L’art de simuler la biologie avec Certara

Locutrice 1 :
Bienvenue à Insights de TD Cowen. Ce balado réunit des penseurs de premier plan 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 :
Bienvenue à la série de balados de TD Cowen. Intitulé « La médecine à l’ère des machines : IA et soins de santé », l’épisode d’aujourd’hui présente les principaux enjeux de l’évolution récente de l’IA dans les soins de santé. Je suis Brendan Smith, analyste du secteur des soins de santé chez TD Cowen. Aujourd’hui, je suis en compagnie de Bill Feehery, chef de la direction de Certara. C’est un plaisir de vous recevoir, Bill.
William Feehery :
Merci à vous. C’est un plaisir d’être ici.
Brendan Smith :
Alors, pour les personnes qui découvrent notre balado La médecine à l’ère des machines, on cherche à expliquer simplement l’utilisation de l’IA dans les soins de santé, un épisode à la fois, à mettre en évidence les idées fausses les plus importantes, et à recontextualiser chaque élément dans une vision d’ensemble. Aujourd’hui, avec Bill, on va examiner le fonctionnement du moteur de biosimulation de Certara. On va discuter de la place de la modélisation computationnelle dans le domaine de l’IA qui évolue rapidement, de la façon dont elle répond déjà à certains des plus grands défis en matière de soins de santé, ainsi que des perspectives de cette technologie. C’est parti! Pour commencer, on va peut-être définir rapidement ce qu’on entend par modèle de biosimulation et en quoi cela se distingue des autres approches computationnelles. Et, concrètement, comment un investisseur peut se faire une idée des éléments de base qui composent la plateforme de Certara.
William Feehery :
Effectivement. Merci. C’est un plaisir d’être ici. C’est une excellente première question. En résumé, la biosimulation consiste à utiliser des modèles informatiques pour simuler des systèmes biologiques. Ce qu’on fait, c’est combiner la biologie, les mathématiques et l’informatique pour créer une sorte de représentation virtuelle. Certains parlent même d’un « jumeau virtuel » qui reproduit le fonctionnement d’une cellule, d’un organe ou même de l’ensemble du corps humain. L’objectif de tout ça est d’utiliser ces modèles pour prédire comment un système comme le corps humain va réagir face à un médicament ou à une maladie. L’objectif final, la valeur de ce qu’on offre, est de réduire le besoin d’essais cliniques, d’accélérer le développement et tout simplement de se poser des questions du type : Quelle est la différence avec d’autres types de traitements ou d’autres molécules que je pourrais envisager?
Pour revenir à votre question sur la façon dont tout ça s’articule. On travaille là-dessus depuis environ 20 ans. On développe cette approche progressivement, à partir de la biologie telle qu’on la connaît. Il y a eu de belles réussites. Beaucoup de médicaments utilisant notre technologie ont été approuvés. Et on s’améliore constamment.
Brendan Smith :
Je vois. Je pense que c’est une excellente introduction à beaucoup de sujets qu’on veut aborder aujourd’hui. La modélisation computationnelle, bien sûr, n’implique pas automatiquement l’utilisation de l’intelligence artificielle, qui reste, pour être franc, le sujet principal de ce balado. Mais je pense que c’est une idée reçue assez répandue chez certaines personnes qui commencent tout juste à s’intéresser à ce domaine. Donc, pour quelqu’un qui est extérieur à tout ça, comment la biosimulation et la modélisation des systèmes en général s’inscrivent-elles spécifiquement dans le contexte de l’IA et de l’apprentissage automatique? Et, pour aller un peu plus loin, comment Certara cherche-t-elle à tirer parti de l’IA sur sa propre plateforme?
