Comment tirer le meilleur parti de l'IA dans la recherche biopharmaceutique ?

L'apprentissage automatique peut aider les chercheurs à accomplir des tâches scientifiques plus rapidement et plus efficacement - si les laboratoires prennent des mesures pour assurer une intégration transparente.

Le Big Data est bel et bien arrivé. Mais malgré leur immense potentiel, elles posent des défis sans précédent aux chercheurs de l'industrie. "Les scientifiques, qu'ils soient techniciens ou chercheurs principaux, passent beaucoup trop de temps à chercher dans les données", explique Zareh Zurabyan, directeur d'eLabNext, un spécialiste de la numérisation des laboratoires.

Dans peu de temps, il y aura trop de données à gérer sans assistance. "L'accélération rapide de la production de données a dépassé la vitesse à laquelle les êtres humains peuvent les assimiler de manière significative", déclare Erwin Seinen, fondateur et directeur général d'eLabNext. "Cela signifie que l'intelligence artificielle (IA) deviendra une nécessité, et pas seulement une nouveauté, pour la biotechnologie."

L'apprentissage machine (ML) et d'autres outils basés sur l'IA offrent de nombreuses possibilités de transformer le processus de recherche. Ces algorithmes peuvent, par exemple, gérer l'exécution d'expériences multi-instruments automatisées ou identifier des modèles au sein d'un pipeline de recherche. Lorsque ces outils sont directement couplés à des carnets de laboratoire électroniques (ELN), tels que celui développé par eLabNext, il devient possible d'intégrer de manière transparente des capacités d'IA dans le flux de travail quotidien des chercheurs.

L'utilisation de l'IA dans le développement de médicaments n'est pas encore courante. Recherche de Deloitte en 2021 a révélé que 38% des entreprises biopharmaceutiques interrogées utilisent l'IA au quotidien, bien que 31% supplémentaires étudient l'utilisation de tels outils.

"Dans de nombreux cas, nous avons observé que les cadres supérieurs sont tout à fait favorables à l'intégration de l'IA dans leurs travaux de recherche, de découverte de médicaments et de médecine de précision", déclare Taylor Chartier, fondatrice et PDG de Modicus Prime, une société d'IA spécialisée dans les sciences de la vie. Elle souligne toutefois que l'introduction de telles capacités peut s'avérer difficile. "Les entreprises pharmaceutiques ne sont pas des entreprises de logiciels". Une numérisation efficace nécessite l'accès à des outils et services externes basés sur l'IA qui minimisent les difficultés d'intégration dans les flux de travail existants, ajoute-t-elle.

Pour les laboratoires qui ne disposent pas de logiciels, l'adoption d'outils d'IA présente de nombreux avantages. eLabNext complète sa plateforme ELN avec deux modules complémentaires d'IA, développés par Modicus Prime et ImmunoMind, une startup spécialisée dans la multi-omique unicellulaire pour le développement de thérapies cellulaires, dans le but de répondre de manière transparente aux besoins en données des laboratoires biopharmaceutiques, de l'analyse d'images à l'identification des cellules.

Comment l'IA peut-elle être utile ?

Pour les nouveaux venus dans le monde de l'IA, il peut être difficile de distinguer le battage médiatique de la réalité en ce qui concerne les capacités des systèmes. "L'IA en général peut résoudre trois types de problèmes", explique Vadim Nazarov, cofondateur et PDG d'ImmunoMind. "Elle peut automatiser de petites tâches simples, augmenter la performance de certaines tâches compliquées ou, si vous avez beaucoup de données, vous donner l'occasion d'en extraire des informations.

Avant qu'une entreprise biopharmaceutique ne décide d'adopter un nouveau système basé sur l'IA, elle doit comprendre clairement les problèmes qu'elle souhaite résoudre et la manière dont un outil peut rationaliser ou améliorer les processus existants. Il incombe donc aux entreprises d'IA de développer des outils dont les applications sont claires et convaincantes. "Il existe des entreprises d'IA vraiment incroyables qui ont accès à d'énormes quantités de données", explique M. Chartier. "Mais chaque fois que vous introduisez une nouvelle technologie, elle doit être très pertinente pour le client spécifique.

