AI in drug discovery: 2025 in review

L’année 2025 restera dans les mémoires comme le moment où la découverte de médicaments contre l’IA est passée de la promesse à la preuve – bien qu’avec des mises en garde importantes qui tempèrent le triomphalisme. Après une décennie d’investissements croissants et de prédictions audacieuses, le domaine a livré sa première véritable validation clinique tout en connaissant simultanément des revers qui ont mis en évidence les limites contemporaines de la technologie. Pour ceux d’entre nous qui travaillent à l’intersection de l’IA et de la recherche pharmaceutique, 2025 ne représente pas une révolution mais une sombre confrontation avec la réalité : l’IA peut accélérer les découvertes à un stade précoce, mais elle n’a pas encore résolu le défi fondamental des taux de réussite clinique.

La réalisation majeure a été le premier médicament dont la cible et la molécule ont été entièrement conçues par AI et qui ont terminé les essais de phase IIa. Publié dans Médecine naturelle en juin, l’essai a démontré une amélioration dose-dépendante de la capacité vitale forcée chez les patients atteints de fibrose pulmonaire idiopathique. Le médicament a atteint la nomination de candidat préclinique en seulement 18 mois après l’identification de la cible – un délai qui aurait nécessité trois à quatre ans avec les méthodes traditionnelles.

Cependant, l’essai n’a recruté que 71 patients et le signal d’efficacité, bien que prometteur, nécessite une validation dans des cohortes plus importantes. Cela illustre une tendance tout au long de 2025 : de véritables progrès accompagnés du fait que la validation clinique reste avant des années pour la plupart des composés découverts par l’IA.

Le cadre réglementaire prend forme

Le développement le plus important de 2025 s’est peut-être produit le 6 janvier, lorsque la Food and Drug Administration (FDA) des États-Unis a publié un projet de lignes directrices intitulé : Considérations relatives à l’utilisation de l’intelligence artificielle pour soutenir la prise de décision réglementaire relative aux médicaments et aux produits biologiques. Le cadre établit une évaluation de la crédibilité en sept étapes basée sur le « contexte d’utilisation », exige des plans de maintenance du cycle de vie et impose la transparence sur les architectures de modèles et les données de formation.

Notamment, les lignes directrices excluent l’IA utilisée lors de la découverte précoce – en se concentrant uniquement sur les applications affectant les décisions réglementaires. Cette distinction est importante : même si l’IA peut accélérer l’identification des cibles et l’optimisation des pistes, la FDA reste, à juste titre, prudente quant au rôle de l’IA dans les activités critiques en matière de réglementation. L’agence a examiné plus de 500 soumissions liées à l’IA depuis 2016 sans approuver aucun médicament découvert par l’IA et des rapports suggèrent que les premières mises en œuvre des propres outils d’IA générative de la FDA ont connu des problèmes d’« hallucination ».

En décembre, la FDA a qualifié son premier outil basé sur l’IA approuvé pour une utilisation dans les essais cliniques de développement de médicaments – une plate-forme basée sur le cloud qui aide les pathologistes à évaluer les biopsies hépatiques dans Essais NASH/MASH. Cela représente une acceptation réglementaire formelle de l’IA dans le processus de développement de médicaments, mais notamment pour un outil d’évaluation de la qualité plutôt que pour la conception du médicament lui-même.

L’économie de la découverte de médicaments liés à l’IA

La valeur totale des transactions pour les partenariats de découverte de médicaments contre l’IA a dépassé les 15 milliards de dollars en « biobucks » annoncés en 2025, mais la réalité financière s’avère bien plus modeste. Plusieurs partenariats majeurs annoncés pour un montant de plus de 5 milliards de dollars prévoyaient des paiements initiaux représentant seulement 2 % de la valeur globale. Les montants totaux dépendent de l’atteinte d’étapes cliniques et commerciales par plusieurs candidats médicaments, chacun avec des taux d’échec historiquement élevés.

Ce rapport de 50 : 1 entre les biobucks annoncés et les paiements initiaux réels révèle la prudence appropriée de l’industrie quant à la capacité non prouvée de l’IA à garantir le succès clinique.

L’année a également mis en évidence la fragilité financière des sociétés de découverte de médicaments IA. De nombreuses entreprises ont « dépriorisé » leurs programmes cliniques, annoncé des réductions d’effectifs de 20 à 30 pour cent et signalé des pertes nettes substantielles. Plusieurs entreprises bien financées ont complètement fermé leurs portes ou ont procédé à leur radiation. Cette tendance suggère que les petites entreprises de découverte de médicaments IA sont confrontées à des pressions existentielles sur un marché qui exige une validation clinique plutôt qu’une sophistication technologique.

Avancées technologiques et limites persistantes

Sur le plan technologique, des avancées majeures dans la prédiction de la structure des protéines ont étendu les capacités à l’ADN, à l’ARN, aux ligands, aux anticorps et à leurs interactions. Les nouveaux modèles ont atteint une précision 50 % supérieure à celle des méthodes traditionnelles pour les interactions médicamenteuses sur des critères de référence standard et ont prédit avec succès des milliers de complexes protéine-ligand de modification post-traductionnelle.

