L’accord AstraZeneca-insitro mise 1,5 milliard de dollars sur la découverte de cibles par l’IA

AstraZeneca a signé avec insitro un accord pouvant atteindre environ 1,5 milliard de dollars, plaçant l’IA au début de sa chaîne de développement de médicaments pour le foie et le cœur. L’accord AstraZeneca-insitro vise un problème tenace : choisir des cibles biologiques qui causent réellement une maladie, plutôt que de simplement y être associées.

Les entreprises se concentreront sur la stéatohépatite associée à un dysfonctionnement métabolique, connue sous le nom de MASH, ainsi que sur les cardiomyopathies qui touchent le muscle cardiaque. Ces catégories regroupent des populations de patients biologiquement diverses, ce qui rend ces deux maladies difficiles à modéliser et à traiter. La collaboration cherche à déterminer si l’apprentissage automatique peut distinguer ces mécanismes pathologiques cachés avant qu’AstraZeneca n’engage des années de travaux en laboratoire et d’essais cliniques.

Cette distinction compte davantage que la valeur annoncée. La majeure partie de la contrepartie annoncée dépend de futurs jalons de découverte, de développement et de commercialisation. L’engagement immédiat est nettement plus limité, tandis que la validation clinique reste de la responsabilité d’AstraZeneca. Cet accord offre à insitro un partenaire pharmaceutique majeur sans prétendre qu’un algorithme puisse remplacer les expériences, les essais ou l’examen réglementaire.

L’accord permet également une comparaison importante avec les précédents travaux d’insitro pour Gilead Sciences, Bristol Myers Squibb et Eli Lilly. AstraZeneca n’achète pas un médicament fini, ni même une cible validée. L’entreprise paie pour un meilleur système permettant de déterminer quelles hypothèses biologiques méritent de devenir des programmes de développement de médicaments.

Ce que couvre réellement l’accord AstraZeneca-insitro

Cet accord finance la découverte de cibles et la sélection de candidats précliniques, et non un raccourci généré par l’IA à travers le développement clinique.

Selon les termes de l’accord communiqués par les entreprises, AstraZeneca versera 40 millions de dollars à insitro à la signature. Insitro pourrait recevoir jusqu’à environ 1,46 milliard de dollars au titre de potentiels jalons de découverte, de développement et de commercialisation.

L’entreprise peut également percevoir des redevances à un chiffre sur les futures ventes mondiales. Ces paiements dépendent d’une progression suffisante des programmes pour remplir les conditions concernées. Ils ne doivent pas être interprétés comme des fonds déjà transférés ou des revenus garantis.

AstraZeneca obtient les droits mondiaux exclusifs pour faire avancer les programmes sélectionnés dans le cadre de la collaboration. Insitro fera progresser les cibles désignées par AstraZeneca depuis la découverte jusqu’au stade de candidat au développement. AstraZeneca contrôlera ensuite le développement clinique, les démarches réglementaires et la commercialisation.

Cette répartition des rôles établit la véritable portée du projet. Le rôle d’insitro consiste à identifier la biologie causale des maladies et à aider à transformer les cibles sélectionnées en médicaments potentiels. AstraZeneca reste responsable de la démonstration de la sécurité et de l’efficacité chez l’humain.

La collaboration couvre la MASH et les cardiomyopathies. La MASH est une affection hépatique progressive impliquant une accumulation de graisse, une inflammation et des lésions cellulaires. Les cardiomyopathies sont des maladies qui modifient la structure ou le fonctionnement du muscle cardiaque.

Ces deux catégories présentent une variation biologique importante. Deux patients peuvent partager un même diagnostic tout en ayant des déterminants génétiques, des trajectoires de maladie ou des réponses au traitement différents. Un traitement conçu pour un patient moyen peut donc manquer le mécanisme qui entraîne la maladie dans un sous-groupe précis.

Insitro affirme que sa plateforme Virtual Human associe des données humaines à grande échelle, des mesures cellulaires, la génétique et l’apprentissage automatique. Elle recherche des schémas reliant la variation génétique à des caractéristiques mesurables de la maladie et au comportement cellulaire.

