Qu'est-ce que le « middle » régulé ? Faire le lien entre l'IA en laboratoire virtuel et la mise en œuvre en laboratoire physique

Par Anirban Mudi, chef de produit principal pour la plateforme, IDBS

Dans le domaine de la R&D pharmaceutique, la science « in silico » permet d’obtenir des informations plus rapidement que jamais. Pourtant, pour de nombreuses entreprises biopharmaceutiques, une question persiste : si le « laboratoire virtuel » apprend plus vite, pourquoi l’entreprise ne produit-elle pas plus rapidement de meilleures données probantes ? La réponse réside rarement dans la qualité des algorithmes. Elle tient à la manière dont les connaissances circulent entre les mondes scientifique computationnel et physique, et à la question de savoir si elles parviennent au laboratoire sous une forme permettant une exécution contrôlée et une réutilisation à long terme.

Chez IDBS, nous nous attachons à faire du temps un avantage concurrentiel pour nos clients. De la première hypothèse au résultat validé, notre objectif est de réduire les délais de cycle avec rapidité et certitude, sans pour autant compromettre la qualité. Cela nécessite un cycle de laboratoire conçu pour un apprentissage encadré, et pas seulement pour une modélisation plus rapide.

Laboratoire « à sec », laboratoire « humide » et boucle de laboratoire

Figure 1. La boucle de laboratoire IDBS

Le laboratoire « sec » est le lieu où se déroulent les expérimentations in silico : chimie computationnelle, bioinformatique, prédiction et formulation d'hypothèses à l'aide de l'IA. Le laboratoire « humide » est quant à lui le lieu où ces hypothèses sont testées par le biais de synthèses, de bioessais, d'analyses, d'études de stabilité et de développement de procédés, dans le respect des contraintes scientifiques et réglementaires réelles.

Le lien entre ces deux environnements est constitué par la boucle de laboratoire (figure 1). Comme l’illustre l’image, il s’agit d’un cycle continu. Les modèles développés dans le « laboratoire sec » génèrent des hypothèses. Ces hypothèses sont ensuite traduites en expériences concrètes menées dans le « laboratoire humide ». Les résultats sont consignés sous forme de preuves, et ces preuves sont réutilisées pour affiner la prochaine série de modèles, de décisions et d’expériences. Pour que l’IA apporte une contribution significative dans les environnements réglementés, son rôle dans l’élaboration des hypothèses, des choix expérimentaux et des décisions doit également s’inscrire dans cette boucle sous une forme documentée, afin de pouvoir être examiné et analysé en parallèle des preuves qui en résultent. Dans le secteur pharmaceutique réglementé, cette boucle est essentielle car l’objectif ne se limite pas à une compréhension plus rapide. Il s’agit d’un apprentissage plus rapide et encadré qui produit des preuves traçables, attribuables et défendables.

Pourquoi les progrès de l'IA dépassent la boucle

L'IA a considérablement renforcé le volet « laboratoire sur papier ». Cependant, bien que l'expérimentation de l'IA soit quasi généralisée dans le secteur des sciences de la vie, seule une petite minorité d'organisations affirme qu'elle apporte une valeur ajoutée durable à grande échelle.¹ Beaucoup doutent également que leurs pratiques en matière de données puissent permettre de déployer l'IA au-delà des projets pilotes.²

Le point faible réside dans ce qui se passe une fois que l'idée a germé. On observe généralement trois types d'échecs :

• La perspicacité vient de manière informelle. Les résultats issus du « dry lab » se présentent souvent sous forme de présentations PowerPoint, de cahiers de notes, de documents ou de recommandations informelles, plutôt que sous la forme d'un plan d'action structuré et applicable.
• Le contexte est perdu. Les équipes des laboratoires d'expérimentation doivent réinterpréter ces résultats pour en faire des protocoles et des processus de travail. Les éléments contextuels essentiels – tels que les raisons pour lesquelles un candidat a été mieux classé, les hypothèses qui ont guidé une expérience de variation (DoE) ou les raisons pour lesquelles un candidat-médicament a été déclassé – sont souvent implicites ou absents.
• Commentaires tombe en panne. Les résultats ne peuvent pas être clairement rattachés au modèle d'origine, et les données d'exécution sont renvoyées dépourvues du contexte nécessaire pour les rendre réutilisables lors du prochain cycle d'apprentissage.

