Article de conférence · PHUSE 2024 · Paper CM05 · Sciences de la vie & IA
Jérôme Vétillard (Microsoft) & Mark Lambrecht (SAS) · 16 pages · Anglais
Cet article, présenté à la conférence PHUSE 2024, propose une revue approfondie des technologies d'IA générative et de leurs applications dans la chaîne de valeur des sciences de la vie. Les auteurs examinent trois architectures fondamentales — Generative Adversarial Networks (GANs), Variational Autoencoders (VAEs) et Transformers — et cartographient leurs capacités sur des cas d'usage concrets en découverte de médicaments, génomique & protéomique, médecine personnalisée, automatisation des données cliniques et essais cliniques décentralisés.
L'article aborde également les défis critiques de la qualité des données, des considérations éthiques, de l'explicabilité des modèles et de la conformité réglementaire. Il explore les paradigmes émergents comme le Retrieval Augmented Generation (RAG), le calcul quantique pour la simulation moléculaire, et l'IA embarquée (edge AI) pour l'aide à la décision au lit du patient.
1 · Fondamentaux de l'IA générative
GANs, VAEs, