Arguments en faveur du partage des données avec le Broad Institute

Voix hors champ 1 :
Bienvenue à Insights de TD Cowen. Un balado qui réunit des spécialistes qui offrent leur éclairage et leurs réflexions sur ce qui façonne notre monde. Soyez des nôtres pour cette conversation avec les esprits les plus influents de nos secteurs mondiaux.
Brendan Smith :
OK, on est en direct à la 46e Conférence annuelle sur les soins de santé de TD Cowen. Je suis Brendan Smith, analyste du secteur des soins de santé à TD Cowen, et je vous souhaite de nouveau la bienvenue à un nouvel épisode de La médecine à l’ère des machines : IA et soins de santé. Cette série de balados de TD Cowen présente les principaux enjeux dans l’évolution récente de l’IA et des soins de santé.
Aujourd’hui, je reçois le Dr Shantanu Singh, du Broad Institute. Dr Singh, bienvenue à notre balado, je suis ravi de vous accueillir.
Dr Shantanu Singh :
Merci.
Brendan Smith :
Pour les auditeurs qui nous découvrent, chaque épisode de notre balado cherche à expliquer simplement l’utilisation de l’intelligence artificielle en soins de santé, à déboulonner les principaux mythes et à replacer chaque élément dans le contexte global. Aujourd’hui, le Dr Singh et moi allons explorer comment, grâce à des outils de nouvelle génération et à certaines technologies novatrices de partage des données, la collectivité des chercheurs en IA du secteur des soins de santé règle les principaux goulots d’étranglement liés aux données qu’elle rencontre dans le contexte évolutif de la recherche. On va aussi voir ce que ce changement de paradigme pourrait en réalité signifier pour l’ensemble du secteur des sciences de la vie.
Bon, Dr Singh, on va rentrer directement dans le vif du sujet. Pour commencer, est-ce que vous pourriez nous expliquer comment vous utilisez les outils optimisés par l’IA et les données dans votre flux de travail quotidien et comment les progrès et l’intégration de ces technologies ont transformé votre domaine d’expertise?
Dr Shantanu Singh :
Oui. Notre travail consiste principalement à utiliser des images pour lire l’état d’un système biologique, habituellement des cellules, parfois des tissus. Et le domaine qui a permis de faire ça, le domaine technologique, c’est la vision par ordinateur, la capacité des ordinateurs à regarder des images, à y identifier des structures et à en extraire des mesures.
Pendant très longtemps, le domaine s’est résumé aux technologies qu’il nécessitait, c’est-à-dire les algorithmes informatiques, les algorithmes de traitement d’images qui étaient utilisés pour identifier les cellules dans une image et faire toutes ces choses, en extraire des mesures qui servent elles-mêmes à déduire l’état de la cellule.
Ensuite, il y a les méthodes utilisées en aval de ces étapes : l’analyse des données et les méthodes d’apprentissage automatique qui sont utilisées pour prendre toutes ces données et résoudre les problèmes, ce qui permet de trouver de nouveaux médicaments, en quelque sorte. Il y a tout un programme de recherche, on va en parler, sur la façon dont ces résultats peuvent être utilisés pour étudier la biologie.
Mais il y a eu une révolution sur ces deux fronts au cours des dix dernières années. Par exemple, notre capacité actuelle à identifier automatiquement les cellules dans une image donnée sans qu’un humain ait besoin d’ajuster ces algorithmes s’est considérablement améliorée. Et à partir de là, il y a les méthodes d’apprentissage automatique qu’on utilise, qui nous permettent de mieux faire ces prédictions.
D’une certaine façon, l’IA sous cette forme est fondamentale pour notre science. Ce n’est pas une option. Donc, ces nouvelles méthodes ont entraîné cette transformation. Mais, à côté de ça, il y a aussi les outils de programmation agentique. Comme Claude Code, par exemple, peut-être qu’il y a des personnes parmi vous qui en ont entendu parler. Ces outils sont déjà intégrés à notre flux de travail quotidien : ils rédigent et maintiennent l’exécution en cascade des analyses, ils produisent des documents et construisent l’infrastructure. Et je pense que, de ce point de vue, c’est ça qui, au cours de la dernière année, a entraîné la plus forte hausse de la productivité jusqu’à présent.
