EVA, l’IA multimodale de Scienta Lab, ambitionne de transformer le développement de médicaments en immunologie et inflammation.
L’intelligence artificielle s’invite un peu plus au cœur des laboratoires pharmaceutiques. À Paris, Scienta Lab dévoile EVA, un modèle d’IA multimodale pensé pour guider la recherche et le développement de nouveaux médicaments en immunologie et inflammation. L’ambition est claire : aider les équipes à identifier plus tôt les candidats les plus solides et réduire le risque d’échec lors des essais cliniques.
Une IA pensée pour les choix décisifs en R&D
Dans les maladies immuno-inflammatoires, la difficulté ne réside pas seulement dans la découverte de nouvelles cibles, mais dans leur validation. Entre les signaux observés en laboratoire et les résultats obtenus chez l’humain, l’écart reste souvent important. EVA a été conçue pour combler cette distance.
Le modèle intervient dès les premières étapes du développement. À partir d’une simple description du mécanisme d’action d’un candidat médicament, il estime la probabilité d’efficacité et aide à hiérarchiser les cibles thérapeutiques. Plus le programme avance, plus l’outil affine ses analyses. Il évalue la robustesse des signaux biologiques issus des phases précliniques, y compris à partir de données murines, et mesure leur pertinence pour différentes indications.
Arrivé au stade clinique, EVA soutient l’identification des profils de patients susceptibles de répondre au traitement. Cette capacité à segmenter les populations pourrait contribuer à concevoir des essais plus ciblés, donc plus efficaces. « L’objectif n’est pas de remplacer l’expérimentation, mais de mieux orienter les décisions à chaque étape du développement », souligne Julien Duquesne, CTO et cofondateur de Scienta Lab.
Une architecture multimodale à grande échelle
Sur le plan technique, EVA repose sur un modèle de fondation multimodal capable d’intégrer plusieurs types de données biologiques. Transcriptomique, histologie, protéomique : plus d’un demi-million d’échantillons, humains et murins, ont servi à l’entraîner. Le système apprend des représentations à l’échelle du patient. Cela permet de croiser des signaux hétérogènes dans une même analyse.
Autre particularité : le modèle fonctionne sans ajustement spécifique à chaque nouveau projet. Cette généralisation facilite son déploiement rapide sur l’ensemble d’un pipeline R&D, sans phase de reconfiguration lourde. Pour les équipes biopharmaceutiques, ce gain de temps peut peser dans des calendriers de développement souvent serrés.
Des performances annoncées au-dessus des standards
Scienta Lab affirme que son IA multimodale affiche des résultats jusqu’à deux fois supérieurs aux standards actuels. L’évaluation a porté sur 40 cas d’usage couvrant différentes étapes du développement de médicaments, face aux meilleurs modèles d’IA disponibles et aux méthodes statistiques de référence.
Selon l’entreprise, ces performances renforcent la capacité des industriels à trancher plus tôt, avec davantage de fiabilité. Moins d’impasses tardives, une meilleure sélection des programmes et, à terme, un accès plus rapide à des thérapies adaptées pour les patients.
Les bases scientifiques du modèle et les détails des évaluations sont disponibles dans un préprint publié sur arXiv. Scienta Lab propose également une version ouverte de son modèle transcriptomique. Accessible via Hugging Face, il vise à soutenir la recherche en immunologie computationnelle. Les déploiements industriels, eux, s’inscrivent dans le cadre de partenariats commerciaux. C’est maintenant un fait ! L’IA s’installe désormais comme un outil stratégique dans la course aux nouveaux médicaments.
Article basé sur un communiqué de presse reçu par la rédaction.
Restez à la pointe de l'information avec INTELLIGENCE-ARTIFICIELLE.COM !
- Partager l'article :
