Après avoir dirigé pendant plus d’une décennie la pratique des biotechnologies chez Andreessen Horowitz, qui a atteint la gestion d’environ 4 milliards de dollars, Vijay Pande est parti en juin de l’année dernière pour fonder avec Zach Werner la société d’investissement plus petite VZVC. La nouvelle entité s’appuie chaque année sur un nombre limité de paris ciblés, tout en utilisant l’intelligence artificielle et des agents logiciels afin de réduire le besoin d’une équipe d’investissement traditionnelle.
Mais l’évolution du modèle d’investissement n’est pas le seul axe de la vision de Pande. Il estime que l’intelligence artificielle fait progressivement passer la biologie d’un domaine fondé sur des découvertes dispersées et la chance à un domaine qui peut être davantage conçu et mis au point. Cela concerne notamment l’identification de cibles thérapeutiques, la conception de médicaments et l’optimisation des phases des essais cliniques, qui constituent l’une des parties les plus coûteuses du développement d’un médicament.
De la découverte à la conception
Selon Pande, les technologies d’apprentissage automatique ont permis aux ordinateurs de traiter une complexité biologique qu’il était difficile d’analyser avec les méthodes traditionnelles. Au cours de la dernière décennie, des avancées parallèles se sont accumulées dans l’intelligence artificielle appliquée à la biologie et à la chimie : la première se concentre sur la compréhension des maladies et des moyens de les traiter, tandis que la seconde vise à inventer des composés ciblant des protéines précises.
Ces avancées ne signifient pas que le développement des médicaments est devenu bon marché ou garanti. Pande affirme que le temps et le coût nécessaires pour atteindre les essais cliniques ont commencé à diminuer, mais que la conduite d’un essai peut encore nécessiter des centaines de millions de dollars. Il indique également que la probabilité qu’un médicament passe avec succès du premier essai à la fin du troisième est d’environ 20 %, ce qui signifie que l’échec de huit médicaments sur dix augmente le coût calculé de chaque médicament réussi.
Pande doute que l’utilisation de données synthétiques ait effectivement réduit le coût des essais cliniques dans la mesure généralement avancée ; il décrit cette perspective comme une ambition plutôt qu’une réalité accomplie. Il relie également une grande partie des échecs des médicaments à la faible capacité des modèles animaux, comme les souris, à prédire ce qui se produira chez les humains. De son point de vue, un modèle d’intelligence artificielle ne sera pas parfait, mais il pourrait, dans certains cas, dépasser la capacité prédictive des modèles animaux.
La médecine de précision a besoin de données sur l’individu
Cette vision s’étend au-delà de la découverte du médicament, vers le choix du traitement le plus approprié pour chaque patient. Pande explique que la pratique médicale repose largement sur la comparaison des résultats des examens d’un patient avec des moyennes de population, alors que la question la plus importante pourrait être de savoir à quel point le résultat est inhabituel pour cette personne en particulier.
Il estime que le génome seul ne suffit pas ; le génome ressemble au plan d’une maison au moment de sa construction, mais il ne décrit pas nécessairement son état plusieurs années plus tard. C’est pourquoi d’autres mesures, comme la protéomique, gagnent en importance pour comprendre l’état actuel de l’organisme. Par ailleurs, l’automatisation et les mesures robotiques fournissent de nouvelles quantités de données qui peuvent être associées à des modèles d’intelligence artificielle.
Le problème des données fermées
La biologie se distingue des textes disponibles en ligne sur un point essentiel : les entreprises ne peuvent pas simplement recueillir leurs données biologiques sur le web et entraîner des modèles avec celles-ci. Par conséquent, chaque entreprise tend à constituer son propre ensemble de données, ce qui limite la possibilité d’entraîner des modèles communs ou de transférer facilement les connaissances d’un modèle à un autre.
Pande estime que la mise au point de vastes atlas d’informations biologiques, souvent sous la forme de modèles fondamentaux, pourrait changer cette trajectoire. Il s’attend à ce que les modèles biologiques open source jouent un rôle comparable à celui joué par les grands modèles de langage ouverts dans leur concurrence avec les modèles commerciaux. Toutefois, cette approche reste liée à la volonté des entreprises et des chercheurs de partager des données ayant une valeur commerciale et scientifique.
Qu’est-ce qui change concrètement ?
VZVC se concentre sur deux domaines principaux mentionnés par Pande : l’intelligence artificielle au service des soins de santé et l’intelligence artificielle appliquée aux essais cliniques. Il affirme que le fonds prévoit environ cinq investissements par an, et non trente, avec une participation directe de lui-même et de Werner dans les entreprises sélectionnées. Il recherche également des fondateurs intègres qui envisagent une relation à long terme, plutôt qu’une compétition de courte durée pour remporter un tour de financement très convoité.
La principale conclusion de l’intervention de Pande est que le principal obstacle à l’intelligence artificielle médicale n’est pas l’algorithme à lui seul. Même si les modèles s’améliorent, la qualité, la disponibilité et la possibilité de partager les données restent des facteurs déterminants. De même, le succès de la technologie en laboratoire ne garantit pas son succès commercial ; Pande reconnaît que l’accès au marché peut être plus difficile que la construction de la technologie elle-même.
Ainsi, l’intervention présente une vision optimiste mais conditionnelle : l’intelligence artificielle pourrait améliorer le choix et la conception des cibles médicamenteuses ainsi que l’orientation des traitements, mais elle ne peut pas créer des données biologiques inexistantes ni supprimer les risques des essais cliniques. Les questions ouvertes concernant le partage des données, la validation des modèles chez l’être humain et la transformation des résultats scientifiques en produits applicables restent des facteurs qui détermineront si le passage de la « découverte » à l’« ingénierie » deviendra une transformation pratique de grande ampleur.