Cependant, les résultats de la compétition ont montré que les nouveaux modèles d’IA ne surpassaient pas de manière significative les anciennes méthodes de prédiction des interactions protéine-ligand. Cela souligne une limite critique : une prédiction précise de la structure ne garantit pas des cibles médicamenteuses ou des molécules efficaces. Les modèles actuels luttent contre les changements conformationnels et présentent des biais persistants en faveur d’états récepteurs particuliers.

Dans la conception d’anticorps, de nouveaux modèles ont atteint des taux de réussite expérimentaux sans précédent de 16 à 20 % en tir zéro de novo conception sur des dizaines de nouvelles cibles en utilisant seulement 20 candidats par cible – une amélioration 100 fois supérieure aux méthodes existantes. Cela représente un véritable progrès dans la conception de produits biologiques, même si les composés restent des années avant leur validation clinique.

Vérification de la réalité clinique

L’année a été marquée par des revers cliniques qui donnent à réfléchir parallèlement au succès de la phase IIa. Plusieurs médicaments conçus pour l’IA ont été dépriorisés, mis de côté après la phase II ou n’ont montré aucun signal d’efficacité lors des essais. Brendan Frey, fondateur de Deep Genomics a déclaré sans détour: « L’IA nous a vraiment tous laissé tomber au cours de la dernière décennie en matière de découverte de médicaments – nous n’avons vu qu’échec après échec. »

Cette attrition clinique souligne le défi fondamental : l’IA n’a pas amélioré de manière démontrable le taux d’échec clinique d’environ 90 % de l’industrie pharmaceutique. Alors que l’IA peut réduire les délais de découverte précoce de 30 à 40 % et réduire le développement de candidats précliniques à 13 à 18 mois (contre trois à quatre ans traditionnels), la durée des essais cliniques, les délais d’examen réglementaire et l’intensification de la fabrication restent limités par la biologie, le recrutement des patients et les exigences réglementaires – que l’IA ne peut contourner.

Les commentaires des publications scientifiques se demandent si l’IA améliore les taux de réussite clinique, notant que les composés découverts par l’IA présentent des taux de progression similaires à ceux des composés traditionnellement découverts. Jusqu’à ce que les médicaments découverts par l’IA obtiennent l’approbation réglementaire et le succès commercial, le domaine reste dans une phase de « preuve de concept » plutôt que dans un changement de paradigme avéré.

Défis d’infrastructure et d’intégration

De grandes sociétés pharmaceutiques ont annoncé la construction de superordinateurs de pointe alimentés par des milliers de GPU avancés, opérationnels début 2026. Plusieurs sociétés ont lancé des plates-formes de partage de modèles d’IA avec des partenaires biotechnologiques, donnant accès à des modèles formés sur des données exclusives provenant de centaines de milliers de molécules.

Certaines entreprises ont déployé des scientifiques en IA humanoïde dans des laboratoires de robotique, tandis que d’autres ont levé des fonds substantiels pour construire des laboratoires de robots IA autonomes. Ces « laboratoires autonomes » accélèrent le cycle conception-réalisation-test-apprentissage, mais n’ont pas encore démontré leur capacité à découvrir de manière autonome validé candidats médicaments. L’intégration des opérations de laboratoire humide et sec reste un défi organisationnel important.

Une enquête menée auprès de responsables technologiques a révélé que 68 % citent la mauvaise qualité des données et la mauvaise gouvernance comme principale raison de l’échec des initiatives d’IA. Les ensembles de données de haute qualité et rigoureusement conservés avec des annotations biologiques, pharmacologiques et cliniques restent rares en raison des coûts, des réglementations en matière de confidentialité et des restrictions de partage de données. Le défi fondamental du secteur n’est pas la sophistication algorithmique mais la disponibilité des données.

Conclusion : un optimisme prudent

L’année 2025 a fait progresser la découverte de médicaments contre l’IA, depuis la technologie spéculative jusqu’à la validation clinique précoce. Les premiers résultats de phase IIa pour un médicament entièrement conçu par l’IA démontrent que l’approche peut démontrer une efficacité clinique, tandis que les cadres réglementaires de la FDA et de l’EU AI Act créent des voies de développement plus claires.

Cependant, aucun médicament découvert par l’IA n’avait obtenu l’approbation de la FDA en décembre 2025 – une réalité qui encadre à la fois les réalisations et les défis à venir. La question la plus importante pour 2026 n’est pas de savoir si l’IA peut accélérer les délais précliniques – nous savons qu’elle le peut –

mais si cela peut améliorer les taux de réussite clinique. Jusqu’à ce que cette question reçoive une réponse positive grâce aux données de phase III et aux approbations réglementaires, l’approche prudente de l’industrie pharmaceutique en matière d’investissement dans l’IA semble entièrement justifiée.

Pour les scientifiques de laboratoire et les chercheurs pharmaceutiques, 2025 a confirmé que l’IA est un outil puissant pour la découverte précoce, mais pas une panacée pour relever les défis fondamentaux du développement de médicaments. La technologie a gagné sa place dans la boîte à outils de R&D tout en démontrant ses limites actuelles. Cette perspective équilibrée – progrès sans hyperbole – représente la maturation du domaine.