L'IA découvre des médicaments, mais manque cruellement de données
Pourquoi ça compte pour toi
Si tu développes une solution IA ou travailles dans la biotech, comprendre ce goulot d'étranglement est critique. Le problème n'est pas technique—c'est culturel. Les laboratoires gardent secrets leurs résultats négatifs, ce qui affaiblit les modèles IA et ralentit les avancées. Sans accès à ces données « d'échec », l'IA reste handicapée.
Ce qu'il faut retenir
- 1.L'IA passe du criblage aléatoire à la conception prédictive : elle génère des candidats médicaments avant tout test en labo
- 2.Les modèles IA stagnent sur les données publiques (déjà exploitées par tous), et les résultats négatifs restent enfouis dans les carnets de labo
- 3.La manipulation d'images scientifiques devient triviale avec l'IA générative : des outils comme les empreintes cryptographiques (à la manière de la blockchain) deviennent indispensables
Tu galères avec le jargon ?
Lis la version réécrite en mode débutant — toutes les idées, sans le jargon.
Pourquoi l'IA stagne malgré son potentiel
Le coût de développer un nouveau médicament a doublé tous les 9 ans depuis les années 1950 (la fameuse loi d'Eroom). Aujourd'hui : 10 à 15 ans, 1 à 2,5 milliards de dollars, 90% d'échec. L'IA semblait être le remède : en générant des candidats médicaments avant de les tester physiquement, on réduit les risques et on gagne du temps.
Mais voilà le piège. Les modèles IA modernes sont entraînés sur des données publiques. Problème : tout le monde utilise les mêmes jeux de données. Résultat ? Les modèles convergent vers les mêmes conclusions, avec des rendements décroissants. Les modèles ne voient que les succès, jamais les échecs.
Le tabou des résultats négatifs
C'est le vrai problème. Quand un chercheur découvre qu'une molécule ne se lie pas à sa cible, il n'écrit pas de papier. Ses résultats restent enterrés dans un carnet de labo. Même raison : les revues valorisent les découvertes, pas les impasses.
Sans accès à ces données d'échec, l'IA ne peut pas apprendre ce qui ne marche pas. Elle identifie les schémas de succès, mais elle manque la moitié du tableau. C'est comme apprendre à danser en regardant que les vidéos réussies—tu finiras sur le cul.
Et maintenant : la fraude devient facile
Avant l'IA générative, manipuler une image était détectable. Les outils de Photoshop laissaient des traces. Mais les images synthétiques ? Impossible à distinguer. Elisabeth Bik, une microbiologiste néerlandaise, avait déjà trouvé que 4% des papiers biomédicaux contenaient des images dupliquées ou truquées en 2016. Avec l'IA générative, ce chiffre va exploser.
Certaines entreprises commencent à réagir : Cytiva teste des vérificateurs d'intégrité d'image reposant sur des empreintes cryptographiques (technologie blockchain). C'est un début, mais ça suppose que tout le monde adopte l'outil. Ce n'est pas pour demain.
Le futur : des labos autonomes en boucle fermée
Le rêve ? Des labos en boucle fermée : robots qui tournent 24h/24, font des prédictions IA, testent, optimisent, puis réinjectent les données dans le modèle pour la prochaine itération. Fondamental pour ça : des données fiables, structurées, non biaisées.
Mais on n'y est pas. Tant que les chercheurs ne partageront pas leurs ratés, et tant qu'il n'y aura pas de standard pour vérifier l'intégrité des données, l'IA restera bridée.
Et concrètement pour toi ?
Choisis ton profil — la lecture de l'article change selon qui tu es.
Pour toi, retiens que l'IA n'est jamais plus forte que ses données cachées. Le vrai enjeu biotech des 5 prochaines années ne sera pas l'algorithme, mais qui partage (ou non) ses échecs. C'est un problème de confiance, pas de technologie.
Source
Pour aller plus loin
Cet article t'a donné envie d'approfondir ? Deux formations Noésis t'attendent :