William Feehery :
Alors... C’est une excellente question. Vous avez raison, chez Certara, on travaille sur la biosimulation depuis plus de 20 ans. Évidemment, au tout début l’IA n’avait pas encore atteint le niveau d’engouement et de sophistication qu’on connaît aujourd’hui, mais ça nous a donné beaucoup de temps pour vraiment démontrer l’efficacité de notre technologie. Un point que je tiens à souligner, c’est que la biosimulation qu’on pratique à Certara a vraiment fait ses preuves. On a dénombré plus de 100 médicaments approuvés avec des centaines d’indications officielles, et tout ça, on peut l’attribuer à l’utilisation de la biosimulation. Ce qui est important, c’est que ça a permis à certaines entreprises de réduire leur nombre d’essais cliniques, la partie la plus coûteuse du développement d’un médicament, grâce à notre logiciel. Mais revenons à l’IA. On ne voit pas l’IA comme quelque chose qui remplacerait la biosimulation, mais comme une occasion fascinante d’améliorer et d’étendre ce que l’on fait en matière de biosimulation.
On pense que les deux vont travailler de concert à l’avenir. Chez Certara, ce qui nous enthousiasme vraiment en ce moment, ce sont, à court terme, deux choses en particulier. D’abord, l’IA peut servir à stimuler la biosimulation. Il faut savoir que pour créer des modèles de biosimulation, nos scientifiques doivent énormément travailler pour comprendre et synthétiser toutes les données issues des publications scientifiques sur la biologie connue. Ensuite, on doit collecter une tonne de données expérimentales, les trier, déterminer ce qui est important, les normaliser et les valider. L’IA peut faire un grand nombre de ces tâches beaucoup plus vite, ce qui améliore la vitesse et donc la productivité de nos experts.
On explore actuellement des outils capables de traiter une grande partie de la littérature scientifique, de parcourir beaucoup de données et d’en extraire les éléments clés dont on a besoin. L’idée, c’est de ne pas limiter la biosimulation à un petit groupe d’experts de haut niveau, car honnêtement, ils sont rares. On veut accroître leur productivité et aussi permettre à d’autres personnes de devenir vraiment à l’aise avec l’utilisation de la biosimulation. La deuxième chose sur laquelle on se penche, parce que j’ai dit qu’il y en avait deux, c’est comment on peut utiliser l’IA pour intégrer plus de données à la biosimulation. La principale limite de la biosimulation, c’est qu’on essaie de modéliser la science connue, mais il existe beaucoup d’éléments dont on sait qu’ils sont importants sans forcément comprendre tous les mécanismes sous-jacents.
Si on prend par exemple les données omiques. On sait qu’elles sont importantes. Statistiquement, on peut identifier des populations, mais on ne connaît pas nécessairement la chimie spécifique qui résulte réellement d’une combinaison omique. Par le passé, on ne modélisait pas ça dans la biosimulation. Ça nous limitait un peu, mais on peut maintenant combiner cela avec l’IA. On peut par exemple l’extraire, utiliser l’IA pour définir certaines sous-populations. Ensuite, on peut utiliser la biosimulation pour modéliser ce qu’il se passe dans ces sous-populations. On peut aller beaucoup plus vite. Je crois vraiment que ces modèles hybrides combinant IA et biosimulation sont la voie de l’avenir.
Brendan Smith :
En effet. Encore une fois, c’est une excellente transition. Je pense qu’au-delà de ce que vous faites déjà aujourd’hui, cette offre complète de biosimulation proposée par Certara... Dans le secteur des soins de santé en général, où voyez-vous les occasions et cas d’utilisation les plus concrets et à court terme pour l’IA et l’apprentissage automatique? Même si ce sont des domaines où vous êtes déjà actifs. Et aussi, à quoi cette technologie pourrait-elle servir dans le secteur des soins de santé?
William Feehery :
Eh bien, je crois que quelqu’un a dit plus tôt aujourd’hui à votre conférence que dans quelques années, toutes les entreprises seront des entreprises d’IA. Tout le monde l’utilisera tout au long de sa carrière. Mais si on regarde le secteur de la santé, je pense que beaucoup d’entreprises essaient de résoudre le problème de la découverte, c’est-à-dire comment trier l’univers infini de toutes les molécules possibles et identifier rapidement celles qui pourraient être transformées en médicament. Chez Certara, on se concentre davantage sur l’utilisation de l’IA en contexte clinique. Lorsqu’un médicament est administré à un grand nombre de personnes, qui présentent des différences génétiques, d’âge, de poids ou peut-être des comorbidités, c’est-à-dire d’autres maladies, comment va-t-il réellement réagir lorsqu’il sera mis sur le marché? D’autres s’intéressent aussi aux données réelles et on le fait aussi un peu. Plutôt que de réaliser des essais cliniques, on essaie d’extraire les informations dont on a besoin à partir des données médicales réelles.