L’expression « biologie causale de la maladie » est au cœur de cette promesse. Une corrélation peut révéler qu’une protéine, un gène ou un biomarqueur est présent chez des personnes atteintes d’une maladie. Des éléments causaux suggèrent que modifier la cible devrait transformer le processus pathologique lui-même.

Cette différence détermine si une cible devient un programme de développement productif ou une impasse coûteuse. Sharon Barr, cadre dirigeante d’AstraZeneca, a décrit la sélection des cibles comme l’une des décisions les plus difficiles en recherche et développement.

Dans un entretien sur la sélection des cibles, Barr a déclaré que les voies publiées ne sont plus novatrices dès lors que chaque groupe de recherche peut les consulter. AstraZeneca cherche à identifier plus tôt des liens biologiques moins évidents, puis à les tester dans des systèmes cellulaires.

L’accord constitue donc un pari sur un avantage informationnel. L’IA n’élimine pas la nécessité du développement pharmaceutique. Elle est censée améliorer la qualité et le calendrier des hypothèses entrant dans ce processus.

Pourquoi la MASH et les cardiomyopathies correspondent à la stratégie IA

AstraZeneca a sélectionné des maladies pour lesquelles de grands jeux de données contiennent des signaux utiles, mais dont les larges étiquettes diagnostiques peuvent masquer des causes biologiques distinctes.

La MASH a régulièrement frustré les développeurs de médicaments, car la graisse, l’inflammation, la fibrose, le métabolisme et la génétique interagissent différemment selon les patients. La progression de la maladie varie également fortement. Certaines personnes restent stables, tandis que d’autres développent une cirrhose ou un cancer du foie.

Cette variation crée un problème de sélection des cibles avant même de devenir un problème de conception moléculaire. Un médicament peut agir sur sa cible prévue et néanmoins échouer si cette cible n’entraîne pas la maladie chez suffisamment de patients inclus dans les essais.

Les cardiomyopathies présentent un défi comparable. Cette catégorie comprend de multiples affections héréditaires et acquises qui affaiblissent, dilatent, épaississent ou rigidifient le muscle cardiaque. Différentes modifications génétiques peuvent produire des symptômes cliniques similaires.

La découverte traditionnelle commence souvent par un mécanisme déjà étayé par la recherche publiée. Les scientifiques développent ensuite des essais, testent des composés et accumulent des preuves autour de ce mécanisme. Cette approche demeure essentielle, mais elle peut favoriser des cibles familières disposant de données abondantes.

L’apprentissage automatique peut élargir la recherche. Il peut examiner conjointement des images, des variants génétiques, des mesures moléculaires, des dossiers cliniques et des perturbations expérimentales. L’objectif est d’identifier des liens qu’il serait difficile pour une personne de reconnaître parmi des millions d’observations.

Daphne Koller, fondatrice d’insitro, a soutenu que la biologie moderne produit des mesures plus détaillées que les chercheurs ne peuvent en examiner manuellement. Dans un entretien sur la découverte de médicaments par IA, elle a décrit le défi comme la nécessité de comprendre suffisamment les maladies complexes pour choisir la bonne intervention pour un sous-groupe de patients.

Cet argument est particulièrement pertinent pour la MASH. Un modèle pourrait distinguer des patients dont la fibrose suit des voies moléculaires différentes, même lorsque leurs diagnostics semblent similaires. Les chercheurs pourraient alors poursuivre des cibles liées à une voie donnée et concevoir des essais autour de la population correspondante.

La même logique s’applique aux maladies cardiaques. Les schémas d’imagerie, les informations génétiques, les biomarqueurs circulants et les expériences cellulaires peuvent produire une image multidimensionnelle de la maladie. Les données multidimensionnelles contiennent de nombreuses caractéristiques mesurées qui doivent être analysées conjointement.

Toutefois, davantage de données ne produisent pas automatiquement de meilleures conclusions causales. Les jeux de données médicaux reflètent les personnes ayant subi des examens, la manière dont les mesures ont été recueillies et les résultats qui ont été consignés. Ces choix peuvent introduire des biais.

Les modèles cellulaires simplifient également l’environnement présent dans un organisme humain. Une cible qui modifie une cellule cultivée peut se comporter différemment selon les organes, les réponses immunitaires et les longues périodes de traitement. L’apprentissage automatique peut classer les hypothèses, mais les expériences doivent déterminer si ces classements résistent à la réalité biologique.

