Servier et Google misent sur l’IA pour accélérer la recherche médicale

Pour concevoir un médicament, l’idée d’une molécule prometteuse ne suffit pas. Il faut comprendre une maladie, sélectionner une cible biologique, tester des composés, produire des preuves d’efficacité et de sécurité, puis mener des essais chez l’être humain. Dans cette chaîne longue et coûteuse, le groupe pharmaceutique français Servier entend confier davantage de tâches d’analyse et de priorisation à l’intelligence artificielle.

Présent dans plus de 150 pays, Servier a annoncé, en janvier 2025, un nouvel accord de cinq ans avec Google. L’ambition est d’intégrer plus largement l’IA, dont l’IA générative, aux activités de recherche et développement du laboratoire. Il ne s’agit pas de laisser un algorithme « inventer » seul un traitement, mais de mieux exploiter des volumes de données difficiles à traiter manuellement afin d’orienter plus vite les décisions scientifiques.

Un accord qui s’inscrit dans une collaboration engagée en 2022

Le partenariat annoncé s’appuie sur une première coopération conclue en août 2022. Cette étape avait permis de poser les fondations d’une infrastructure technologique destinée à sécuriser des données essentielles à l’organisation et à faciliter le déploiement de projets d’intelligence artificielle.

Le nouvel accord vise désormais un usage plus concret de ces capacités dans les programmes de recherche de Servier. L’enjeu dépasse la simple automatisation de tâches administratives. Dans l’industrie pharmaceutique, une mauvaise décision précoce peut conduire à investir des années de travail dans un candidat-médicament qui ne démontrera finalement pas un bénéfice suffisant, ou dont le profil de sécurité ne permettra pas de poursuivre le développement.

Le groupe cherche donc à utiliser l’IA pour renforcer plusieurs maillons du processus, depuis l’exploration des mécanismes biologiques jusqu’à l’organisation de certains aspects des essais cliniques. Cette approche relève aussi d’une logique industrielle : mieux sélectionner les projets les plus solides et identifier plus tôt ceux qui ont peu de chances d’aboutir.

Pourquoi l’IA intéresse autant la recherche pharmaceutique

Le développement d’un médicament peut atteindre 15 ans. Cette durée s’explique par la succession d’étapes nécessaires, mais aussi par le niveau d’exigence attendu avant qu’un traitement puisse être proposé à des patients. Les chercheurs doivent notamment passer d’une compréhension théorique d’une maladie à des résultats observés dans des systèmes biologiques, puis dans des études cliniques rigoureuses.

L’intelligence artificielle peut intervenir en amont, là où la quantité d’informations à considérer est considérable. Les équipes de recherche travaillent avec des publications scientifiques, des données biologiques, des résultats expérimentaux, des informations sur les molécules et des données issues d’études. Ces éléments n’ont pas toujours le même format ni le même niveau de qualité. Leur rapprochement demande du temps et une expertise très spécialisée.

Dans ce contexte, un outil d’IA peut aider à repérer des corrélations, à classer des hypothèses ou à faire ressortir des signaux qui méritent une validation par des scientifiques. Il peut aussi accélérer l’examen de très grands ensembles de données médicales. Servier veut s’appuyer sur cette capacité pour mieux comprendre l’évolution biologique des pathologies et la manière dont les médicaments peuvent agir sur elles.

Cette accélération potentielle ne supprime toutefois pas les étapes de preuve. Une prédiction informatique reste une hypothèse tant qu’elle n’a pas été confrontée à des expériences, puis évaluée dans le cadre d’études cliniques adaptées. L’intérêt de l’IA est donc surtout de rendre l’exploration plus ciblée et de faire gagner du temps aux équipes sur les pistes les plus pertinentes.

Une soixantaine de cas d’usage identifiés par Servier

Servier indique avoir identifié environ 60 cas d’usage de l’intelligence artificielle. Ils couvrent des activités distinctes, avec un fil conducteur : accélérer le passage d’une question scientifique à une décision susceptible d’être testée.

La notion de cible thérapeutique est centrale. Il peut s’agir, par exemple, d’une protéine ou d’un mécanisme biologique impliqué dans une maladie. Avant même de rechercher une molécule, les scientifiques doivent déterminer sur quel levier agir. Une IA capable de rapprocher des données variées peut aider à proposer ou à hiérarchiser des cibles, mais le choix final requiert toujours une évaluation biologique et médicale.