Brendan Smith :
Oui. Selon moi, vous abordez beaucoup de points importants sur lesquels on nous pose constamment des questions, franchement. Mais c’est vraiment du côté du domaine de l’analyse comparative. Donc, du point de vue de l’analyse comparative de certaines de ces améliorations, où est-ce que vous observez le rendement du capital investi le plus significatif dans vos propres projets de recherche? Et est-ce qu’il y a des outils, que vous élaborez ou que vous utilisez, qui, selon vous, sont capables de bouleverser la façon dont vous et vos collègues travaillez dans l’ensemble?
Dr Shantanu Singh :
Oui, bien sûr. Oui. D’une certaine façon, notre domaine lui-même représente un bouleversement. Le fait d’utiliser des images en tant qu’indicateurs de l’état d’une cellule est un moyen très rapide, facile et économique de mesurer ce que n’importe quelle perturbation biologique due à une substance chimique, n’importe quelle autre perturbation, ou n’importe quel changement génétique pourrait faire à une cellule.
Donc on a ces résultats, ces mesures de grande dimension concernant l’état d’une cellule, qu’on peut considérer comme l’empreinte digitale ou la signature des cellules. La façon dont on les génère est devenue tellement peu coûteuse. Et donc on mène nos recherches en biologie et pour découvrir des médicaments de manière fondamentalement différente. En gros, ce qu’on fait, c’est qu’on prend des photos de cellules qui ont été perturbées ou traitées à l’aide de substances chimiques. Ensuite, la photo… On traite les cellules avec des substances chimiques, ou on neutralise un gène, ou quelque chose du genre, pour pouvoir les étudier.
Ensuite, on administre aux cellules des colorants de couleur différente et des colorants à la fluorescéine qui brillent quand on les soumet aux lasers. Et puis on prend beaucoup d’images de ces cellules, qui deviennent ensuite les données qu’on utilise.
C’est en un certain sens une approche transformative, parce que c’est vraiment très peu coûteux en comparaison de beaucoup d’autres méthodes d’extraction de mesures, qui sont plus complexes et plus sophistiquées. Et les répercussions sont multiples. On peut, par exemple, utiliser cette méthode pour déterminer et prédire le mécanisme d’action d’un médicament, ce que le médicament peut faire à un système; on pratique un dépistage virtuel. Pour le dire autrement, il y a ces tests biologiques très coûteux qui sont pratiqués dans le secteur pharmaceutique pour prédire l’activité d’un médicament; ils ne sont pas forcément remplacés, mais on peut au moins en prédire les résultats de façon virtuelle, en prenant des images comme données d’entrée et en utilisant beaucoup de données d’entraînement issues d’anciens ensembles de données dont on dispose comme données de sortie. Et ensuite, on peut trouver des modèles prédictifs qui pourraient remplacer ces tests virtuels.
D’une certaine façon, tout ça nous a permis d’apporter aux sciences biologiques une méthode de mesure bon marché et universelle, ce qui change vraiment l’économie de tout ce qui se passe en aval.
Brendan Smith :
Ça soulève naturellement beaucoup de questions sur l’influence réciproque des différents chercheurs du secteur. Récemment, on a observé que le cloisonnement traditionnel des données entre les grandes sociétés pharmaceutiques et certains de ces fournisseurs de plateformes plus axés sur l’IA était devenu beaucoup plus flou. Donc, de votre point de vue, comment est-ce que le passage à l’IA et à l’apprentissage automatique observé à l’échelle du secteur a influencé la relation entre les petits laboratoires, les fournisseurs de plateformes et les sociétés pharmaceutiques? Et, peut-être, comment est-ce que, à votre avis, ça va continuer d’évoluer à mesure que ces technologies vont elles aussi progresser?