L’approche Virtual Human d’insitro cherche à réduire cet écart en reliant la génétique humaine à des systèmes cellulaires. Les variants génétiques agissent comme des expériences naturelles, car ils peuvent associer des différences biologiques tout au long de la vie à des résultats pathologiques.

Les chercheurs peuvent ensuite perturber des voies apparentées dans des cellules et en mesurer les résultats. Lorsque la génétique humaine et les effets observés en laboratoire vont dans la même direction, une cible présente des arguments causaux plus solides.

AstraZeneca apporte l’étape suivante. Ses scientifiques peuvent évaluer si une cible est exploitable pharmacologiquement, c’est-à-dire si un médicament peut l’influencer de manière sûre et cohérente. Ils peuvent également déterminer si un mécanisme proposé s’accorde avec les connaissances cliniques et pathologiques existantes.

Ce flux de travail combiné explique pourquoi les entreprises ont choisi deux maladies hétérogènes. Elles ne sont pas simplement de grands marchés pour de nouveaux médicaments. Elles permettent de vérifier si l’intégration des données peut révéler des sous-groupes de patients exploitables, dissimulés au sein de diagnostics larges.

Le véritable enjeu oppose de meilleures cibles à davantage de cibles

L’accord AstraZeneca-insitro n’aura d’importance que s’il améliore la qualité des cibles, et non simplement la vitesse ou le volume des prédictions informatiques.

Les systèmes d’IA peuvent générer de longues listes de gènes, de protéines, de voies et de molécules. Cette abondance peut créer une apparence de progrès. La découverte de médicaments ne récompense toutefois pas la plus longue liste. Elle récompense un petit nombre d’hypothèses qui restent crédibles après des tests répétés.

L’affirmation centrale d’insitro est que sa plateforme peut prioriser des cibles ancrées dans la biologie humaine. La plateforme combine des données à l’échelle des populations avec des expériences réalisées sur des cellules. Elle utilise ensuite l’apprentissage automatique pour relier les caractéristiques de la maladie à des moteurs potentiels.

Cette méthode diffère de l’utilisation d’un modèle de langage pour résumer la littérature scientifique. Elle diffère également du criblage d’une simple bibliothèque chimique contre une protéine connue. L’avantage proposé provient de l’intégration de plusieurs formes de preuves biologiques avant la sélection d’une cible.

Le rôle d’AstraZeneca empêche la collaboration de devenir un exercice fondé uniquement sur des logiciels. Les scientifiques de l’industrie pharmaceutique doivent décider si une prédiction présente un mécanisme plausible, un profil de sécurité acceptable et une voie de développement réalisable.

Ce travail consiste notamment à confirmer que la cible est présente dans les tissus concernés. Les chercheurs doivent montrer que sa modification produit l’effet attendu et ne déclenche pas de problèmes inacceptables ailleurs. Ils doivent également trouver un médicament capable de l’atteindre et de la contrôler.

Le processus devient itératif. Les résultats informatiques guident les expériences, tandis que les résultats expérimentaux mettent à jour les modèles. Même les mauvaises prédictions apportent des informations lorsque les équipes consignent les raisons de leurs échecs et réinjectent ces enseignements dans le système.

Ce mécanisme met sous pression deux approches établies. La première repose fortement sur des cibles déjà bien représentées dans la littérature scientifique. La seconde utilise des plateformes informatiques qui mettent l’accent sur la génération de molécules après qu’une cible a déjà été sélectionnée.

AstraZeneca et insitro se concentrent sur la décision antérieure. Leur pari est que sélectionner un mécanisme pathologique plus robuste crée davantage de valeur que concevoir plus rapidement des composés contre une cible faible.

L’industrie pharmaceutique a de bonnes raisons de se concentrer sur ce point. Une molécule chimiquement élégante ne peut pas sauver une cible qui n’influence pas significativement la maladie humaine. Une hypothèse biologique erronée peut mobiliser des années avant qu’un essai ne révèle l’erreur.