Vos données sont-elles prêtes à alimenter la boucle de laboratoire ? Passez le Évaluation de l'état de préparation des données pour l'IA pour faire le point sur la situation de vos fondations.

Lorsque cette lacune devient un risque réglementaire

Dans le secteur pharmaceutique réglementé, une boucle de laboratoire défaillante constitue un risque en matière de conformité, et pas seulement un problème d'efficacité. De nombreux laboratoires de contrôle qualité du secteur biopharmaceutique fonctionnent encore avec des systèmes déconnectés et un niveau d'automatisation limité.³

Lorsque les recommandations issues de l’IA sont intégrées au flux de travail scientifique, elles font partie intégrante du dossier décisionnel. Dans les environnements GxP, ce dossier doit respecter les normes ALCOA+. Dans la pratique, l’IA ne peut pas rester une source externe de recommandations. Son rôle dans la génération, l’élaboration ou l’influence des décisions doit être documenté au sein même du processus, afin que les évaluateurs puissent comprendre non seulement le résultat, mais aussi la manière dont l’IA y a contribué. Si le résultat d’une IA influence une décision relative à un lot ou un protocole de stabilité, les autorités de réglementation s’attendront à savoir comment il a été généré, sur quelles données il s’est appuyé et qui l’a approuvé.

Le projet de lignes directrices de la FDA sur l'IA dans la prise de décision réglementaire formalise cette attente, en exigeant une évaluation de la crédibilité fondée sur les risques pour chaque modèle d'IA, la documentation de son contexte d'utilisation ainsi que des preuves illustrant comment cette crédibilité a été établie et maintenue.⁴ La plupart des environnements de laboratoire ne sont pas conçus pour un tel niveau de traçabilité. Les résultats générés par l'IA ne figurent pas dans le dossier réglementaire, ce qui crée des lacunes qui restent invisibles jusqu'à l'inspection.

Ce risque est aggravé par l’« IA fantôme », les scientifiques utilisant des outils non contrôlés en dehors des systèmes réglementés. L’IA non réglementée entraîne des dérives invisibles : des décisions influencées par des modèles non validés et des recommandations intraçables qui peuvent ne se révéler qu’en cas d’écart ou de constat d’audit.

Découvrez comment IDBS met en place des bases de données conformes aux exigences de gouvernance et prêtes pour l'IA.

La nécessité d'un point médian régulé dans une boucle de laboratoire

Des recherches commencent à mettre en évidence des boucles scientifiques dans lesquelles l'IA propose des expériences, l'automatisation les met en œuvre et les résultats sont réinjectés dans le système sous la supervision d'un être humain.^5,6 Ces modèles sont prometteurs. Dans le secteur pharmaceutique réglementé, le défi ne consiste pas simplement à boucler la boucle. Il s'agit de piloter la boucle de laboratoire de manière à ce que les connaissances acquises en laboratoire théorique se traduisent par des actions concrètes en laboratoire expérimental, et que les résultats de ce dernier soient restitués sous forme de données fiables et réutilisables.

Une boucle de laboratoire pilotée garantit que les enseignements tirés du laboratoire théorique sont consignés sous forme d'intentions structurées et vérifiables, plutôt que sous forme de recommandations informelles. La mise en œuvre préserve ces intentions, les écarts sont enregistrés de manière explicite et les résultats peuvent être rattachés aux hypothèses en amont. Les résultats générés par l'IA qui influencent les décisions sont intégrés au dossier réglementaire. Le retour d'information s'accompagne du contexte de mise en œuvre, et un examen humain est intégré aux points de décision définis.