Je pense que ce sont des domaines légitimes pour l’application de l’IA. À très court terme, j’ai l’impression que ce que les gens recherchent... Il y a, je dirais, deux outils qui nous intéressent vraiment. La première chose, c’est que les scientifiques n’aiment pas vraiment rédiger des rapports. Ils préfèrent les modifier. Mais qu’est-ce qu’on fait en biosimulation? Eh bien, on réalise une étude, puis il faut rédiger un rapport. Ce rapport peut être destiné à un organisme de régulation, qui va le lire. On peut accélérer tout ce processus grâce à l’IA. On a donc lancé un outil qui permet de faire ça. Le second point, c’est qu’il s’agit de modèles très complexes. Ils nous paraissent souvent contre-intuitifs, même si j’ai dit qu’on avait modélisé la science sous-jacente. Ce sont des équations différentielles. Elles ne se comportent pas du tout de façon intuitive. Une partie de la biosimulation consiste donc non seulement à faire de la modélisation, mais aussi à expliquer ce qu’il se passe après. Et il se trouve que l’IA est vraiment, vraiment très efficace pour ça.
Cela peut sembler, je ne sais pas, un peu plus terre-à-terre que ce qu’on entend habituellement sur l’IA. Mais si on peut supprimer une bonne partie du travail de biosimulation et augmenter le nombre de personnes capables de l’utiliser, on aimerait étendre la biosimulation à beaucoup plus de médicaments pour lesquels on devrait déjà l’utiliser, mais ça ne s’est pas fait pour diverses raisons. Ça nous permettrait d’élargir notre marché. Et ça s’inscrirait aussi dans la vision qu’on a chez Certara, c’est-à-dire transformer le processus de développement des médicaments, qui a en réalité très peu de chances de succès, pour vraiment augmenter ses chances de réussite. Comment peut-on mieux faire?
Brendan Smith :
Oui et inverser la tendance. J’ai l’impression qu’on entend constamment cette expression : comment faire pour inverser la tendance à notre avantage? Vous avez déjà parlé de certains aspects pour lesquels la biosimulation est particulièrement efficace pour capturer et partager des données, que ce soit des domaines thérapeutiques, des types de médicaments ou des phases de développement des médicaments. Mais je pense que là où ça devient vraiment intéressant, c’est de voir ce que Certara est en mesure de faire aujourd’hui, ce que votre plateforme offre par rapport aux approches de développement de médicaments beaucoup plus traditionnelles. Je suppose que je dois préciser que d’ici à ce que ce balado soit diffusé, un pourcentage encore plus élevé d’entreprises utiliseront certaines de ces solutions. Mais si l’on remontait 10 ans en arrière et que l’on comparait la méthode traditionnelle et standard de développement des médicaments à l’utilisation de l’une des plateformes de Certara, dans quels domaines avez-vous l’impression que la biosimulation surpasse ce qui se faisait par le passé?
William Feehery :
C’est une bonne question. La biosimulation excelle lorsqu’il s’agit d’expliquer comment un médicament correspond à la science connue. Et ça peut être très important, parce qu’en fin de compte, le développement de médicaments est une science statistique. On fait un essai contrôlé par placebo. Certains patients reçoivent le traitement, d’autres non. On cherche une signification statistique, ce qui est une très bonne démarche. Mais je rappelle toujours aux gens qu’un intervalle de confiance de 95 % signifie qu’on se trompe 5 % du temps. Donc, il vaut mieux combiner ça avec autre chose. Les scientifiques le savent. Ils combinent ça avec la science sous-jacente pour vérifier si leur essai correspond réellement à ce qui se passe. C’est là qu’on intervient. Et grâce à ça, on peut faire des choses vraiment intéressantes. On peut prédire ce qui est susceptible de se produire lors du prochain essai en se basant sur les données connues.