Le criblage de composés répond à une autre question : parmi un très grand nombre de molécules, lesquelles pourraient agir sur la cible retenue ? L’IA peut contribuer à prioriser les composés à tester. Elle ne remplace pas les essais expérimentaux, mais elle peut réduire le nombre de pistes examinées à l’aveugle et concentrer les ressources sur les plus prometteuses.

Gemini et l’IA générative, des outils d’analyse à encadrer

L’accord donne à Servier accès à des solutions avancées de Google, notamment aux grands modèles de langage de la famille Gemini. Ces modèles, souvent désignés par l’acronyme anglais LLM, sont conçus pour traiter et générer du langage. Dans un cadre de recherche, ils peuvent notamment aider à organiser, résumer ou interroger des informations textuelles complexes.

Leur intérêt potentiel est important lorsque les connaissances sont dispersées entre de nombreux documents, bases de données ou comptes rendus. Un modèle de langage peut faciliter la navigation dans cet ensemble, formuler une synthèse initiale ou aider à comparer des informations. Mais sa réponse ne doit pas être assimilée à une vérité scientifique établie.

Les systèmes génératifs peuvent produire des erreurs, mal interpréter un contexte ou présenter une information incertaine avec une formulation convaincante. Dans la recherche médicale, où une approximation peut orienter un programme dans la mauvaise direction, l’intervention de spécialistes est indispensable. Les résultats fournis par l’IA doivent être vérifiés, documentés et confrontés aux données disponibles.

Des essais cliniques plus numériques et potentiellement plus ciblés

Servier envisage aussi des applications liées aux essais cliniques. Ces études permettent d’évaluer chez des volontaires ou des patients l’efficacité et la sécurité d’un traitement. Elles sont essentielles, mais leur préparation et leur conduite sont complexes : il faut définir des critères scientifiques précis, trouver les participants concernés, recueillir des données de qualité et assurer un suivi rigoureux.

Le groupe cite la numérisation des essais cliniques, le recrutement ciblé et la gestion des études à distance parmi les pistes de travail. L’analyse de données médicales pourrait aussi contribuer à identifier des sous-populations de patients répondant plus favorablement à certains traitements. C’est l’un des principes de la médecine de précision : reconnaître que deux personnes ayant le même diagnostic peuvent ne pas réagir de la même façon à une thérapeutique.

L’intérêt est particulièrement manifeste pour les maladies rares, souvent associées à des besoins médicaux non couverts. Lorsque le nombre de patients est limité et que les connaissances disponibles sont fragmentées, l’identification de profils pertinents et la construction d’études adaptées sont des défis majeurs. Servier espère que l’IA aidera à augmenter les chances de succès de ses programmes dans ces domaines.

Cela suppose néanmoins une attention continue à la qualité et à la sécurité des données. Les informations médicales sont sensibles, et l’utilité d’un système dépend directement de la fiabilité, de la pertinence et de la gouvernance des données qu’il utilise. La première collaboration avec Google avait précisément mis l’accent sur la sécurisation de données essentielles et sur une base technologique apte à soutenir ces initiatives.

Ce qu’il faut surveiller dans les cinq prochaines années

Le partenariat entre Servier et Google traduit une évolution de fond : l’intelligence artificielle s’installe comme une couche d’assistance dans l’ensemble de la recherche pharmaceutique, de la découverte précoce à l’étude de profils de patients. Pour le laboratoire, l’enjeu des cinq années de l’accord sera de convertir les cas d’usage identifiés en outils réellement utiles dans les programmes de recherche.

Le premier indicateur à suivre sera la capacité de ces outils à améliorer concrètement les décisions prises en amont : sélection de cibles, hiérarchisation de molécules et compréhension des mécanismes de maladie. L’IA sera d’autant plus pertinente qu’elle aidera les équipes à éviter des impasses, plutôt qu’à produire davantage d’hypothèses difficiles à vérifier.

Le deuxième enjeu concerne les essais cliniques. La promesse d’un recrutement mieux ciblé et d’une gestion plus numérique devra s’accompagner de procédures rigoureuses, adaptées à la sensibilité des données et à la réalité des parcours de soins. Les technologies peuvent faciliter certaines opérations, mais elles ne diminuent pas l’exigence scientifique nécessaire pour démontrer le bénéfice d’un médicament.

Enfin, la valeur du partenariat se mesurera à sa capacité à rapprocher l’innovation des besoins des patients, notamment dans les maladies rares. L’IA peut accélérer l’exploration et personnaliser davantage la recherche. Elle ne raccourcira pas à elle seule toutes les étapes du médicament, mais elle peut contribuer à rendre ce parcours plus éclairé, plus efficace et mieux orienté vers les traitements qui ont le plus de chances d’aboutir.