Iktos veut accélérer de 50 % la découverte de médicaments grâce à l’IA

La découverte d’un médicament commence bien avant les essais menés chez l’être humain. Il faut d’abord identifier une molécule susceptible d’agir sur une cible biologique, vérifier qu’elle peut être fabriquée, puis l’améliorer à travers de très nombreux essais. C’est dans cette phase amont, longue et coûteuse, que la société française Iktos veut faire gagner du temps. Son ambition, portée notamment par son cofondateur Nicolas Do Huu, est d’accélérer de 50 % le processus de découverte médicamenteuse en associant intelligence artificielle, chimie médicinale et robotique de laboratoire.

Cette promesse mérite d’être précisée. L’enjeu ne consiste pas à laisser un algorithme inventer seul un traitement prêt à administrer à des patients. Il s’agit plutôt d’aider les équipes de recherche à explorer plus vite des candidats moléculaires crédibles, à anticiper leurs propriétés et à en organiser la synthèse. Dans un secteur où chaque décision expérimentale prend du temps, cette capacité à sélectionner de meilleures pistes peut changer le rythme du travail.

Pourquoi la découverte de médicaments est-elle si lente ?

La mise au point d’un médicament est un parcours jalonné d’incertitudes. Dans les premiers temps d’un programme, les chercheurs partent généralement d’une cible biologique liée à une maladie, par exemple une protéine dont ils cherchent à moduler l’activité. Ils doivent ensuite trouver une molécule qui interagit avec cette cible de manière utile, sans présenter de toxicité excessive ni de propriétés incompatibles avec un futur traitement.

La difficulté est que l’espace des molécules théoriquement possibles est immense. Même lorsqu’une première piste est identifiée, la transformer en candidat suffisamment performant exige d’ajuster sa structure à de nombreuses reprises. Les chimistes médicinaux modifient un fragment, font synthétiser le composé, le font tester, puis interprètent les résultats avant de recommencer. La publication d’origine évoque un cycle traditionnel pouvant aller jusqu’à 2 000 essais pour parvenir à une molécule jugée idéale.

Cette réalité est souvent résumée par la notion de loi d’Eroom. Son nom, « Moore » écrit à l’envers, décrit le constat inverse de la célèbre loi informatique : alors que les capacités de calcul ont progressé, la productivité de la recherche pharmaceutique a eu tendance à se dégrader sur le long terme. Les exigences scientifiques, sanitaires et réglementaires se sont renforcées, et les maladies restant à traiter sont fréquemment complexes.

Comment Iktos utilise l’IA pour concevoir des molécules

Iktos met l’intelligence artificielle au service d’un travail traditionnellement conduit par itérations expérimentales. Ses outils visent à générer de nouvelles structures moléculaires, puis à aider les scientifiques à choisir celles qui méritent d’être produites et testées.

L’entreprise s’appuie notamment sur des modèles génératifs inspirés des architectures de type transformer. Dans le grand public, ces architectures sont surtout connues pour leur emploi dans les assistants conversationnels. Appliquées à la chimie, elles ne produisent pas des phrases : elles peuvent proposer des représentations de molécules inédites à partir d’exemples et de contraintes fixées par les chercheurs.

Une équipe peut ainsi demander à l’outil d’explorer des composés répondant à plusieurs critères à la fois : activité attendue sur une cible, caractéristiques physico-chimiques recherchées ou encore faisabilité de synthèse. L’intérêt est d’élargir le champ des options examinées sans soumettre les chimistes à une sélection manuelle de milliers de structures.

Iktos combine ces modèles génératifs avec des modèles prédictifs reposant sur des données tabulaires. Ces derniers attribuent des scores de référence aux molécules envisagées. En pratique, la génération ouvre des pistes, tandis que la prédiction aide à les hiérarchiser. Les résultats ne remplacent pas les mesures réelles : ils servent à décider quels composés doivent passer en priorité à l’étape suivante.

La qualité de cette approche dépend fortement des données utilisées pour entraîner et évaluer les modèles. Une base riche et diversifiée permet de mieux relier une structure chimique à des propriétés observées. Mais les données ne font pas disparaître les zones d’incertitude : une prédiction informatique reste une hypothèse qui doit être confrontée à l’expérience.

De la molécule virtuelle à la synthèse en laboratoire

Proposer une structure sur un écran ne suffit pas. Encore faut-il savoir la fabriquer avec des réactions réalistes, des matières premières disponibles et un nombre raisonnable d’étapes. C’est le rôle de la rétrosynthèse, une discipline centrale de la chimie organique.

Le principe consiste à raisonner à rebours. Plutôt que de partir de réactifs pour imaginer ce qu’ils pourraient produire, le logiciel décompose la molécule cible en précurseurs de plus en plus simples. Il propose alors des voies de synthèse susceptibles de conduire au composé désiré. Les chimistes peuvent examiner ces plans, juger leur pertinence et les adapter aux contraintes pratiques du laboratoire.