Si on peut prédire ce qui est susceptible de se passer, qu’on n’ait pas tout à fait raison ou partiellement raison, ça peut quand même changer la façon dont on mène cet essai. On peut le réduire, ne pas le faire du tout, inclure ou exclure certains patients, ou administrer une dose différente. Donc, la capacité de changer le parcours de développement d’un médicament, c’est vraiment le cœur de ce qui nous intéresse dans la biosimulation. Ce n’est pas facile de répondre quand quelqu’un me demande : « Quelle est la valeur de cette technologie? » Parce que j’explique à quelqu’un qui a utilisé la biosimulation comme il faut pour développer un médicament une voie qu’il n’a jamais empruntée. Mais à mon avis, l’un des signes du succès, c’est surtout le nombre de médicaments qui utilisent cette approche en ce moment. Et je pense que ce nombre va augmenter considérablement à l’avenir, tant en termes de médicaments que de cas d’usage dans le domaine du développement de médicaments.
Brendan Smith :
C’est vrai. Je pense que vous l’avez déjà mentionné à plusieurs reprises. Plus de 90 % des médicaments approuvés au cours des 10 dernières années ont été développés en utilisant, d’une manière ou d’une autre, une solution logicielle de Certara. Et j’ai l’impression que ce degré d’implantation est souvent sous-estimé. Les gens pensent à la biosimulation propulsée par l’IA et l’apprentissage automatique comme quelque chose qui en est en train d’arriver. Mais c’est là. C’est déjà là.
William Feehery :
Oui et je pense que c’est une des choses auxquelles on ne pense pas toujours lorsqu’on parle d’IA et de développement de médicaments. Beaucoup de gens se demandent comment mieux choisir un médicament. C’est absolument nécessaire, mais ce qu’on veut vraiment, c’est rendre les essais cliniques plus efficaces ou en faire le moins possible. Les essais sont vraiment coûteux. On administre une substance inconnue à des êtres humains. On ne veut pas avoir à le faire plus que nécessaire. Il y a un risque de résultats inattendus qui pourraient compromettre le médicament. C’est là que se concentre une bonne partie des coûts de développement des médicaments : recruter tous ces patients et les suivre parfois pendant des années. Si on peut réduire le nombre d’essais, on peut largement financer une bonne partie de la biosimulation.
Brendan Smith :
Oui. Absolument. Et je m’en voudrais de ne pas vous poser une question sur la Food and Drug Administration (FDA). La FDA change clairement ses priorités, surtout en ce qui concerne l’intégration, la validation et l’utilisation de nombreuses techniques de modélisation computationnelle basées sur l’IA. Elle a mis en avant la biosimulation comme l’une de ses alternatives préférées à certains des tests animaux traditionnels qui étaient utilisés par le passé. Tout d’abord, quelles ont été les répercussions des récentes directives et communications de la FDA sur l’activité de Certara? Et quelles sont les offres actuelles de votre plateforme qui suscitent le plus d’intérêt de la part des nouveaux clients?
William Feehery :
Oui. Alors, elles ont suscité énormément d’intérêt. On attendait ça depuis longtemps. Beaucoup de membres de la communauté de la biosimulation soulignent depuis un moment que les données issues des essais sur animaux ne sont pas toujours très utiles pour le développement de médicaments, pour être honnête. La FDA le sait, elle le reconnaît, mais comme c’est le principal organisme de réglementation dans le monde, elle doit envoyer un signal clair sur ce qu’elle veut pour l’avenir, et c’est ce qu’elle a fait ici. Je pense qu’il va y avoir plusieurs étapes à ça. Il y a déjà plein de cas où on utilise des modèles qui remplacent les modèles animaux. Un bon exemple, c’est la thérapie cellulaire et génique. Ça fait un moment déjà que la FDA accepte qu’on utilise des modèles, parce que ça n’a pas vraiment de sens d’administrer une thérapie cellulaire ou génique à un non-humain si elle est conçue pour un être humain. Les anticorps monoclonaux mentionnés par la FDA sont un autre bon exemple.