Pour Modicus Prime, cela signifie développer un outil d'analyse d'images basé sur l'IA qui peut être facilement formé à des problèmes de recherche spécifiques. Mme Chartier note que l'analyse et l'interprétation computationnelles d'images font partie des applications les plus abouties de l'IA dans le domaine des sciences de la vie. Le logiciel mpVision de son entreprise peut analyser rapidement la plupart des catégories de données d'imagerie biotechnologique. Par exemple, les utilisateurs peuvent distinguer les cellules d'intérêt des autres types de cellules ou des débris cellulaires, détecter les anomalies lors de la production de médicaments, caractériser les processus de cristallisation ou effectuer un contrôle de qualité rapide sur les produits biologiques à toute échelle - du laboratoire à l'atelier de fabrication.

Le logiciel d'ImmunoMind est conçu pour des applications immunologiques plus spécifiques, s'appuyant sur la protéomique, la transcriptomique et d'autres types de données pour aider à identifier les sous-populations de cellules T et à caractériser leur état physiologique. Cela peut être particulièrement important pour le contrôle de la qualité dans des domaines tels que l'immunothérapie du cancer, où des sous-ensembles de cellules T dérivées de donneurs sont cultivées et manipulées génétiquement pour cibler et tuer sélectivement les tissus tumoraux. "Trouver des relations entre l'expression des gènes et les différents phénotypes cellulaires est extrêmement important pour le développement des thérapies cellulaires", explique M. Nazarov. "Ce sont des tâches qui ne peuvent tout simplement pas être résolues avec des méthodes statistiques traditionnelles, mais uniquement avec des algorithmes d'apprentissage automatique.

Le laboratoire prêt pour l'IA

Dans le domaine de l'IA, les données sont reines. Les performances des algorithmes dépendent fortement de la qualité des données d'entraînement et des résultats expérimentaux qui les alimentent par la suite.

ImmunoMind s'est attaqué au premier problème en rassemblant une base de données d'entraînement basée sur l'analyse multi-omique d'un grand nombre de cellules immunitaires. L'entreprise fournit ensuite un portail convivial permettant aux chercheurs d'extraire des informations sur leurs propres cellules à partir de ces données. "Nous travaillons en étroite collaboration avec nos clients pour les aider à concevoir des expériences et des mesures de contrôle de la qualité afin d'éliminer tous les risques associés aux effets de lot et aux biais des expériences non idéales", explique M. Nazarov. En revanche, le cadre d'analyse d'images plus généralisé de mpVision est entraîné par l'utilisateur. Selon M. Chartier, 20 images représentatives d'un processus expérimental particulier peuvent suffire à préparer l'IA à évaluer les données futures provenant du même pipeline.

Aucun de ces compléments ne nécessite de formation formelle en IA ou d'expertise en biologie computationnelle, et les interfaces conviviales sont un élément standard. Il est également essentiel de disposer d'une infrastructure de gestion des données sous-jacente adéquate, telle qu'un système de gestion des informations de laboratoire (LIMS), pour pouvoir utiliser efficacement les outils d'IA.

M. Zurabyan suggère que les entreprises peuvent encore accélérer l'adoption en affectant du personnel à cette tâche. "Une approche bien accueillie consiste à confier à des chefs d'équipe le soin de consacrer du temps et des efforts à l'élaboration d'une stratégie de mise en œuvre des nouvelles technologies dans un délai précis, avec des objectifs et des étapes très clairs", explique-t-il.

Pour le personnel de laboratoire qui ne comprend pas entièrement ce que font les algorithmes, il existe une peur naturelle de l'inconnu - en effet, de nombreux systèmes d'IA ont été critiqués comme étant des "boîtes noires", reposant sur des processus alambiqués et obscurs. Mais les développeurs d'IA peuvent parvenir à une certaine transparence en expliquant les modèles mathématiques sous-jacents et en fournissant des procédures d'audit qui permettent aux utilisateurs de vérifier le travail de la machine. Cet aspect est particulièrement important pour les logiciels scientifiques destinés à être utilisés dans des environnements strictement réglementés, tels que les installations de bonnes pratiques de fabrication (BPF). Les ELN conformes aux BPF, tels que la plateforme eLabNext, permettent de suivre et d'enregistrer automatiquement le mouvement des données à travers le système et ses différents modules complémentaires.

M. Chartier encourage les chercheurs à considérer les systèmes d'IA comme un assistant potentiel à leur routine de recherche habituelle. "L'IA les aide simplement à faire ce qu'ils font bien, mais plus rapidement et plus efficacement.

Lire sur Nature