Dr Shantanu Singh :
Les fossés, comme je les appelle, qui existent dans le secteur pharmaceutique, n’ont pas disparu, mais ils ont certainement évolué. Les éléments, les actifs irremplaçables, ce sont les données relatives aux résultats cliniques de la phase 1 à la phase 3 : tous les résultats des essais, reliés aux données moléculaires et aux profils phénotypiques. Et aucune des sortes de données qu’on génère, ce qu’on appelle les données de la coloration cellulaire, les données sur les cellules ou données d’AlphaFold, la prédiction de la structure des protéines ou de leur repliement, aucune ne peut vous apporter ça.
Donc, c’est là que le fossé a été le plus comblé : les données précliniques, et je vais en parler; mais je pense que le domaine dans lequel il y a peu de regroupement, c’est celui des données cliniques. Le coût de production de ces données précliniques à grande échelle a considérablement diminué. Donc, des méthodes pratiquées dans les laboratoires, comme la coloration cellulaire, mais aussi de nombreuses autres technologies du même ordre, permettent à des tout petits laboratoires de générer des quantités gigantesques de données à moindre coût. Vous pouvez maintenant établir le profil de milliers ou de dizaines de milliers d’ensembles de composés de façon assez bon marché, avec un budget raisonnable qu’un laboratoire universitaire peut offrir. Et ça donne des résultats très riches qui vous permettent ensuite de faire beaucoup de prédictions.
Avec les approches in silico, par exemple Alpha 43 et ce qu’on appelle Alpha 44, Isomorphic Labs et la prédiction de structures qui semblent incroyables, on peut en quelque sorte passer à l’échelle de façon computationnelle sans l’infrastructure d’un laboratoire expérimental. Des sociétés comme Recursion ont créé des ensembles de données d’imagerie en propriété exclusive qui rivalisent avec les laboratoires pharmaceutiques et dont l’envergure est comparable à celle de l’approche classique de ces laboratoires.
Et il faut ajouter que les données publiques aident extrêmement les petits acteurs. Les ensembles de données qu’on a générés, 700 téraoctets de données d’imagerie qui ont été diffusées comme ça, permettent aux petites entreprises et aux laboratoires dont le budget est plus réduit de perfectionner leurs méthodes, de les comparer et d’être concurrentiels. Le secteur pharmaceutique disposait déjà de beaucoup de données internes. Donc pour les groupes dont les ressources étaient limitées, ça change vraiment la donne.
Et je pense que même avec le modèle préclinique, où il y a une variation, je pense que là où le fossé est le plus mince, c’est dans les données précliniques issues d’une approche unique; par exemple si on prend l’imagerie seulement, ou la transcription de profil seulement, avec laquelle on obtient des résultats sur l’état de l’expression génique. Je pense que c’est là que le fossé est le plus mince. Par contre, ce fossé est plus large pour ce qui est des données multimodales, c’est-à-dire avec les méthodes qui utilisent des données d’imagerie et d’autres données omiques ainsi que des données cliniques; c’est là que l’écart concernant les types de données dont disposent les sociétés pharmaceutiques est vraiment difficile à réduire. D’une certaine façon, ce que je veux dire, c’est que, si on revient en arrière, les données publiques n’ont pas uniformisé les règles du jeu. Je pense qu’elles les ont en fait fixées. Elles ont permis aux petites entreprises d’entrer dans le jeu, ce qu’elles n’auraient pas pu faire auparavant.
Brendan Smith :
Oui. Cette discussion au sujet des règles du jeu et des différentes contributions relatives de certaines des séries de données est importante, simplement du fait de la hausse des initiatives de partage de données entre le secteur pharmaceutique, le secteur des biotechnologies, et même les institutions de recherche universitaire, dans l’ensemble de ces différentes plateformes d’IA.
Pour faire suite à cette dernière question, je serais curieux de savoir en quoi le passage à certaines de ces techniques de partage de données plus avancées, y compris l’apprentissage fédéré, dont je sais qu’on a déjà parlé auparavant, a eu des répercussions sur le travail que vous et vos collègues êtes en mesure de faire. Et, peut-être, en quoi est-ce que c’est réellement différent du travail relatif aux sources ouvertes plus courantes liées au milieu universitaire traditionnel?
