Pourquoi l’IA dans la recherche de médicaments a besoin de tissus humains, pas seulement de modèles plus puissants

Vivodyne part d’un constat simple : dans la recherche de médicaments, l’intelligence artificielle se heurte peut-être d’abord à un problème de données, avant de se heurter à un problème de modèles. Les systèmes d’IA peuvent proposer rapidement des cibles biologiques, des molécules et des protocoles expérimentaux. Mais leurs prédictions restent fragiles lorsque les données d’apprentissage décrivent surtout des animaux, des cellules isolées, des protéines ou des observations, plutôt que la réaction de tissus humains complexes à un traitement.

Andrei Georgescu, le directeur général de Vivodyne, a ainsi déclaré que les médicaments conçus par l’IA ne sont pas encore nettement meilleurs que ceux imaginés par des chercheurs humains, notamment parce que les modèles ne disposent pas de suffisamment de données de laboratoire pertinentes. 25

La réponse de l’entreprise s’appelle HIVE : une plateforme de laboratoires autonomes et modulaires conçue pour cultiver, traiter, surveiller et analyser des tissus humains à grande échelle.

Le vrai goulet d’étranglement : les corrélations ne suffisent pas

Un modèle de découverte de médicaments peut repérer une association entre une caractéristique biologique et une maladie. Mais cette corrélation ne permet pas forcément de savoir ce qui se produira lorsqu’un médicament modifiera le système, à une dose donnée et dans un tissu donné.

Vivodyne veut donc se concentrer sur la perturbation : modifier volontairement une condition, puis mesurer la réaction du tissu. Dans le raisonnement de l’entreprise, une expérience peut établir une relation plus directement exploitable pour développer un médicament : si le traitement X est appliqué à la dose Y, alors le tissu Z évolue d’une manière mesurable. La plateforme présente cette méthode comme une façon de produire des données de causalité cellulaire grâce à des expériences contrôlées sur des tissus humains. 2

La distinction est importante. Un modèle entraîné sur une biologie incomplète ou mal adaptée peut produire des prédictions très sûres d’elles-mêmes, sans que celles-ci se vérifient chez les patients. Vivodyne ne soutient pas que les modèles plus grands sont inutiles. Son argument est plutôt que l’augmentation de la puissance informatique aura des effets limités si elle n’est pas accompagnée d’une amélioration de la qualité et de la pertinence humaine des données expérimentales. 1725

Comment fonctionnent les laboratoires HIVE

HIVE combine robotique, microfluidique, ingénierie tissulaire, administration automatisée de traitements et mesures biologiques. Vivodyne affirme que son système peut cultiver 20 types de tissus humains, leur administrer des médicaments ou d’autres perturbations, puis suivre les changements au fil du temps. 117

La plateforme s’appuie notamment sur des TissueDisks, des supports qui permettent de cultiver et de traiter en parallèle des centaines de tissus humains indépendants, selon l’entreprise. Chaque modèle contiendrait environ 200 000 à 500 000 cellules et pourrait intégrer des réseaux vasculaires tridimensionnels spécifiques au tissu, perfusés pour reproduire de façon plus réaliste la distribution d’un traitement. 24

Le processus est conçu pour fonctionner par itérations :

1. Cultiver des modèles standardisés de tissus humains.
2. Appliquer un médicament, une dose, une modification génétique ou une combinaison d’interventions.
3. Mesurer les réponses moléculaires, cellulaires et fonctionnelles.
4. Intégrer les résultats à l’analyse et à la conception des expériences suivantes.

Le laboratoire devient ainsi une véritable chaîne de production de données, plutôt qu’un ensemble de tests isolés. Le résultat ne se limite pas à déterminer si un tissu a survécu. Il peut aussi indiquer comment il a changé, à quel moment, quelles cellules ont été touchées et comment différentes doses ou associations de traitements ont modifié la réponse.

Pourquoi les modèles animaux et les cellules isolées peuvent être insuffisants

Les modèles animaux restent utiles pour étudier des effets à l’échelle de l’organisme. Toutefois, un mécanisme observé chez un animal ne se comporte pas nécessairement de la même façon chez l’humain. Les différences entre espèces peuvent modifier le métabolisme d’un médicament, sa toxicité, la réponse immunitaire, les mécanismes de la maladie ou les interactions entre plusieurs tissus.

Les expériences sur des cellules isolées ou sur des protéines fournissent de leur côté des informations précieuses, mais elles retirent une grande partie de l’organisation multicellulaire et du contexte physiologique qui influencent l’action d’un médicament.

Ce décalage contribue à expliquer pourquoi des candidats prometteurs lors des étapes précliniques échouent ensuite pendant leur développement chez l’humain. Vivodyne veut ajouter plus tôt dans le processus des données issues de tissus humains, afin de détecter certains problèmes d’efficacité ou de sécurité avant le lancement d’essais cliniques coûteux. 113

Cette approche a toutefois une limite fondamentale : un tissu cultivé en laboratoire ne constitue pas un corps humain complet. Ces modèles peuvent mal reproduire la pharmacocinétique à l’échelle de l’organisme, les signaux échangés entre organes, les effets immunitaires à long terme, les différences entre patients ou toutes les caractéristiques d’une maladie.

Ils doivent donc être considérés comme un possible pont entre les tests biologiques simplifiés et la recherche clinique, et non comme un remplacement des essais cliniques.

Quels résultats Vivodyne a-t-elle publiés ?

