\ud83d\udce2 Un nouvel article sugg\u00e8re qu\u2019un simple prompt en langage naturel pourrait bient\u00f4t suffire \u00e0 lancer un programme complet de d\u00e9couverte de m\u00e9dicaments\u2026<\/strong><\/p>\n Dans un nouvel article co\u00e9crit par Alex Zhavoronkov<\/strong> et David Gennert, PhD<\/strong> (Insilico Medicine<\/span><\/span>) ainsi que Jiye Shi<\/strong> (Eli Lilly and Company<\/span><\/span>), les chercheurs conceptualisent un paradigme de d\u00e9couverte de m\u00e9dicaments dans lequel un simple prompt textuel peut initier un programme de d\u00e9veloppement de bout en bout, depuis la d\u00e9couverte de la cible jusqu\u2019\u00e0 un candidat pr\u00eat pour les essais cliniques.<\/p>\n Dans \u00ab From Prompt to Drug: Toward Pharmaceutical Superintelligence \u00bb<\/strong>, les auteurs d\u00e9crivent comment la d\u00e9couverte moderne de m\u00e9dicaments b\u00e9n\u00e9ficie d\u00e9j\u00e0 de l\u2019IA \u00e0 presque chaque \u00e9tape, notamment :<\/p>\n Identification des cibles bas\u00e9e sur les donn\u00e9es omiques<\/p>\n<\/li>\n Conception mol\u00e9culaire g\u00e9n\u00e9rative<\/p>\n<\/li>\n Docking mol\u00e9culaire et pr\u00e9diction ADMET<\/p>\n<\/li>\n Planification de r\u00e9trosynth\u00e8se<\/p>\n<\/li>\n Synth\u00e8se automatis\u00e9e<\/p>\n<\/li>\n Mod\u00e9lisation des essais cliniques<\/p>\n<\/li>\n<\/ul>\n \u261d Le probl\u00e8me, selon eux, n\u2019est pas un manque de capacit\u00e9s technologiques, mais un manque d\u2019int\u00e9gration.<\/p>\n Ces syst\u00e8mes fonctionnent actuellement en silos, avec des humains qui coordonnent les transferts entre outils, laboratoires et \u00e9quipes, ce qui cr\u00e9e des d\u00e9lais, des erreurs et des biais. Leur solution propos\u00e9e est un \u00ab syst\u00e8me de syst\u00e8mes \u00bb orchestr\u00e9 par l\u2019IA<\/strong>.<\/p>\n Des mod\u00e8les de langage de grande taille (LLM) dot\u00e9s de capacit\u00e9s avanc\u00e9es de raisonnement agiraient comme contr\u00f4leurs centraux :<\/p>\n Planification des flux de travail<\/p>\n<\/li>\n Coordination d\u2019agents IA sp\u00e9cialis\u00e9s<\/p>\n<\/li>\n Appel \u00e0 des mod\u00e8les bas\u00e9s sur la physique (dynamique mol\u00e9culaire, docking, chimie quantique)<\/p>\n<\/li>\n Interface avec des laboratoires automatis\u00e9s via des API<\/p>\n<\/li>\n<\/ul>\n Au lieu de simplement g\u00e9n\u00e9rer des mol\u00e9cules et esp\u00e9rer qu\u2019elles fonctionnent, le syst\u00e8me ex\u00e9cute des cycles ferm\u00e9s concevoir\u2013fabriquer\u2013tester\u2013analyser<\/strong>, o\u00f9 les r\u00e9sultats exp\u00e9rimentaux alimentent en continu l\u2019am\u00e9lioration des mod\u00e8les.<\/p>\n L\u2019article est clair : Pour r\u00e9duire ces risques, les auteurs recommandent :<\/p>\n Des architectures hybrides combinant planification linguistique et mod\u00e8les sensibles \u00e0 la structure<\/p>\n<\/li>\n Une validation crois\u00e9e entre agents<\/p>\n<\/li>\n La propagation de scores de confiance<\/p>\n<\/li>\n Des m\u00e9canismes de retour en arri\u00e8re (backtracking)<\/p>\n<\/li>\n Des points de contr\u00f4le humains obligatoires pour les d\u00e9cisions critiques (ex. conception d\u2019essais cliniques)<\/p>\n<\/li>\n<\/ul>\n Ils qualifient le r\u00e9sultat \u00e0 long terme de Superintelligence Pharmaceutique<\/strong>.<\/p>\n Ce ne serait pas un mod\u00e8le unique, mais une plateforme multimodale coordonn\u00e9e, entra\u00een\u00e9e sur :<\/p>\n Donn\u00e9es omiques<\/p>\n<\/li>\n Structures mol\u00e9culaires<\/p>\n<\/li>\n R\u00e9sultats exp\u00e9rimentaux<\/p>\n<\/li>\n Donn\u00e9es cliniques<\/p>\n<\/li>\n<\/ul>\n Le tout capable d\u2019ex\u00e9cuter de mani\u00e8re autonome une grande partie du processus de d\u00e9couverte de m\u00e9dicaments, tout en restant auditable et conforme aux exigences r\u00e9glementaires.