Iktos associe cette planification à une automatisation robotisée. L’entreprise a relié ses systèmes d’IA à un robot de synthèse capable de participer à plusieurs tâches du flux de travail, de la planification à la gestion des stocks, en passant par l’exécution des synthèses. L’idée est de réduire les délais entre une décision de conception et l’obtention d’un résultat expérimental.

Une boucle IA-robotique plutôt qu’un logiciel isolé

L’originalité mise en avant par Iktos tient à l’intégration de ces briques dans une même chaîne de travail. Un modèle peut imaginer une série de molécules, un second estimer lesquelles sont les plus intéressantes, un outil de rétrosynthèse organiser leur préparation, puis un système robotisé exécuter des expériences. Les résultats produits en laboratoire peuvent ensuite nourrir le cycle suivant.

Ce type de boucle est parfois qualifié de laboratoire autonome ou semi-autonome. Dans les faits, l’autonomie a des limites importantes. Les chercheurs définissent les objectifs biologiques et chimiques, évaluent la cohérence des propositions, surveillent les procédures et interprètent les résultats inattendus. Une réaction peut échouer pour des raisons que les données antérieures ne permettaient pas d’anticiper. De même, une molécule séduisante dans un modèle informatique peut se révéler instable, difficile à produire ou décevante lors des tests.

L’automatisation vise donc d’abord les opérations répétitives et standardisables. Selon l’approche décrite par Iktos, un robot efficace peut prendre en charge une charge de travail qui mobiliserait plusieurs chimistes. Le bénéfice attendu est de laisser davantage de temps humain aux décisions complexes, à l’analyse et à l’invention de nouvelles stratégies de recherche.

Quels laboratoires utilisent les solutions d’Iktos ?

Les clients visés par Iktos sont principalement des laboratoires pharmaceutiques internationaux, qui peuvent intégrer ces capacités à leurs programmes de recherche et développement. En France, la publication d’origine cite notamment Servier et Pierre Fabre parmi les entreprises ayant adopté ces solutions. L’entreprise travaille également avec des acteurs implantés aux États-Unis et au Japon.

L’adoption de tels outils ne repose pas uniquement sur leur performance technique. L’industrie pharmaceutique est organisée autour d’équipes spécialisées, de procédures de validation et de données sensibles. Faire entrer un logiciel d’IA dans ce cadre exige de démontrer qu’il s’intègre aux pratiques de la chimie médicinale, qu’il fournit des résultats traçables et qu’il apporte un gain réel par rapport aux méthodes existantes.

Des résistances peuvent aussi apparaître lorsque les professionnels redoutent une remise en cause de leur métier. La réponse d’Iktos consiste à démontrer son flux de travail dans ses propres laboratoires. Cette démonstration par l’expérimentation est essentielle : dans la recherche pharmaceutique, une promesse algorithmique ne vaut que si elle débouche sur des molécules effectivement synthétisées et testées.

Où en est l’IA dans les essais cliniques ?

La publication d’origine indique qu’une dizaine de molécules générées par IA se trouvent alors en phase clinique. Ce chiffre illustre la progression du domaine, mais il ne doit pas être interprété comme la preuve qu’un médicament conçu par IA a déjà franchi toutes les étapes de développement, ni être attribué automatiquement à Iktos faute de précision sur les programmes concernés.

Une phase clinique évalue un candidat chez l’être humain selon un protocole très encadré. Elle intervient après de nombreuses études précliniques. Une molécule peut donc avoir été efficacement conçue ou optimisée par l’IA et échouer ultérieurement, comme n’importe quel candidat issu de méthodes plus conventionnelles. L’intelligence artificielle agit sur une partie du risque et du temps de recherche, pas sur toutes les causes d’échec.

L’impact économique reste lui aussi à nuancer. Des cycles plus rapides et mieux ciblés peuvent réduire le gaspillage expérimental et accélérer certaines décisions. En revanche, le prix final d’un médicament dépend de facteurs beaucoup plus vastes : ampleur des essais, production industrielle, stratégie commerciale, remboursement et politiques de santé. Un progrès dans la découverte n’entraîne pas mécaniquement une baisse du prix pour les patients.

Ce qu’il faut surveiller pour mesurer la promesse d’Iktos

L’ambition de 50 % affichée par Iktos fournit un cap clair, mais sa portée doit être examinée au niveau de chaque programme. Le bon indicateur ne sera pas seulement le nombre de molécules dessinées par une IA. Il faudra observer combien de composés proposés peuvent être synthétisés, combien donnent des résultats biologiques confirmés et combien progressent réellement vers les phases de développement suivantes.

Il faudra aussi suivre la capacité des outils à travailler sur des problèmes nouveaux, avec des données incomplètes ou des cibles biologiques peu documentées. C’est dans ces situations que la complémentarité entre calcul, robotique et expertise humaine prend tout son sens.

Pour Iktos, le défi est donc double : faire la preuve que sa plateforme permet de raccourcir les cycles de découverte et convaincre durablement les équipes pharmaceutiques qu’elle renforce leur savoir-faire. Si cette articulation fonctionne, l’IA pourrait devenir non pas un substitut à la chimie médicinale, mais un instrument de plus pour explorer plus vite des pistes thérapeutiques difficiles.