Artificial Intelligence in Drug Discovery: A PRISMA-Based Systematic Review of Methods, Challenges, Taxonomy, and Evaluation Practices

Amener un nouveau médicament de l'idée d'un scientifique à une étagère de pharmacie est une entreprise monumentale. Cela prend généralement une décennie ou plus et coûte des milliards de dollars, pourtant la grande majorité des médicaments potentiels échouent avant même d'atteindre un patient. La plupart de ces échecs surviennent parce que le médicament ne fonctionne pas assez bien ou provoque des effets secondaires nocifs qui n'apparaissent que tardivement dans le processus de test. Pour accélérer ce voyage lent et coûteux, les chercheurs se sont tournés vers l'intelligence artificielle. Dans ce contexte, l'intelligence artificielle fait référence à des systèmes informatiques capables d'apprendre à partir de données pour trouver des modèles et faire des prédictions sans être explicitement programmés avec chaque règle individuelle. L'un des outils les plus puissants dans ce domaine est l'apprentissage automatique (machine learning), où les ordinateurs analysent de vastes quantités d'informations pour améliorer leurs propres performances au fil du temps. Un autre concept clé est le pipeline de découverte de médicaments, qui est le processus étape par étape consistant à trouver une cible thérapeutique, à cribler des millions de composés chimiques et à affiner les meilleurs candidats en médicaments sûrs. Pendant des années, ce processus reposait largement sur l'intuition humaine et des tests manuels lents, mais le nombre pur de combinaisons chimiques possibles est si vaste que l'effort humain seul ne peut les explorer toutes.

Une nouvelle revue exhaustive de la littérature scientifique a cartographié précisément comment l'intelligence artificielle est actuellement utilisée pour relever ces défis. Les chercheurs derrière cette étude, dirigés par Mahmud Ahmed et ses collègues, n'ont pas mené une nouvelle expérience en laboratoire. Au lieu de cela, ils ont agi comme des archivistes de haut niveau, rassemblant et analysant 618 articles scientifiques distincts publiés entre 2019 et 2026. Ils ont fouillé à travers trois bases de données majeures contenant des millions d'enregistrements, filtrant les doublons et les études non pertinentes pour se concentrer uniquement sur la recherche de haute qualité appliquant l'intelligence artificielle à la découverte de médicaments. Leur objectif était de percer le bruit d'un domaine en croissance rapide, où des milliers de nouveaux articles apparaissent chaque année, afin de comprendre quelles méthodes fonctionnent réellement, vers où le domaine se dirige et quels problèmes restent non résolus. Ils voulaient créer une image claire du paysage, organisant le mélange chaotique de techniques en un cadre structuré que les scientifiques et les leaders de l'industrie peuvent utiliser pour progresser.

La revue a révélé que le domaine a explosé ces dernières années. En 2019, il n'y avait que 11 études pertinentes, mais en 2026, ce nombre avait bondi à 159, montrant une augmentation de quatorze fois. L'approche la plus courante trouvée dans ces études est l'apprentissage automatique, qui apparaît dans presque chaque article examiné. Au sein de cette large catégorie, l'apprentissage profond (deep learning) — un type d'intelligence artificielle modélisé d'après les réseaux neuronaux du cerveau humain — était utilisé dans environ 78 % des études. Bien que les méthodes plus anciennes comme la modélisation de la relation structure-activité quantitative, qui prédit le comportement d'une molécule en fonction de sa forme, soient encore largement utilisées, de nouvelles technologies progressent rapidement. Les réseaux de neurones sur graphes, qui traitent les molécules comme des cartes de points connectés pour comprendre leur structure, et les modèles transformeurs, qui sont le même type de technologie derrière les outils de langage avancés, sont devenus des forces dominantes, particulièrement dans les articles publiés au cours des deux dernières années. Ces nouveaux outils sont particulièrement doués pour concevoir des molécules entièrement nouvelles à partir de zéro plutôt que de simplement tester celles existantes.

Les chercheurs ont organisé ces découvertes en un système clair, montrant quels outils d'intelligence artificielle sont les mieux adaptés à chaque étape du processus de découverte de médicaments. L'application la plus fréquente est le criblage virtuel, où les ordinateurs testent rapidement des millions de composés chimiques pour voir lesquels pourraient se lier à une cible pathologique. Cela représentait plus de la moitié des études. Le deuxième domaine le plus courant est la conception de novo (de novo design), où l'intelligence artificielle invente de nouvelles structures chimiques qui n'ont jamais existé auparavant. Bien que ces outils soient puissants, la revue a constaté que le domaine lutte encore pour prouver qu'ils fonctionnent de manière fiable. Un problème majeur est que de nombreuses études n'utilisent qu'un seul type de mesure pour juger du succès, se concentrant souvent sur un score unique qui peut être trompeur lorsque les données sont déséquilibrées. Par exemple, si un ensemble de données contient principalement des composés inactifs, un modèle pourrait paraître hautement précis simplement en devinant que tout est inactif, alors qu'il échouerait à trouver les quelques médicaments actifs qui comptent. La revue a révélé que très peu d'études rapportaient les mesures spécifiques nécessaires pour détecter ces erreurs, ce qui rend difficile la comparaison équitable de différentes méthodes.

Une autre conclusion significative est que, bien que les modèles informatiques deviennent plus sophistiqués, l'application réelle de ces modèles est à la traîne. Les plus grands défis identifiés n'étaient pas des échecs techniques des algorithmes eux-mêmes, mais plutôt la difficulté d'intégrer ces prédictions numériques dans des expériences réelles en laboratoire humide et dans les essais cliniques. Seule une petite fraction des études incluses dans la revue a testé ses modèles sur des données nouvelles et indépendantes pour voir s'ils fonctionneraient dans un contexte différent. De plus, beaucoup de ces systèmes d'intelligence artificielle puissants sont des « boîtes noires », ce qui signifie que même les scientifiques qui les ont construits ne peuvent pas expliquer pleinement pourquoi l'ordinateur a fait une prédiction spécifique. Ce manque de transparence est un obstacle majeur pour les régulateurs, qui exigent des explications claires avant d'approuver de nouveaux médicaments. La revue a également souligné que les données utilisées pour entraîner ces modèles sont souvent incomplètes ou biaisées, ce qui peut conduire à des modèles qui fonctionnent bien dans une simulation informatique mais échouent lorsqu'ils sont appliqués à des systèmes biologiques réels.

La distribution géographique de cette recherche est également révélatrice, la majorité des études provenant de Chine, des États-Unis et de l'Inde. La revue a noté que la contribution de l'Inde est plus importante qu'on ne le pensait auparavant, suggérant un pôle d'innovation croissant dans cette région. Malgré la croissance rapide et le volume impressionnant de la recherche, les auteurs concluent que le domaine se trouve à un moment critique. La technologie a progressé au point de pouvoir générer de nouveaux candidats médicaments et prédire leurs propriétés avec une grande précision, mais l'infrastructure pour valider, interpréter et déployer ces candidats en toute sécurité n'est pas encore prête. La revue suggère que la prochaine étape majeure n'est pas seulement de construire des modèles plus grands, mais de créer des systèmes qui sont transparents, reproductibles et capables de travailler à travers différents types de données, comme la combinaison d'informations génétiques avec des structures chimiques. Tant que ces lacunes ne seront pas comblées, la promesse de l'intelligence artificielle de réduire considérablement le temps et le coût de mise sur le marché de nouveaux médicaments vitaux restera seulement partiellement réalisée.