Stratégie et innovation : exploration de notre transformation numérique

Selon Matt, « l’une des meilleures façons dont l'IA peut nous aider est de traduire les masses d'informations et de données dont nous disposons en connaissances et en compréhension réelles afin de faciliter la prise de décision tout au long du processus de découverte de médicaments. »

Grâce à l'AI Research Factory de Sanofi, diverses équipes appliquent déjà des outils numériques pour mieux comprendre la biologie des maladies, rationaliser la découverte de médicaments et stimuler la traduction clinique. Par exemple, les équipes dirigées par Emanuele de Rinaldis, responsable mondial de la médecine de précision et de la biologie computationnelle de Sanofi ont mis au point des moteurs d'identification de cibles qui exploitent de nombreux types de données dans le contexte de voies biologiques spécifiques. 

Emanuele observe que « Nos moteurs de découverte de cibles, ainsi que la richesse des données génétiques, génomiques, fonctionnelles et cellulaires sur les maladies dont nous disposons aujourd'hui nous placent dans une position privilégiée pour mieux comprendre la biologie des maladies et découvrir de nouvelles cibles. » « Tout cela allie une IA très performante, l'apprentissage automatique et l'intégration des données avec des techniques expérimentales pour la validation des cibles. Jusqu'à présent, les moteurs ont permis de découvrir sept nouvelles cibles médicamenteuses en seulement un an. »

En ce qui concerne la conception de médicaments, les chercheurs développent et utilisent des modèles pour prédire la structure et les propriétés biophysiques des molécules candidates potentielles : « Nous affinons nos modèles pour qu'ils fonctionnent même dans des environnements sur lesquels nous avons très peu de données », explique Matt. « Cela nous permet d'obtenir certaines des réponses dont nous avons besoin in silico, ce qui nous fait gagner du temps et des ressources, car nous n'avons pas besoin de produire physiquement autant de composés en laboratoire. »

Dans le domaine de la gestion de portefeuille, Helen utilise l'IA pour découvrir des hypothèses cachées et aider ses équipes à réfléchir de manière plus créative aux médicaments en cours de développement.

« En R&D, certaines des hypothèses que nous faisons sont évidentes, comme les hypothèses scientifiques que nous testons. Mais nous faisons aussi beaucoup d'hypothèses sur l'avenir : à quoi ressemblera le marché ? Quels sont les besoins non satisfaits et comment évolueront-ils au fil du temps ? » nous dit Helen. « Nous tirons parti de l'IA pour offrir une autre perspective sur certains des moteurs stratégiques qui influencent les décisions d'investissement dans les portefeuilles. »

Grâce à un outil alimenté par l'IA appelé PLai, Helen et ses équipes exploitent plus d'un milliard de points de données, y compris des essais cliniques internes et des données commerciales, ainsi que des informations externes telles que le flux de nouvelles des concurrents, pour prédire les facteurs de valeur tels que les coûts de R&D, l'inscription aux essais et la probabilité de succès d'un programme. Ces prévisions, accompagnées de recommandations stratégiques, aident les dirigeants à prendre les bonnes décisions pour maximiser l'impact sur les patients, y compris les choix difficiles, comme l'arrêt prématuré d'un projet pour financer des programmes plus prometteurs.

« En matière de développement de médicaments, notre premier réflexe peut être d'aller aussi vite que possible. Mais si nous prenons du recul, de nombreuses autres possibilités peuvent apparaître », précise Helen. « Nous pouvons examiner plusieurs scénarios et nous retrouver à donner la priorité à des activités spécifiques au profit de l'ensemble du portefeuille, plutôt que de simplement tout accélérer. La numérisation, l'IA et la modélisation nous permettent d'avoir ce genre de conversations d'une manière qui n'était pas possible auparavant. »

Matt souligne l'importance d’adopter plus largement ces technologies numériques. Pour apporter ces capacités à tous les niveaux de Sanofi, il est essentiel de mettre en place une "formation massive et rapide", complète-t-il.

« Il est indispensable d’être transparent. Dans le cas des outils d'IA, leur fonctionnement n'est pas toujours clair : on peut avoir l'impression que la machine sort quelque chose de nulle part, ce qui est très frustrant pour un scientifique », a-t-il ajouté. « Nous avons mis en place plusieurs cours de formation expliquant les principes fondamentaux de l'IA afin d'améliorer les compétences de notre personnel. En outre, nous travaillons sur des sujets tels que l'IA explicable, qui permet à la machine de donner des indications sur la manière dont les prédictions sont faites. Cela permet aux collègues de s'associer efficacement aux outils d'IA dans leur travail”.