GSK affirme que l’IA est en train de remodeler le pipeline de médicaments alors que l’accord avec Nuvalent touche les actions

GSK a déclaré que l’IA agentique affecte déjà tous les actifs de son pipeline, alors que les sociétés pharmaceutiques se précipitent pour utiliser cette technologie pour réduire les coûts et les risques liés au développement de nouveaux médicaments.

S’exprimant mardi lors de la London Tech Week, Eyal Itskovitz, directeur de l’IA et de l’apprentissage automatique chez GSK, a déclaré que la technologie était officiellement devenue un outil opérationnel opérationnel au sein de la division R&D du géant pharmaceutique.

“Chez GSK, tous nos actifs sont actuellement impactés par l’IA agentique, ce n’est donc pas une chose futuriste… cela se produit maintenant”, a déclaré Itskovitz.

L’annonce intervient le matin même où les actions de GSK ont chuté de près de 3 pour cent mardi, à la suite d’une acquisition en espèces à succès de 10,6 milliards de dollars (8,4 milliards de livres sterling) de la société biopharmaceutique basée à Boston, Nuvalent.

L’appréhension initiale du marché face à la forte prime de 40 pour cent indique les pressions intenses sur les coûts sur les géants pharmaceutiques qui cherchent à accélérer les pipelines de développement lents,

Pendant des décennies, l’industrie a souffert sous le poids de la loi d’Eroom – le phénomène décrivant la façon dont le coût de développement de nouveaux médicaments augmente de façon exponentielle, les coûts moyens de pré-approbation éclipsant désormais 1,7 milliard de livres sterling (2,2 milliards de dollars).

«Le terme «médecine de précision» existe depuis une vingtaine d’années», a déclaré Itskovitz.

“Et cela signifiait traditionnellement que nous pouvions trouver un marqueur qui pouvait nous aider à distinguer les patients répondeurs et non répondeurs et ainsi, parvenir à donner au bon patient le bon traitement.”

Mais l’évolution rapide des données de santé modernes a ouvert des voies entièrement nouvelles pour contourner les taux d’échec cliniques traditionnels, qui oscillent historiquement autour de 90 % pour les molécules entrant dans le développement.

Selon Itskovitz, la richesse des référentiels de données contemporains signifie que les développeurs peuvent regarder bien au-delà d’un seul indicateur biologique.

« Je pense qu’aujourd’hui, avec les données dont nous disposons et les données générées à une profondeur et à une échelle sans précédent, tant sur le plan clinique que préclinique, nous pouvons faire bien mieux que cela », a-t-il ajouté.

“Je pense que les données dont nous disposons maintenant nous permettent de redéfinir le concept de similarité. Il ne s’agit pas seulement de ce seul marqueur, mais simplement d’un concept très profond et profond de similarité qui s’étend à travers les marqueurs moléculaires.”

Changer les règles de la recherche avec l’IA

En utilisant l’IA générative pour analyser d’énormes ensembles de données internes et externes, GSK tente d’adapter les traitements à un degré très spécifique.

“Cela nous permet de prendre un patient et d’analyser l’intégralité, je dirais, du référentiel de données”, a déclaré Itskovitz. “Toutes les données dont nous disposons en externe et en interne, qu’il s’agisse de littérature ou de choses qui viennent tout juste du laboratoire, d’essais cliniques, et pour essayer de trouver le bon traitement pour un patient individuel. C’est quelque chose que nous n’aurions pas pu faire sans l’IA générative.”

Pourtant, malgré les avantages financiers d’un dépistage précoce, Itskovitz a ajouté que l’industrie doit respecter des garde-fous réglementaires stricts lors du déploiement de la technologie.

“Cela dit, évidemment, j’évite ici certaines questions réglementaires”, a ajouté Itskovitz. “Nous ne pouvons toujours pas permettre à l’IA générative de proposer de nouveaux traitements et de les adopter. Mais nous pouvons faire beaucoup de choses même maintenant.”

Alors que le secteur plus large des technologies de la santé est aux prises avec les risques croissants liés aux informations hallucinantes des grands modèles de langage (LLM), Itskovitz a soutenu que les systèmes agentiques hautement structurés offrent en réalité une plus grande transparence que les modèles traditionnels autonomes.

“Je pense qu’il y a un saut entre la simple utilisation du LLM et l’utilisation de l’IA agentique. L’IA agentique a à la base un LLM très puissant, mais elle est également équipée d’outils pour opérer dans le monde”, a déclaré Itskovitz. « Je pense que d’une certaine manière, l’IA agentique pose un défi bien moindre que les véritables LLM : lorsque vous parlez d’IA agentique, ce n’est pas seulement une grande boîte qui vous donne une réponse, mais elle fonctionne et exécute des outils.

Avec un système agent bien construit, les chercheurs peuvent voir quelle analyse a été effectuée et quelles données ont été consultées, ainsi que quel papier a été utilisé et quels résultats intermédiaires ont été produits.

“Vous pouvez réellement suivre la provenance”, a-t-il déclaré. “Tous ceux qui le consultent peuvent réellement reproduire ce que l’agent a fait.”

Cette distinction deviendra probablement centrale à mesure que les fabricants de médicaments et les systèmes de santé décideront dans quelle mesure l’IA peut être fiable dans le secteur.

Cela témoigne également d’un problème plus large auquel est confronté l’IA dans le domaine de la santé, dans lequel les patients et les cliniciens peuvent tolérer les erreurs des humains, mais leurs attentes deviennent bien plus élevées lorsque des logiciels sont impliqués.