Dr Shantanu Singh :
Il y a en quelque sorte deux modèles complémentaires; on travaille sur l’un d’entre eux, mais je peux parler des deux. Notre modèle repose sur des consortiums structurés qui se situent en amont de considérations concurrentielles. Par exemple, le JUMP-Cell Painting Consortium, qui travaille principalement sur la création du plus important ensemble de données de coloration cellulaire au monde, était un consortium de dix sociétés pharmaceutiques qui se sont réunies pour créer un ensemble d’environ 120 000 composés qui regroupe environ les trois quarts du génome humain, que celui-ci ait été neutralisé, surexprimé ou perturbé d’une façon ou d’une autre.
Et ces dix sociétés pharmaceutiques se sont entendues sur un ensemble de composés dont elles allaient établir le profil et organiser le transport entre elles, puis elles ont produit des données dans chacun de leurs centres, qu’elles ont ensuite partagées publiquement un an plus tard. C’est une chose.
Il y a le consortium OASIS, qui a été créé pour pouvoir prédire la toxicité pour le foie sans faire de tests sur les animaux, ou plutôt pour qu’on soit capables de réduire, et peut-être même de remplacer, les tests sur les animaux dans le cadre de la recherche sur les médicaments. À l’heure actuelle, ce consortium comporte plus de 50 institutions qui se sont réunies et on collabore en quelque sorte pour élaborer un modèle expérimental. Le nombre de centres de production de données est plus réduit, mais essentiellement, cette activité-là est effectuée en fonction d’un ensemble commun de composés, ce qui a nécessité des années pour établir la confiance, de nouvelles méthodes de gouvernance, de nouveaux cadres de propriété intellectuelle, etc.
Voilà, c’est ça notre approche : des consortiums structurés en dehors des considérations concurrentielles, produisant des données qui sont finalement diffusées publiquement. Mais pour ce qui est de l’apprentissage fédéré, dont vous avez parlé, dans ce cas, le modèle part dans chaque organisation, où les données de celle-ci sont intégrées au modèle. Seuls les paramètres sont transférés et partagés, et les données brutes ne sortent jamais vraiment; on en a déjà parlé. Le TuneLab d’Eli Lilly dispose, je crois, d’environ 16 modèles, ou quelque chose comme ça, qui ont été construits à partir de données internes issues de leur recherche interne d’une valeur qu’ils estiment à 1 milliard de dollars.
Et des partenaires du secteur des biotechnologies, comme Insitro et Circle Pharma, entre autres, améliorent les modèles sans qu’Eli ait jamais vu ces composés. Donc c’est un modèle différent. Je pense que les deux répondent à des besoins différents. Il y a un processus qui se situe en amont des considérations concurrentielles pour les ressources publiques et les indices de référence partagés, et il y a l’apprentissage fédéré pour les bibliothèques en propriété exclusive dans le cadre duquel les entreprises ne peuvent pas partager de données brutes. Ces deux modèles se complètent en quelque sorte, ils ne se concurrencent pas.
L’impact concret de notre travail, bien sûr, c’est qu’on a maintenant… on vient de parler du premier, les consortiums en amont de la concurrence, qui ont simplement permis aux entreprises, aux consortiums eux-mêmes et aussi à ceux qui n’ont pas cette expertise, de comprendre comment ces données ont été produites. Ils ont aussi permis à d’autres laboratoires d’en tirer maintenant parti, car tout ça a été diffusé avec une autorisation CC0. N’importe qui peut utiliser tout ça, pour littéralement n’importe quoi.
Brendan Smith :
On est déjà un peu en train d’en parler et je me doute de ce que vous allez répondre, mais de façon générale, quels sont les principaux incitatifs, selon vous, pour que deux parties entrent dans ce type de collaboration, de partage de données? Pour le dire d’une meilleure façon, quel est le plus grand attrait pour vous et vos collègues, par rapport à la façon dont d’autres acteurs du secteur percevraient cette approche, compte tenu du rythme historique de la concurrence?