Insitro a déjà poursuivi ce modèle. Sa collaboration de 2019 sur le foie avec Gilead portait également sur la stéatose hépatique. Ce projet a utilisé l’apprentissage automatique, la génétique humaine et la génomique fonctionnelle pour créer des modèles de maladie et identifier des cibles.

Le nouvel accord s’inscrit donc dans une orientation de recherche de longue date plutôt que d’ouvrir une voie entièrement nouvelle. Il offre également à AstraZeneca une autre voie vers la découverte de cibles assistée par l’IA, en complément de ses outils internes et de ses partenariats externes.

AstraZeneca a déjà collaboré avec BenevolentAI sur des cibles liées à la maladie rénale chronique et à la fibrose pulmonaire idiopathique. Le groupe a également étendu l’usage de l’IA à l’analyse de données cliniques, à la recherche sur les biomarqueurs et à d’autres programmes de découverte.

Pour insitro, l’accord ajoute un autre grand laboratoire pharmaceutique à une liste de partenaires qui comprend Gilead, Bristol Myers Squibb et Eli Lilly. Chaque relation apporte une expertise différente en matière de maladies, des capacités de développement et un retour expérimental.

La question concurrentielle n’est pas de savoir quelle entreprise utilise l’IA. Presque tous les grands groupes pharmaceutiques revendiquent désormais certaines capacités en IA. La comparaison pertinente porte sur les organisations capables de relier leurs modèles à des données propriétaires, à des expériences reproductibles et à des décisions de développement.

Cette intégration exige des infrastructures et une discipline institutionnelle. Les data scientists doivent comprendre comment les échantillons ont été collectés. Les biologistes doivent savoir ce qu’un modèle peut inférer. Les développeurs de médicaments doivent distinguer un schéma intéressant d’un programme prêt à recevoir des investissements.

Les équipes ont également besoin de traces vérifiables des hypothèses infirmées. Sans elles, les modèles peuvent hériter du biais de publication, puisque la littérature scientifique favorise les résultats positifs. Répéter uniquement les expériences réussies produit une vision incomplète de ce que la biologie permet réellement.

L’accord entre AstraZeneca et insitro peut procurer un avantage si le partenariat améliore cette boucle de rétroaction. Sa valeur viendrait du rejet plus précoce d’idées faibles et de l’avancement d’un nombre réduit de cibles mieux étayées.

Un titre à 1,5 milliard de dollars ne valide pas la plateforme

Le plafond des paiements d’étape signale une ambition, mais les preuves biologiques et cliniques détermineront si la plateforme améliore les résultats du développement de médicaments.

Seul le paiement initial est certain à la signature. La majeure partie de la valeur potentielle dépend d’événements futurs, notamment de la réussite de la découverte, du développement et de la commercialisation. Cette structure transfère une grande part du risque scientifique aux programmes eux-mêmes.

Elle fait également du chiffre mis en avant un mauvais indicateur de la confiance immédiate. Les importantes enveloppes de paiements d’étape sont courantes dans les partenariats biotechnologiques, car des médicaments couronnés de succès peuvent générer une valeur considérable. De nombreux programmes n’atteignent jamais les étapes qui déclenchent les paiements ultérieurs.

Les entreprises n’ont pas indiqué combien de cibles AstraZeneca a proposées. Elles n’ont pas identifié de mécanismes précis, de molécules candidates, de calendriers de développement ou de conditions de déclenchement des paiements d’étape. Elles n’ont pas non plus publié de données de performance comparatives pour cette collaboration.

Ces lacunes sont normales pour un accord de découverte précoce. Elles limitent néanmoins les conclusions que peuvent tirer les observateurs extérieurs. L’annonce confirme le partenariat et son cadre financier, non la réussite clinique de la plateforme.

Une revue sur la découverte de cibles évaluée par les pairs identifie plusieurs limites persistantes des systèmes d’IA. Celles-ci incluent les données biaisées, une interprétabilité limitée, une faible capacité de généralisation et la nécessité de valider expérimentalement les cibles prédites.

La généralisation décrit la capacité d’un modèle à rester fiable en dehors des données utilisées pour le développer. Un système entraîné sur une population, un type cellulaire ou un procédé de mesure peut mal fonctionner lorsque les conditions changent.