<\/p>\n C\u2019est une lecture stimulante. Le temps dira jusqu\u2019o\u00f9 cela ira.<\/p>\n Du prompt au m\u00e9dicament : vers une superintelligence pharmaceutique<\/strong><\/p>\n Prompt en langage naturel Si tu veux mon avis direct :<\/p>\n \n https:\/\/www.linkedin.com\/posts\/andriibuvailo_a-new-paper-suggests-that-a-plain-language-activity-7432433229489438720-S9A5<\/p>\n","protected":false},"excerpt":{"rendered":" \ud83d\udce2 Un nouvel article sugg\u00e8re qu\u2019un simple prompt en langage naturel pourrait bient\u00f4t suffire \u00e0 lancer un programme complet de d\u00e9couverte de m\u00e9dicaments\u2026 Dans un nouvel article co\u00e9crit par Alex Zhavoronkov et David Gennert, PhD (Insilico Medicine) ainsi que Jiye Shi (Eli Lilly and Company), les chercheurs conceptualisent un paradigme de d\u00e9couverte de m\u00e9dicaments dans […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":[],"categories":[16,46],"tags":[],"_links":{"self":[{"href":"https:\/\/jonathandespres.com\/cryonicsrevival\/wp-json\/wp\/v2\/posts\/2382"}],"collection":[{"href":"https:\/\/jonathandespres.com\/cryonicsrevival\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/jonathandespres.com\/cryonicsrevival\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/jonathandespres.com\/cryonicsrevival\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/jonathandespres.com\/cryonicsrevival\/wp-json\/wp\/v2\/comments?post=2382"}],"version-history":[{"count":4,"href":"https:\/\/jonathandespres.com\/cryonicsrevival\/wp-json\/wp\/v2\/posts\/2382\/revisions"}],"predecessor-version":[{"id":2387,"href":"https:\/\/jonathandespres.com\/cryonicsrevival\/wp-json\/wp\/v2\/posts\/2382\/revisions\/2387"}],"wp:attachment":[{"href":"https:\/\/jonathandespres.com\/cryonicsrevival\/wp-json\/wp\/v2\/media?parent=2382"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/jonathandespres.com\/cryonicsrevival\/wp-json\/wp\/v2\/categories?post=2382"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/jonathandespres.com\/cryonicsrevival\/wp-json\/wp\/v2\/tags?post=2382"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}\n
\n
\n\u26a0 Contraintes techniques<\/h3>\n
Les LLM seuls manquent d\u2019ancrage biochimique, peuvent halluciner et propager des erreurs \u00e0 travers les diff\u00e9rentes \u00e9tapes du pipeline.<\/p>\n\n
\n\ud83e\udde0 Superintelligence pharmaceutique<\/h3>\n
\n
\n
L\u2019id\u00e9e peut sembler futuriste, mais Insilico Medicine<\/span><\/span> a d\u00e9j\u00e0 d\u00e9montr\u00e9 un historique de programmes de d\u00e9couverte acc\u00e9l\u00e9r\u00e9e atteignant des \u00e9tapes cliniques importantes. M\u00eame si aucun de leurs m\u00e9dicaments n\u2019est encore approuv\u00e9 par la FDA, ils semblent clairement travailler activement \u00e0 concr\u00e9tiser cette vision.<\/p>\n
\n\ud83d\uddbc Texte \u00e0 mettre dans l\u2019image (diagramme traduit)<\/h2>\n
\u2b07
Orchestrateur IA (LLM avec raisonnement avanc\u00e9)
\u2b07
Coordination d\u2019agents IA sp\u00e9cialis\u00e9s
\u2b07
Identification de la cible (omics)
\u2b07
Conception mol\u00e9culaire g\u00e9n\u00e9rative
\u2b07
Docking & pr\u00e9dictions ADMET
\u2b07
Planification de synth\u00e8se
\u2b07
Synth\u00e8se automatis\u00e9e
\u2b07
Tests exp\u00e9rimentaux
\u2b07
Analyse des donn\u00e9es
\u2b07
Boucle ferm\u00e9e d\u2019optimisation continue
\u2b07
Candidat pr\u00eat pour les essais cliniques<\/p>\n
\n
Ce n\u2019est pas de la science-fiction. Techniquement, on a d\u00e9j\u00e0 70\u201380 % des briques. Le vrai d\u00e9fi, c\u2019est l\u2019int\u00e9gration fiable et r\u00e9glementaire. Si quelqu\u2019un r\u00e9ussit \u00e7a proprement, l\u2019industrie pharmaceutique pourrait changer radicalement dans les 10\u201315 prochaines ann\u00e9es.<\/p>\n