Dr Shantanu Singh :
Pour avoir vécu ça au cours des dernières années, c’est vraiment un parcours personnel pour bon nombre d’entre nous. La façon dont je vois ça, et ça peut varier d’une personne à l’autre, c’est que les données ne sont pas la partie qui a le plus de valeur. C’est le processus de création collaborative qui en a le plus. Le simple fait de concevoir le test, de déterminer les contrôles de la qualité, de procéder aux analyses; c’est cet apprentissage partagé qui, selon moi, accélère vraiment les choses dans le domaine.
Et comme je l’ai dit, il y a deux modes de consortium, les deux ayant été mis sur pied par la collectivité. Le Jump Consortium regroupait vraiment tous les centres de production de données avec toutes les sociétés qui généraient ensemble des données sur un ensemble complémentaire de composés. Et ça a forcé tout le monde à se mettre d’accord sur les protocoles, à apprendre des erreurs de chacun et à normaliser la qualité. Et les connaissances collectives qui en ont découlé représentent le résultat réel.
C’est un peu la même chose pour le consortium OASIS, où on tente de prédire la toxicité pour le foie simplement en examinant des cellules et en les étudiant, ce qui oblige à… Dans ce cas, on a des partenaires qui fournissent des éléments sur la conception, qui collaborent à l’analyse et qui publient ensemble, et c’est un travail où la collaboration est pour autant très étroite, à ça près qu’il y a moins de centres de production de données.
Donc dans les deux cas, l’incitatif, c’est vraiment la collectivité, le fait d’écouter comment les autres abordent le problème, d’apprendre ensemble et de relever le niveau de qualité pour tout le monde. En ce sens, je pense que les données sont vraiment un artéfact, mais que l’expertise partagée dans ce cadre-là représente vraiment la valeur durable.
Brendan Smith :
Oui. Et je pense honnêtement qu’en réalité, c’est une discussion à laquelle on vient tous, avec des antécédents différents, des priorités différentes, des points de vue différents et des expériences différentes, et je pense que c’est un sujet qu’on doit constamment revisiter. Mais je suis curieux de savoir, dans le contexte de ce dont on a discuté ici et compte tenu de votre expérience au sein de ces différents consortiums et au sein de vos différents groupes de collègues de recherche, qu’est-ce que vous pensez de ceci : dans le milieu des placements et parmi les gens comme moi, pour être honnête, pour quiconque n’utilise pas tous ces outils chaque jour, qu’est-ce que, peut-être, on sous-estime probablement ou on ne comprend probablement pas tout à fait en ce qui concerne la place de l’IA dans votre travail, et qu’il est, selon vous, particulièrement important de comprendre pour n’importe quel investisseur? Au jour d’aujourd’hui, en mars 2026.
Dr Shantanu Singh :
J’aimerais transmettre ce message : le fait que les images sont toujours une source sous-estimée de données, sous-estimée en tant qu’approche en matière de données. Pendant longtemps, on trouvait les images de cellules magnifiques, mais elles n’étaient pas vraiment considérées comme calculables comme le sont les données génomiques. Si on regarde une image, on peut reconnaître des cellules, mais l’idée qu’on pouvait à partir de ça regrouper des composés en fonction d’un mécanisme partagé ou prédire à quelle voie de signalisation cellulaire cette cellule appartenait, simplement en regardant ces images de cellules et rien d’autre, cette idée n’était pas évidente.
Et on a passé… plusieurs de nos collègues ont passé presque plus d’une décennie à s’efforcer de démontrer ça, et je pense que ce n’est pas encore bien assimilé. L’autre chose, et je parie que vos collègues en ont beaucoup entendu parler, ce sont les modèles de fondation en biologie. Je pense que, fondamentalement, les modèles de fondation en biologie n’en sont pour le moment pas là où en sont les modèles de langage, pas même un peu.
Je dirais que la situation des modèles de langage protéiques est différente; il existe beaucoup de données sur les protéines et elles se prêtent beaucoup plus au même type d’entraînement de modèle que les modèles de langage. Donc, c’est une situation un peu différente.
