérimentale tout aussi accélérées, qui respectent les normes que nous avons suivies jusqu'à présent. Les applications de l'IA nous aideront à franchir la prochaine étape inévitable de la science".

Son collègue, M. Zurabyan, responsable d'eLabNext, Amériques, division d'Eppendorf, partage son enthousiasme : " Je suis très enthousiaste à l'idée de cette nouvelle ère des sciences de la vie et de la biotechnologie. Avec Eppendorf et eLabNext, nous sommes à l'avant-garde de ce développement, contribuant à la recherche de thérapies qui nous aideront, vous et moi, à vivre plus longtemps et en meilleure santé", ajoute M. Zurabyan.

Cet enthousiasme est en partie le fruit d'une collaboration très innovante avec deux jeunes entreprises de logiciels d'IA - Modicus Prime, qui exploite l'IA dans le traitement d'images pour la caractérisation des particules et la détection d'anomalies, et ImmunoMind, qui relie la fonction des cellules immunitaires au succès de la fabrication et du traitement des produits biopharmaceutiques. eLabNext a intégré ces deux technologies dans ses extensions.

Comprendre et adopter les nouvelles technologies de l'IA

Vadim Nazarov, fondateur d'ImmunoMind et expert en bio-informatique et en apprentissage automatique, tente de "démystifier" l'IA et de clarifier ce qu'elle est exactement. "Les technologies de l'IA marquent un changement de paradigme dans tous les domaines, explique-t-il, depuis la façon dont nous envisageons d'utiliser l'IA pour résoudre des tâches pratiques et prendre des décisions à l'aide de recommandations de l'IA, jusqu'à la façon dont nous développons et testons les logiciels d'IA.

Il insiste sur le fait que l'IA consiste à écrire des logiciels qui "apprennent par eux-mêmes à partir de données" pour résoudre une tâche spécifique. "Dans un certain sens, il s'agit de créer un environnement propice à l'apprentissage plutôt que d'écrire un algorithme", ajoute M. Nazarov. Mais le changement de paradigme ne s'arrête pas là, il va au-delà des logiciels et concerne l'éducation, la culture, les processus organisationnels et même le marketing.

Taylor Chartier, fondatrice de Modicus Prime et ancienne ingénieure et data scientist de l'industrie pharmaceutique, élargit encore cette perspective. "Le malentendu qui accompagne l'IA dans la communauté des sciences de la vie réside principalement dans la façon dont elle a été évangélisée", suggère-t-elle. "Elle peut simplement être décrite comme un modèle permettant de mieux prédire et interpréter les résultats expérimentaux en laboratoire. Ce qui rend les modèles d'IA particulièrement puissants, ce sont leurs fonctions non linéaires entrecoupées de multiples couches d'opérations linéaires, ce qui donne à ces modèles la capacité de résoudre n'importe quel problème donné avec un nombre adéquat de paramètres", ajoute-t-elle.

Chartier et Nazarov comprennent tous deux les avantages de l'adoption des technologies de l'IA dans le secteur de la santé, comme l'explique Chartier : "Des études toxicologiques préliminaires à la mise à l'échelle des bioprocédés, les scientifiques peuvent tirer parti de l'IA en intégrant les outils directement dans leurs flux de travail quotidiens. Cela peut se faire au moyen d'une plateforme de laboratoire numérique ou d'une technologie en nuage centralisée au niveau du laboratoire", explique-t-elle.

M. Chartier indique que les premiers adeptes réaliseront les avantages de la modélisation hybride dans leurs plans d'expérience, prédisant que d'ici 2030, la recherche dans le domaine du développement de médicaments se fera principalement in silico et sera validée par des preuves en laboratoire. M. Nazarov ajoute qu'il est essentiel d'être un adoptant précoce ou de travailler avec d'autres pionniers dans un nouveau domaine. "Les pionniers définissent les tendances futures du marché, ils apprennent ce qui fonctionne et ce qui ne fonctionne pas et construisent une expertise et une culture internes à partir d'essais et d'erreurs. Il est tout simplement impossible d'apprendre cela dans un autre environnement", affirme-t-il.

Aspects pratiques et limites actuelles de l'utilisation de l'IA

Selon M. Nazarov, l'introduction de la technologie de l'IA passe principalement par l'éducation, l'apport d'une nouvelle expertise et l'élimination du mystère. Travailler avec un partenaire expert externe peut également s'avérer utile. Il suggère que des recommandations plus détaillées dépendent de la structure de l'équipe. Par exemple, pour les équipes plus orientées vers la technologie, il est important de donner de la liberté pour que les gens puissent expérimenter de nouvelles technologies. Pour les équipes plus orientées vers le biomédical, il est important de parler de résultats spécifiques et des boucles de rétroaction entre l'IA et les membres de l'équipe. "Cela permet de montrer aux gens les résultats de l'IA et d'instaurer la confiance dans la technologie", explique-t-il.

En gardant la confiance à l'esprit, M. Chartier suggère que la dernière étape de l'introduction d'une nouvelle technologie d'IA consiste à élaborer une étude de cas bien définie avec l'outil afin de démontrer la valeur ajoutée quantifiable pour l'équipe, telle que l'efficacité ou les mesures de prédiction.

Chartier et Nazarov soulignent trois obstacles principaux qui limitent actuellement l'adoption réussie des technologies de l'IA : les données, la culture d'entreprise et la réglementation. Même les meilleurs algorithmes d'IA ne fonctionneront pas si les données sont de mauvaise qualité ou si elles sont rares. En ce qui concerne la réglementation, Mme Chartier explique que les organismes de réglementation, dont la FDA, pilotent encore des programmes d'IA/apprentissage automatique afin de mieux guider les fabricants de logiciels en tant que dispositifs médicaux (SAMD). Elle cite le programme Pre-Cert, qui en est encore à la phase pilote avec neuf fabricants participants, tout en ajoutant que la FDA fait un excellent travail d'enquête auprès de l'industrie et des experts en IA pour publier des conseils sur l'IA digne de confiance.

Applications inhabituelles et potentiel futur

M. Nazarov explique que l'IA peut aider à trouver de nouveaux biomarqueurs pour la stratification des patients, à développer des diagnostics ou à corriger les erreurs dans les prescriptions médicales afin de les rendre plus sûres pour les patients. "En fin de compte, il s'agit d'amener différentes perspectives à travailler ensemble sur de meilleurs instruments, car nous avons tous le même objectif : améliorer la vie des patients", conclut-il.

Mme Chartier cite l'informatique neuromorphique comme une approche passionnante qui fournit des solutions d'IA autonomes avec une capacité d'adaptation en temps réel, suggérant que de telles applications dans le domaine de la robotique continueront à améliorer la vie des patients. Elle conclut par l'observation suivante : "Dans le contexte de la biotechnologie, seulement 5% des quelque 7 000 maladies rares disposent d'un médicament approuvé par la FDA, ce qui laisse des milliers de maladies sans remède. Avec l'aide de l'IA qui renforce l'expertise des chercheurs, les entreprises de biotechnologie ont la possibilité de répondre systématiquement aux besoins de santé non satisfaits de millions de personnes."

Dans sa déclaration finale, M. Zurabyan d'eLabNext estime que "les premiers utilisateurs enterreront leurs concurrents dans cette quête de nouvelles innovations et de nouvelles thérapies". En ayant la capacité d'analyser des millions de points de données à un rythme beaucoup plus rapide que ceux qui n'utilisent pas les technologies de l'IA, les scientifiques peuvent faire moins de recherches et en faire plus", explique-t-il.

Lire sur SelectScience