L’apprentissage fédéré et l’infrastructure pilotée par l’IA propulsent la découverte de médicaments

La convergence de l’apprentissage fédéré, de l’intelligence artificielle et du calcul haute performance transforme la découverte de médicaments, avec de nouveaux modèles collaboratifs démontrant des performances supérieures et générant une demande urgente d’infrastructure numérique avancée. L’apprentissage fédéré, qui permet d’entraîner des modèles d’IA entre organisations sans partager de données sensibles, a produit des résultats qui surpassent significativement les approches traditionnelles. Parallèlement, l’industrie des sciences de la vie fait face à une pression croissante pour accéder à une capacité de centre de données évolutive et prête pour l’IA, afin de soutenir des charges de travail de plus en plus intensives en calcul.

L’apprentissage fédéré permet aux entreprises pharmaceutiques et aux instituts de recherche de collaborer à l’entraînement de modèles d’IA tout en gardant les données propriétaires et les données des patients sécurisées au sein de leurs propres réseaux. Lors d’une avancée récente, un réseau de biologie structurale a démontré que les modèles fédérés surpassaient toutes les alternatives, y compris les modèles construits en interne par les participants et tout modèle disponible publiquement. « Nous avons fourni à nos partenaires le meilleur modèle, surpassant significativement tous les autres modèles qu’ils pouvaient construire en interne ou tout modèle public », a déclaré le PDG d’Apheris, une entreprise spécialisée dans l’apprentissage fédéré sécurisé. La supériorité de ces modèles dépend de la qualité et du volume des données contribuées, ainsi que du paradigme d’entraînement en apprentissage automatique utilisé.

Le directeur général de Ginkgo Datapoints chez Ginkgo BioWorks a souligné que l’adoption pratique est une mesure cruciale du succès. « On ne peut pas simplement avoir un bon modèle sur le papier. Il doit être pratique et les scientifiques doivent l’adopter pour augmenter l’efficacité de leurs flux de travail au quotidien », a noté le dirigeant. Pour les petits acteurs biopharmaceutiques, cependant, il existe une inquiétude que les réseaux d’apprentissage fédéré puissent devenir des clubs exclusifs réservés aux grandes entreprises pharmaceutiques. Le cofondateur de LiVeritas Biosciences, qui œuvre pour démocratiser la technologie analytique pour les petites entreprises, a déclaré : « Ce serait une occasion manquée si l’apprentissage fédéré reproduisait les mêmes déséquilibres d’accès qui ont historiquement désavantagé les petits acteurs de l’industrie. »

Alors que ces techniques collaboratives d’IA progressent, le secteur des sciences de la vie est aux prises avec l’infrastructure nécessaire pour les soutenir. L’infrastructure numérique est désormais aussi cruciale pour la R&D que l’espace de laboratoire, avec le big data, l’IA et le calcul haute performance convergeant pour accélérer la découverte de médicaments, la médecine de précision et la génomique. Les entreprises pharmaceutiques, les biotechs, les organismes de recherche sous contrat et les instituts de recherche subissent une pression croissante pour réduire les délais de mise sur le marché et développer la recherche intensive en données tout en protégeant la propriété intellectuelle. Les modèles d’IA peuvent désormais analyser les structures moléculaires, prédire le repliement des protéines et simuler les interactions de composés en une fraction du temps requis par les méthodes traditionnelles, les systèmes HPC permettant un calcul parallèle sur des milliers de cœurs de processeurs.

L’intégration de l’IA et du HPC soutient également la recherche clinique en optimisant la conception des essais, en identifiant des cohortes de patients et en améliorant la modélisation prédictive. Le traitement des données en temps réel améliore l’efficacité des essais et la probabilité de succès réglementaire. Parallèlement, la médecine de précision repose sur l’analyse génomique alimentée par le HPC pour adapter les traitements aux patients individuels, et la fabrication avancée de produits biologiques ainsi que la surveillance de la sécurité des médicaments bénéficient de ces capacités de calcul. Pour répondre à ces demandes, les organisations ont besoin d’environnements de centre de données prêts pour l’IA offrant une alimentation haute densité, un refroidissement avancé, une connectivité à faible latence et une sécurité robuste. L’infrastructure informatique d’entreprise traditionnelle est désormais insuffisante pour l’entraînement de l’IA générative, l’apprentissage profond et les charges de travail des grands modèles de langage.

Le supercalculateur dans le cloud fournit des ressources flexibles pour répondre aux demandes computationnelles de la recherche moderne. L’emplacement du centre de données, la disponibilité de l’énergie et la conformité réglementaire émergent comme des facteurs stratégiques pour permettre l’innovation scientifique. Les tendances de l’industrie indiquent que les futures charges de travail seront encore plus gourmandes en calcul et plus denses en énergie, l’IA remodelant le secteur des centres de données en deux voies distinctes : les usines d’IA, axées sur des clusters soutenus et denses en GPU, et les installations polyvalentes pour les besoins du cloud et de l’entreprise. Les centres de données de périphérie gagneront également en importance pour minimiser la latence des charges de travail d’inférence à proximité des hôpitaux et des pôles de recherche.

La fiabilité de ces centres de données n’a jamais été aussi critique. Les systèmes de santé en dépendent pour les dossiers médicaux électroniques, l’imagerie diagnostique et les outils d’aide à la décision clinique basés sur l’IA. Une panne peut retarder les diagnostics, interrompre la télémédecine et bloquer des recherches médicales vitales, y compris les simulations de découverte de médicaments. Alors que les charges de travail d’IA et de HPC augmentent, le niveau opérationnel passe de « fort » à « indispensable ». Les experts conseillent aux gestionnaires de centres de données de renforcer la cybersécurité, de planifier une croissance évolutive à haute densité avec refroidissement liquide et réseaux avancés, et d’adopter l’analyse prédictive pour minimiser les risques et assurer un fonctionnement continu.