C’est là que l’étape intermédiaire réglementée prend toute son importance. De nombreuses organisations investissent dans des capacités de laboratoire « à sec » et dans l’infrastructure de laboratoire « humide », mais sous-investissent dans la couche qui les relie. C’est là que l’intention scientifique est préservée, que l’exécution est vérifiable et que les données deviennent réutilisables d’un programme à l’autre, d’un site à l’autre et au fil du temps. C’est cette même couche intermédiaire qui permet à l’IA de s’intégrer de manière transparente dans le cycle du laboratoire. Au lieu de rester en marge du processus en tant que source informelle de recommandations, l’IA s’intègre à un flux de travail documenté dans lequel ses résultats, ses hypothèses et son influence sur les décisions peuvent être examinés et analysés minutieusement dans le cadre du dossier scientifique et réglementaire. Lorsque cette couche intermédiaire est défaillante, le cycle de laboratoire se fragmente en flux de travail disjoints, en perte de contexte et en résultats non réutilisables.^7,8 Lorsqu'elle est solide, la boucle de laboratoire devient un système régulé permettant d'approfondir les connaissances scientifiques.

Depuis plus de 35 ans, IDBS travaille en étroite collaboration avec les plus grandes entreprises biopharmaceutiques mondiales afin de résoudre des problèmes complexes dans des environnements réglementés et complexes. Nous concevons des solutions en collaboration avec nos clients afin que la couche intermédiaire régie reflète les flux de travail réels, les contraintes réelles et les points de décision réels.

D’une analyse plus rapide à des données fiables et contrôlées

Pour combler cet écart, il faut concevoir la boucle de laboratoire comme un système régulé. Une exécution connectée apporte des résultats concrets : moins d'erreurs et d'écarts, une meilleure conformité et des délais de test réduits.³ Les organisations qui tirent un bénéfice disproportionné de l'IA y parviennent en repensant leurs processus et en renforçant leur gouvernance, et non en déployant davantage de modèles.⁹

Dans ce contexte, le « milieu régulé » n’est pas seulement un concept architectural. Il s’agit de la couche opérationnelle qui transforme les intuitions en preuves. C’est également la couche qui rend la participation de l’IA visible, documentée et vérifiable au sein du processus scientifique régulé, plutôt que de la laisser à l’interprétation a posteriori. IDBS Polar est un exemple illustrant comment cette couche peut être mise en place grâce à la collecte structurée de données, à la gouvernance des flux de travail et à des preuves contextualisées.

Alors que les capacités de l'IA ne cessent d'évoluer, les principes fondamentaux — intention structurée, exécution contrôlée et traçabilité — constituent la clé pour obtenir des informations issues de l'IA auxquelles vous pouvez vous fier. La fiabilité de l'IA dépend entièrement de la qualité des données, du contexte et de la gouvernance sur lesquels elle repose.

Au sein de l'écosystème connecté d'expertise, de technologies et de capacités de Danaher, IDBS aide ses clients à passer de l'idée à l'impact avec plus de rapidité et de certitude. Nous mettons à votre disposition des méthodes rigoureuses et des atouts transversaux pour vous aider à déployer la science connectée à l'échelle mondiale, tout en garantissant sa bonne gouvernance.

Prêt à relier les analyses aux données factuelles ?

Si vous souhaitez transformer les informations générées par l'IA en données fiables et réutilisables, la première étape consiste à évaluer l'état de vos infrastructures de données. Commencez par Évaluation de l'état de préparation des données pour l'IA pour évaluer la capacité de votre organisation à prendre en charge l'IA tout au long du cycle de laboratoire.

Pour aller plus loin, découvrez comment une approche structurée des données, axée sur le contexte, est à la base d'une IA évolutive et fiable :
Lire le Livre blanc sur la stratégie de données IA axée sur le contexte pour le secteur biopharmaceutique. Ou nous contacter pour discuter de la manière dont votre organisation peut mettre en place ce « juste milieu » encadré qui relie les analyses aux données factuelles.

IDBS, une entreprise du groupe Danaher, aide les entreprises du secteur biopharmaceutique à transformer leurs données scientifiques en informations fiables qui accélèrent l'innovation et améliorent les résultats pour les patients.