L'apprentissage fédéré améliore l'IA pharmaceutique
Cinq entreprises pharmaceutiques majeures, notamment AbbVie, Johnson & Johnson, Bristol Myers Squibb, Astex et Takeda, ont réalisé une avancée significative dans l'utilisation de l'intelligence artificielle pour la découverte de médicaments. En collaborant via l'architecture d'apprentissage fédéré de la startup française Apheris, ces sociétés ont entraîné un modèle de prédiction des structures protéiques sans jamais partager leurs données confidentielles. Cette initiative, menée sous l'égide du réseau AISB, vise à pallier le grave manque de données publiques sur les interactions entre protéines et molécules thérapeutiques. Le modèle obtenu, nommé AISB-1-Fed, a surpassé les algorithmes publics de référence, affichant une progression d'environ 11 % sur les critères essentiels de précision structurale. Il a également démontré de meilleures performances que tout entraînement effectué séparément par une seule entreprise, validant ainsi la valeur de la coopération sectorielle. Des tests de sécurité rigoureux ont confirmé l'absence de fuites de données sensibles. Cette réussite constitue un tournant pour l'apprentissage fédéré, une méthode qui permet d'entraîner des algorithmes en local et de n'échanger que les paramètres mathématiques mis à jour, garantissant la protection absolue des secrets industriels. Cette percée intervient à un moment critique pour la modélisation moléculaire. Des outils comme AlphaFold 3, bien qu'impressionnants, atteignent souvent leurs limites en conditions réelles en raison d'une pénurie de données expérimentales. Contrairement aux précédents projets fédérés dans le domaine pharmaceutique, le succès actuel s'appuie sur des architectures de modèles de base plus robustes et des outils informatiques matures. Le secteur explore parallèlement d'autres voies, comme la plateforme TuneLab de Eli Lilly ou le projet britannique OpenBind, qui privilégient la génération massive de structures publiques ouvertes. Les spécialistes reconnaissent l'utilité opérationnelle de cette approche fédérée pour éliminer les pistes de recherche inefficaces et repérer des candidats thérapeutiques négligés. Toutefois, ils avertissent que ces données historiques comportent des biais intrinsèques et que le véritable défi technologique suivant consistera à modéliser les mouvements dynamiques des protéines, dépassant ainsi la simple prédiction statique. Cette collaboration démontre que l'innovation en santé numérique repose désormais sur des écosystèmes de données sécurisés et partagés, indispensables pour accélérer le développement de nouveaux traitements sans compromettre la propriété intellectuelle.