L’interprétabilité pose un problème différent. Un modèle peut classer une cible très haut sans fournir d’explication biologique claire. Les chercheurs peuvent avoir du mal à concevoir des expériences de confirmation lorsqu’ils ne peuvent pas déterminer pourquoi le modèle a produit son résultat.

L’inférence causale relève encore davantage le niveau d’exigence. Une association génétique peut étayer une cible, mais des gènes voisins ou des variants liés peuvent compliquer l’interprétation. Une réponse cellulaire peut montrer qu’une voie évolue dans des conditions de laboratoire sans prouver que le même changement bénéficie aux patients.

Le MASH ajoute des complications cliniques. La gravité de la maladie exige souvent de l’imagerie, des biomarqueurs ou une évaluation tissulaire, et ces mesures ne concordent pas toujours. La sélection des patients peut donc influencer l’efficacité apparente d’un médicament expérimental.

Les essais sur les cardiomyopathies font face à leurs propres difficultés. La progression de la maladie peut être lente, les populations de patients peuvent être réduites et les sous-types génétiques peuvent différer. Les chercheurs ont besoin de critères d’évaluation qui capturent des améliorations significatives dans une durée d’essai réaliste.

L’IA ne peut pas supprimer ces contraintes. Elle peut aider à identifier les patients, les biomarqueurs et les mécanismes, mais les régulateurs ont toujours besoin de preuves crédibles issues d’études contrôlées. Les médecins ont toujours besoin de bénéfices qui l’emportent sur les risques.

Une récente analyse de la traduction clinique soutient que les données biologiques diffèrent des ensembles de données stables à l’origine de nombreuses applications d’IA grand public réussies. Les mesures dépendent du protocole expérimental, de la dose, du moment, du tissu et du contexte du patient.

Cette observation explique le compromis central. Les modèles gagnent en puissance en combinant davantage de données, mais la combinaison de mesures incompatibles peut aussi masquer des différences importantes. L’échelle n’aide que lorsque les données sous-jacentes conservent une signification biologique.

Insitro affirme avoir constitué une vaste collection multimodale de données humaines et cellulaires. Multimodale signifie que cette collection contient plusieurs types de mesures, tels que la génétique, les images et les profils moléculaires.

La taille de ce corpus reste moins importante que sa pertinence pour les deux maladies. Les questions décisives portent sur la diversité des patients, la cohérence des mesures, le stade de la maladie et la validation indépendante.

Une autre incertitude concerne la nouveauté. Une cible jusqu’alors inconnue peut créer des avantages en matière de propriété intellectuelle et de concurrence. Les nouvelles cibles disposent également de moins de preuves, ce qui augmente le risque que les chercheurs comprennent mal leur fonction.

Une cible connue présente le profil inverse. Des concurrents la poursuivent peut-être déjà, mais les scientifiques en savent davantage sur sa voie biologique, sa sécurité et sa pertinence clinique. Les plateformes d’IA doivent équilibrer nouveauté et confiance.

AstraZeneca semble vouloir les deux. Les commentaires de Barr soulignent l’importance de trouver des connexions biologiques avant qu’elles ne deviennent largement connues. Pourtant, les équipes de développement de l’entreprise doivent toujours exiger suffisamment de preuves pour justifier des expériences et des essais coûteux.

Cette pression impose une discipline utile à insitro. Un partenaire pharmaceutique n’a pas seulement besoin d’un benchmark de modèle impressionnant. Il a besoin de cibles qui résistent à l’examen interne, génèrent des médicaments viables et améliorent finalement les résultats pour les patients.

L’accord doit donc être évalué par étapes. La nomination de cibles constitue le premier signal. La sélection de candidats au développement est plus probante. L’entrée dans les essais chez l’humain apporte un niveau de preuve supplémentaire.

L’efficacité clinique reste le critère le plus exigeant. Tant que les programmes n’atteignent pas ce stade, les affirmations concernant un développement de médicaments plus rapide ou plus efficace doivent rester provisoires.

Trois signaux montreront si le pari fonctionne

Les prochaines preuves significatives viendront de la progression des programmes, d’une validation biologique reproductible et de groupes de patients clairement définis.

