Les médicaments conçus par IA affichent un taux de réussite de 90% en phase I, presque le double de la moyenne du secteur

Des données industrielles récentes datant du début de 2026 suggèrent que les candidats-médicaments conçus à l’aide d’une intelligence artificielle générative atteignent un taux de réussite de 90% dans les essais de sécurité de phase I. Des entreprises de biotechnologie nativement IA rapportent des taux de réussite en phase I compris entre 80% et 90%, soit presque le double de la moyenne historique du secteur, d’environ 50%.

Ce niveau de référence est nettement supérieur aux moyennes historiques, où les petites molécules traditionnelles subissaient souvent une attrition importante en raison d’une toxicité humaine imprévue ou d’une mauvaise biodisponibilité. Ces candidats computationnels sont développés à l’aide de réseaux antagonistes génératifs (generative adversarial networks) et d’apprentissage profond (deep learning) afin d’optimiser simultanément l’affinité de liaison et les propriétés de sécurité avant toute synthèse physique.

Les plateformes computationnelles raccourcissent fortement le délai entre la découverte et l’entrée en clinique, certains candidats atteignant des essais chez l’humain en moins de 18 mois. Un rapport primaire détaillé souligne que ces plateformes peuvent, dans certains cas, compresser le calendrier traditionnel de la découverte à la clinique de six ans à moins de 18 mois. Cette efficacité suggère un changement fondamental, où le développement de médicaments est davantage traité comme un défi d’ingénierie de précision que comme un processus de criblage par essais et erreurs.

Pour le pipeline pharmaceutique, ce taux élevé de transition de la phase I à la phase II pourrait réduire de manière significative la « vallée de la mort » qui emporte habituellement la moitié des actifs à un stade précoce. Le recours à la prédiction in silico ADMET permet aux chercheurs d’éliminer des groupements réactifs ou toxiques bien avant qu’un composé n’atteigne un volontaire humain. En outre, le coût pour nommer un candidat préclinique grâce à ces méthodes aurait été rapporté comme étant inférieur de plusieurs ordres de grandeur à celui du criblage à haut débit traditionnel.

La découverte de médicaments traditionnelle est notoirement lente et coûteuse. Le développement d’un nouveau médicament peut coûter plus de 2.5 billion, en tenant compte du taux d’échec élevé. Seuls environ 35% des candidats-médicaments franchissent le développement à un stade précoce et entrent en essais cliniques. Plus préoccupant encore, seuls 9-14% des médicaments passent des essais de phase 1 à l’autorisation réglementaire. L’ensemble du processus dure généralement 12 à 15 ans. Le taux d’attrition pendant les essais cliniques est d’environ 90%, ce qui signifie que seule une petite fraction des médicaments qui entrent en développement clinique obtiennent finalement une autorisation.

Bien que ces premiers résultats de sécurité soient extraordinaires, l’épreuve décisive demeure de savoir si ces molécules démontreront une efficacité thérapeutique supérieure dans des populations de patients plus larges et plus diversifiées. Un commentaire clinique note que, si la sécurité en phase I est un prérequis, l’obstacle de l’efficacité en phase II reste le validateur ultime pour la chimie issue de l’IA. Il existe également un manque de données à long terme concernant la durabilité des réponses pour ces nouvelles structures computationnelles, comparativement aux échafaudages (scaffolds) traditionnels.

À l’heure actuelle, le secteur suit de près plusieurs actifs majeurs en oncologie et dans la fibrose, à mesure qu’ils entrent dans des essais pivotaux. Nous ne savons pas encore si l’amélioration du profil de sécurité se traduira par une probabilité plus élevée d’autorisation réglementaire finale. Toutefois, les données actuelles soulignent le potentiel de l’IA à améliorer de façon spectaculaire la productivité de la chaîne de valeur de la R&D. Cette hausse de la sécurité pourrait, à terme, réduire le coût des médicaments de spécialité si ces économies de R&D sont finalement répercutées sur le système de santé.

Le marché mondial de l’intelligence artificielle (AI) appliquée à la découverte de médicaments devrait croître à un rythme de 25-30% au cours des cinq prochaines années. Les principaux facteurs qui alimentent cette croissance comprennent la nécessité croissante de réduire les coûts et les délais de développement des médicaments, l’adoption accrue des technologies d’IA dans les secteurs de la santé et des sciences de la vie, l’augmentation du volume de données générées en sciences de la vie, les progrès de la puissance de calcul et l’élargissement des collaborations entre les entreprises pharmaceutiques et les sociétés d’IA.