Mais je pense qu’il y aura plusieurs étapes. Les essais sur animaux servent à plusieurs choses. L’une d’entre elles, c’est le dosage et je pense que pour plusieurs types de traitements, on sait déjà faire autrement. Pour ce qui est de la toxicité, on en gère déjà une partie et on pourrait probablement investir davantage. Il y a probablement certains cas, comme les études à long terme sur la mutagénicité, des cas comme ça, où ça restera difficile d’éliminer complètement les essais sur les animaux. Mais je ne suis pas sûr que c’est vraiment le but de la FDA en mettant en avant cette approche. Donc, je trouve que c’est une excellente chose. C’est évidemment une bonne idée de réduire l’utilisation de modèles animaux, que ce soit d’un point de vue éthique ou financier. Et franchement, si on peut développer des médicaments six mois plus rapidement, ce sera un bénéfice énorme pour les patients du monde entier.
Brendan Smith :
Oui et je pense que c’est un point qui se perd parfois dans toutes les discussions autour de ce domaine émergent. Cela ne veut pas dire que tous les médicaments seront parfaits ou qu’ils fonctionneront. C’est plutôt que si un médicament doit échouer, il échouera plus vite, idéalement à moindre coût et en mobilisant de meilleures ressources pour arriver à cette conclusion. Et pour revenir à ce vous disiez, au sujet de la FDA, tout le monde se demande quelles sont les prochaines étapes. Je crois qu’ils ont laissé entendre qu’ils allaient lancer un projet pilote, ce qui serait une étape importante et permettrait d’introduire de nouvelles feuilles de route pour chacune des technologies qu’ils ont mises en avant.
Mais ça devrait aussi permettre de démontrer l’efficacité de ces nouvelles approches méthodologiques alternatives, qu’ils appellent NMNA, et de comparer leurs performances à celles des tests traditionnels sur animaux, ce qui aidera sûrement à rallier beaucoup de gens. Mais, selon vous, comment la FDA va-t-elle sélectionner les participants pour ces projets pilotes? Et comment Certara va-t-elle se positionner dans cette conversation? Surtout pour les gens extérieurs au secteur qui cherchent à déterminer sur quelles offres ils devraient commencer à se positionner.
William Feehery :
C’est une bonne question. Je pense que la FDA a déjà l’habitude de faire ce que vous décrivez, c’est-à-dire lancer un projet pilote avec un groupe d’entreprises. On a hâte de voir ce que la FDA va décider de faire. Selon nous, les premières entreprises intéressées vont sûrement être les grandes entreprises qui mènent beaucoup d’essais cliniques, car elles ont potentiellement un niveau de sophistication suffisant et tout intérêt à faire avancer ce type d’initiative. En ce qui concerne les anticorps monoclonaux et ce qu’a publié la FDA, on a une expérience éprouvée et des modèles de biosimulation sur lesquels on a travaillé avec un certain nombre de clients. Donc, je pense qu’on est bien placés pour apporter notre soutien à ces entreprises à l’avenir et on serait ravis de le faire. Mais on espère aussi que ça se développera assez rapidement, au-delà du groupe pilote, et que ce succès va ouvrir la voie à encore plus d’occasions de réduire les tests animaux.
Brendan Smith :
Oui. Je pense que c’est extrêmement important pour beaucoup de gens qui veulent comprendre l’impact réel des directives de la FDA et avoir une meilleure idée des délais concrets. Au niveau fédéral, rien ne se fait du jour au lendemain. Les rouages du gouvernement fédéral avancent très lentement, même dans les meilleures conditions. Mais pour en revenir à ce point et dans le cadre de cette conversation, que pensez-vous de votre situation actuelle et de la façon dont les choses ont évolué récemment? Selon vous, est-ce qu’il y a des choses que les investisseurs sous-estiment ou comprennent mal à propos de la biosimulation? Et dans ce contexte, qu’est-ce qui vous semble vraiment essentiel à comprendre pour tout investisseur en 2025?
