GSK mise 110 M$ sur l’IA et les données biologiques pour accélérer la découverte de médica
GSK place un pari de 110 millions de dollars sur les données biologiques comme colonne vertébrale de la découverte de médicaments par IA. Dans le cadre d’une collaboration pluriannuelle avec Relation Therapeutics, le géant pharmaceutique financera la création de jeux de données à grande échelle qui capturent comment les cellules humaines réagissent aux modifications génétiques et aux interventions médicamenteuses. L’objectif est d’alimenter ces données dans la plateforme d’IA MORGAN de Relation et d’autres modèles, afin de les entraîner à identifier les cibles médicamenteuses avec une précision accrue.
Du banc de laboratoire à l’algorithme
L’approche de Relation Therapeutics fusionne expérimentation en laboratoire et analyse computationnelle grâce à son système Lab-in-the-Loop. Le processus inclut le profilage tissulaire, la transcriptomique à cellule unique et spatiale, le séquençage et des expériences de perturbation qui mesurent comment des ajustements génétiques altèrent les traits cellulaires liés aux maladies. L’apprentissage automatique intervient ensuite pour prioriser les cibles, valider les résultats et même suggérer les expériences suivantes. Cette méthode en boucle fermée s’appuie sur des projets antérieurs GSK-Relation dans les maladies fibrotiques et l’arthrose, où des études observationnelles ont produit des jeux de données fonctionnels sur les maladies pour l’analyse par IA.
Les bases de données biologiques publiques restent des entrées essentielles pour entraîner les modèles d’IA, mais leur hétérogénéité pose problème. Une revue de 2025 dans Experimental & Molecular Medicine met en lumière des dépôts comme CZ CELLxGENE et l’Atlas des cellules humaines, qui offrent ensemble plus de 100 millions de profils à cellule unique standardisés. Pourtant, les différences de méthodes d’échantillonnage, de protocoles de séquençage et de pipelines de traitement introduisent du bruit technique et des redondances. Des jeux de données chevauchants risquent de biaiser l’entraînement des modèles ou de provoquer des fuites entre les ensembles de test et de validation, sapant leur fiabilité.
La qualité prime sur la quantité dans l’entraînement de l’IA
Une nouvelle recherche publiée dans Nature Methods souligne ce point. Dans une analyse portant sur 22,2 millions de cellules et 400 modèles répartis sur 6 400 expériences, les scientifiques ont constaté que les modèles de fondation à cellule unique atteignent souvent un plateau après avoir été entraînés sur une fraction des données disponibles. Des jeux de données plus volumineux ne garantissent pas à eux seuls de meilleures performances ; la diversité, la curation et le contrôle qualité sont tout aussi cruciaux. L’étude suggère que la constitution de jeux de données non redondants et de haute qualité peut compter autant que l’architecture des modèles eux-mêmes.
Pour GSK et Relation Therapeutics, cette collaboration marque un tournant : passer de la rareté des données à une stratégie de données. En ancrant le développement de l’IA dans des connaissances biologiques générées expérimentalement, elles visent à réduire les échecs dans l’identification des cibles, un goulot d’étranglement persistant dans la découverte de médicaments. Si cette approche s’avère fructueuse, elle pourrait accélérer le parcours du laboratoire au chevet du patient, à condition que les données alimentant les modèles soient aussi robustes que les algorithmes qui les traitent.
Pourquoi cela compte
Ce partenariat élève les données biologiques du rôle de simple support à celui d’actif stratégique dans la découverte de médicaments par IA. Pour les chercheurs et les développeurs de médicaments, il révèle que les prochaines avancées pourraient ne pas venir uniquement de modèles plus imposants, mais de données d’entraînement plus riches, plus propres et fondées sur des expériences concrètes. Les enjeux sont clairs : de meilleures données pourraient signifier moins d’impasses dans la sélection des cibles, des délais accélérés et, en définitive, davantage de thérapies parvenant jusqu’aux patients. Le vrai défi consistera à vérifier si ces modèles formés en laboratoire peuvent se traduire par des succès cliniques concrets.
Source : AI News. Synthèse éditoriale assistée par IA — TechnoExpress.