Mais si on se penche sur les modèles de fondation en biologie, on n’en est pas là du tout pour presque tous les autres types de données. Je pense donc qu’il y a beaucoup de marketing et qu’il est très nécessaire de développer ça, mais on n’y est pas encore. La réalité sur le terrain, c’est que les entreprises doivent utiliser des modèles personnalisés pour travailler sur les données qu’elles ont recueillies, en fonction des problèmes particuliers qu’elles doivent résoudre. Ces modèles sont quand même fondamentaux pour l’entreprise en question, mais pas dans le sens où l’est Claude Opus, par exemple.
Je voudrais aussi ajouter que ce qui importe le plus est la partie ennuyeuse. À mon avis, les investisseurs pourraient le comprendre, mais je pense qu’ils seront quand même surpris d’apprendre qu’une sélection minutieuse des données, une normalisation des protocoles et un contrôle de la qualité, si vous voulez contrôler tous les problèmes qui se produisent en amont, peuvent stimuler le signal de façon précoce et permettre de réduire considérablement la quantité d’apprentissage automatique nécessaire plus tard en aval pour corriger tout ça.
Et puis, bien sûr, c’est probablement aussi évident, il y a le fait que la production de données est un goulot d’étranglement; pas l’IA. Produire à grande échelle des données biologiques structurées et reproductibles est donc plus difficile et plus coûteux que le fait d’entraîner les modèles sur ces données. Je pense que les investisseurs ont tendance à surtout prêter attention aux modèles, mais la véritable contrainte, ce sont les données, et je pense qu’on s’y intéresse de plus en plus.
D’une certaine façon, c’est peut-être surprenant, mais ce qui n’est pas bien compris, c’est que les images de cellules recèlent autant d’information biologique, qu’elles cachaient à première vue en ce qui concerne notre travail, que d’information sur le génome, pour une fraction du coût; on a passé une décennie à le prouver.
Brendan Smith :
Oui. Je veux dire, c’est fantastique. Je pense que ça fait beaucoup d’information importante à assimiler. Bon, je pense que de ce point de vue, on a abordé beaucoup de points essentiels aujourd’hui, et je suis sûr qu’on continuera d’en discuter ensemble et dans l’ensemble du secteur, dans les mois à venir.
Mais avant de vous laisser partir, j’aime poser une question à tous mes invités : si tout ce dont on a parlé aujourd’hui passe plus ou moins au-dessus de la tête d’une personne de notre auditoire, mais qu’elle nous a écoutés jusqu’ici, qu’est-ce que vous aimeriez surtout qu’elle retienne de notre conversation d’aujourd’hui?
Dr Shantanu Singh :
Si vous me le permettez, je vais citer deux choses, mais elles sont en quelque sorte liées : la vitesse à laquelle on peut produire de gigantesques quantités de données biologiques a considérablement augmenté, et la nature des données qu’on traite est en fait assez facile à comprendre, dans le sens où il s’agit d’images de cellules observées au microscope et auxquelles on a injecté des colorants qui adhèrent aux structures principales; c’est tout.
L’autre chose, c’est que lorsqu’on rend une méthode simple et bon marché et qu’on la décrit bien, n’importe quel laboratoire peut l’utiliser. Et ça, ça démocratise vraiment la science. Quand tout le monde utilise la même méthode, on obtient un langage commun, c’est-à-dire une manière commune d’explorer ensemble la biologie. C’est vraiment là-dessus que notre laboratoire s’est placé à l’avant-garde. On a offert à la biologie un langage commun suffisamment bon marché pour n’importe quel laboratoire et assez riche pour l’IA.
Brendan Smith :
Bien, et sur ce, je tiens à vous remercier grandement d’être venu nous parler et de nous avoir expliqué en quoi consiste en quelque sorte réellement cette alliance novatrice entre les logiciels et l’innovation technologique dans le domaine de la santé. Je suis sûr qu’on aura encore beaucoup à discuter au cours des semaines et des mois à venir à ce sujet; merci de vous être joint à nous et merci à tous de votre écoute.
Dr Shantanu Singh :
Merci, Brendan.
Voix hors champ 1 :
Merci de nous avoir écoutés. Ne manquez pas le prochain épisode du balado Insights de TD Cowen.