William Feehery :
Eh bien, je pense que vous avez effleuré le sujet il y a un instant lorsque vous avez parlé de la vitesse à laquelle certaines choses avancent. On existe depuis un certain temps déjà. Certara travaille d’une façon ou d’une autre sur la biosimulation depuis près de 20 ans. Au tout début, c’était difficile. Peu de personnes y croyaient. Les organismes de réglementation ne l’acceptaient pas. Ça ne fonctionnait pas autant que maintenant. Mais au fil des ans, on a eu le temps d’élaborer des modèles de plus en plus sophistiqués, de les valider, de travailler avec les organismes de réglementation et d’acquérir de l’expérience avec les médicaments déjà approuvés. Et tout ça s’est développé en même temps que la biologie connue devenait plus précise. Les ressources computationnelles et les données disponibles sont beaucoup plus nombreuses aujourd’hui. Et aujourd’hui, l’IA fait son apparition.
Je pense qu’on est à l’aube d’une véritable révolution en matière de biosimulation. On en est à un point où elle a fait ses preuves. Aujourd’hui, il serait vraiment surprenant de mettre au point un médicament important sans utiliser la biosimulation. Mais il reste encore plein de domaines où on pourrait s’en servir et où on est encore en train d’élaborer des modèles, et il y en aura plein d’autres à l’avenir.
Brendan Smith :
Oui. Cela correspond un peu au chiffre de 90 % que vous avez mentionné. Ça ne veut pas forcément dire que 90 % des médicaments utilisent la biosimulation de façon égale ou aussi approfondie qu’ils le pourraient réellement. Techniquement, il suffit d’un seul point de contact pour entrer dans le calcul, mais ça ne veut pas dire qu’une personne qui dispose de 100 points de contact y parviendra plus rapidement et plus efficacement. Bon. Je sais qu’on a abordé beaucoup de sujets aujourd’hui. Et je suis sûr que c’est une conversation qu’on va poursuivre dans les mois à venir. Mais avant de vous laisser partir, il y a une question que j’aime poser à tous nos invités. Si tout ce dont on a parlé aujourd’hui passe 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 qu’elle retienne de notre conversation?
William Feehery :
Alors, ce qu’il faut surtout retenir, c’est que le développement de médicaments est une activité à très faible probabilité de succès. Je l’ai déjà mentionné plus tôt. En restant prudent, je dirais que 90 % des médicaments lancés après la phase de découverte échouent. Et ça ne devrait pas être le cas. Si on utilise intelligemment la modélisation, la biosimulation et qu’on fait avancer ces outils, on peut vraiment changer les choses. Et comme on est des modélisateurs, on a fait nos propres simulations pour illustrer ce point. Et on a montré que même des changements assez minimes dans ces probabilités peuvent vraiment influencer le coût de développement des médicaments. Et si on peut réduire le coût de développement des médicaments, on peut aussi développer plus de médicaments, ce qui profite à tout le monde. Donc, ce que je veux souligner, c’est que même si les statistiques du secteur montrent de faibles probabilités de succès, ça ne doit pas rester ainsi. Et je pense que ça va évoluer à l’avenir.
Brendan Smith :
Eh bien, c’est parfait. Sur ce, je tiens à vous remercier d’être venu nous parler et de nous avoir expliqué en quoi consiste réellement cette alliance novatrice entre les logiciels et l’innovation technologique dans le domaine de la santé. Je suis certain qu’on aura encore beaucoup de choses à discuter dans les semaines et les mois à venir à ce sujet. Merci beaucoup d’avoir été des nôtres, Bill.
William Feehery :
Merci.
Locutrice 1 :
Merci d’avoir été des nôtres. Ne manquez pas le prochain épisode du balado Insights de Cowen.