Le premier signal sera de savoir si AstraZeneca sélectionne des cibles pour un développement formel. Une cible proposée montre qu’un modèle a produit une hypothèse intéressante. Un candidat au développement montre que l’hypothèse a survécu à des travaux biologiques, chimiques et de sécurité supplémentaires.

La divulgation des paiements d’étape peut aider les lecteurs à distinguer ces phases. Les paiements liés à la découverte indiqueraient des progrès précoces, tandis que les jalons de développement suggéreraient que les programmes sélectionnés ont franchi des seuils internes plus élevés.

Le deuxième signal est une validation expérimentale indépendante. Des preuves utiles pourraient inclure des résultats cellulaires reproduits, des études animales, des analyses génétiques ou des travaux évalués par les pairs reliant une cible à la progression de la maladie.

La publication à elle seule ne garantira pas le succès. Toutefois, des méthodes claires et une réplication externe faciliteraient l’évaluation de la capacité de la plateforme à identifier une biologie causale plutôt qu’une coïncidence statistique.

Le troisième signal est la stratification des patients. Les entreprises décrivent le MASH et les cardiomyopathies comme des maladies hétérogènes ; leurs programmes devraient donc finir par définir quels patients présentent le mécanisme pertinent.

Les biomarqueurs pourraient assurer ce lien. Un biomarqueur est une caractéristique biologique mesurable utilisée pour identifier l’activité d’une maladie, la réponse à un traitement ou l’éligibilité d’un patient. Des biomarqueurs solides aideraient AstraZeneca à tester chaque médicament dans le groupe le plus susceptible d’en bénéficier.

Ces signaux arriveront lentement. La collaboration débute avant la sélection de candidats, tandis que le développement pharmaceutique se déroule généralement sur plusieurs années. Les annonces précoces peuvent concerner des cibles ou des programmes précliniques plutôt que des résultats d’essais chez l’humain.

L’activité des concurrents fournira un contexte supplémentaire. Les travaux antérieurs de Gilead avec insitro offrent un point de référence historique dans les maladies du foie. Les autres partenariats d’AstraZeneca dans l’IA peuvent montrer si différents systèmes de découverte produisent des cibles qui entrent dans son pipeline.

Les lecteurs devraient éviter de considérer chaque étape comme équivalente. Une prédiction computationnelle, une cible validée, un candidat au développement et un médicament clinique réussi représentent des niveaux de preuve très différents.

L’accord entre AstraZeneca et insitro est important parce qu’il applique l’IA à un goulet d’étranglement déterminant. Sélectionner la mauvaise cible peut compromettre tout ce qui suit. En sélectionner une meilleure peut améliorer les chances de chaque décision ultérieure.

L’accord montre également comment les entreprises pharmaceutiques structurent l’adoption de l’IA. AstraZeneca conserve le contrôle des essais, de la réglementation et de la commercialisation. Insitro fournit des modèles spécialisés, des données biologiques et des capacités de découverte.

Ce modèle répartit l’expertise sans supprimer la responsabilité. Si les programmes échouent, l’échec peut provenir de la sélection de la cible, de la conception de la molécule, de la sécurité, de la conception de l’essai ou de la biologie humaine. Aucun algorithme unique ne contrôle l’ensemble de la chaîne.

Pour les chercheurs et les dirigeants, cela rend la gestion des preuves aussi importante que la performance des modèles. Les équipes doivent relier chaque prédiction à ses ensembles de données, ses hypothèses, ses expériences et ses décisions.

Une base de connaissances IA peut aider les organisations à préserver cette traçabilité entre articles, réunions et mises à jour expérimentales. L’objectif pratique n’est pas de collecter davantage d’informations. Il consiste à conserver les preuves à l’origine de chaque changement de jugement.

La question immédiate est claire : le partenariat proposera-t-il des cibles qu’AstraZeneca fera progresser vers le développement ? Ensuite, les lecteurs devraient surveiller la biologie reproduite et les stratégies précises de sélection des patients.

Ces résultats révéleront si la collaboration a trouvé un meilleur mécanisme de découverte ou produit un autre vaste ensemble d’hypothèses plausibles. Le plafond de 1,5 milliard de dollars attire l’attention, mais le premier candidat-médicament crédible comptera bien davantage.