Vivodyne a communiqué des résultats issus de tests menés avec 20 médicaments de chimiothérapie sur plusieurs modèles de tissus. L’entreprise affirme que son modèle hépatique a prédit la toxicité chez l’humain avec une précision de 94 %, que son modèle des voies respiratoires correspondait au comportement des tissus humains dans 96 % des cas et que son modèle de moelle osseuse atteignait une concordance de 100 % dans cet ensemble de tests. 17

Ces chiffres sont potentiellement importants, mais ils doivent être interprétés avec prudence. Les éléments disponibles les présentent comme des performances déclarées par l’entreprise. Ils ne démontrent pas encore l’existence d’une validation indépendante, de grande ampleur et évaluée par des pairs sur de nombreuses classes de médicaments. Ils ne prouvent pas non plus, dans une comparaison prospective avec des programmes précliniques classiques, que les prédictions de HIVE améliorent les taux d’autorisation ou de réussite clinique.

Vivodyne a également annoncé un site regroupant 12 laboratoires HIVE, avec une capacité annuelle de 3,1 millions d’expériences contrôlées sur des tissus humains vivants. Cette donnée décrit la capacité annoncée de la plateforme ; elle ne constitue pas, à elle seule, une preuve que les résultats sont prédictifs des effets chez les patients. 37

Des financements pour transformer la biologie en infrastructure de données

En 2023, la société a annoncé un financement d’amorçage total de 38 millions de dollars, mené par Khosla Ventures, avec la participation de Kairos Ventures, CS Ventures, MBX Capital et Bison Ventures. 9 Vivodyne a ensuite communiqué une nouvelle levée de 40 millions de dollars destinée à développer son infrastructure de tests de tissus humains pilotée par la robotique et l’IA. 7

Ces financements soutiennent une stratégie qui considère la biologie expérimentale comme une infrastructure pour l’intelligence artificielle : produire d’abord des jeux de données standardisés et volumineux, puis les utiliser pour améliorer les prédictions thérapeutiques et sélectionner les expériences les plus prometteuses.

Ce que cette approche pourrait changer pour les essais cliniques

Si la plateforme se révèle prédictive dans des études prospectives indépendantes, elle pourrait influencer le développement des médicaments de trois façons principales.

Détecter plus tôt les échecs

Les candidats dont l’efficacité serait faible ou dont la toxicité serait trop élevée pourraient être écartés avant d’être administrés à des patients. Cela n’éliminerait pas les échecs cliniques, mais pourrait réduire le nombre de candidats insuffisamment étayés entrant en essai.

Mieux choisir les candidats et les doses

Tester plusieurs doses et plusieurs contextes tissulaires pourrait aider les chercheurs à déterminer quelles molécules méritent d’être développées et quelles plages de dosage devraient être étudiées chez l’humain. Vivodyne présente sa plateforme de données humaines comme un outil utilisable depuis la découverte jusqu’aux études d’ADME/toxicologie — absorption, distribution, métabolisme et excrétion — et à la conception des essais. 13

Fournir de meilleurs exemples aux modèles d’IA

Des expériences répétées reliant une intervention à une réponse tissulaire pourraient offrir aux systèmes d’IA des données d’apprentissage plus utiles sur les effets biologiques d’un traitement. À plus long terme, Vivodyne espère contribuer à un modèle informatique plus général, ou « modèle du monde », de la biologie humaine. 8

Tout dépendra cependant de la qualité, de la reproductibilité, de la diversité et de la validation externe de ces données. Multiplier les expériences ne les rend pas automatiquement plus utiles si les modèles tissulaires ne représentent pas les populations de patients concernées ou si les mesures ne prédisent pas les résultats observés chez l’humain.

Les thérapies combinées comme banc d’essai

Les traitements combinés obligent les chercheurs à explorer plusieurs variables : associations de médicaments, doses, ordre d’administration, calendrier et contexte tissulaire. Une plateforme de tissus humains pourrait rendre plus accessible l’étude systématique de ces combinaisons, en recherchant les effets synergiques tout en repérant d’éventuelles toxicités avant l’exposition des patients.

Cette capacité serait particulièrement intéressante pour les maladies dans lesquelles un seul médicament n’agit que sur une partie d’un mécanisme biologique complexe. Mais la même réserve demeure : une expérience sur un tissu peut révéler des interactions dans la biologie modélisée, tandis que le résultat clinique dépend aussi de l’absorption, de la distribution, du métabolisme, du système immunitaire, des interactions entre organes et de la diversité des patients.

En résumé

Vivodyne parie que la prochaine avancée de l’IA appliquée aux médicaments viendra d’un meilleur ancrage expérimental, et pas uniquement d’algorithmes plus volumineux. HIVE est conçu pour fournir cet ancrage en menant des expériences contrôlées à haut débit sur 20 types de tissus humains cultivés, puis en convertissant les réponses observées en données biologiques structurées. 117

L’entreprise s’attaque à une faiblesse réelle de la translation préclinique : les modèles entraînés ou évalués sur des systèmes simplifiés ne prédisent pas toujours de manière fiable ce qui se passe chez l’humain. Les premiers chiffres de performance et l’échelle annoncée par Vivodyne sont remarquables, mais ils restent des résultats communiqués par la société.

Le test décisif sera de savoir si les prédictions de HIVE, validées indépendamment, permettent effectivement de mieux sélectionner les candidats, de réduire les échecs cliniques et de créer des modèles d’IA capables de généraliser leurs conclusions au-delà des tissus et des médicaments utilisés pour leur apprentissage.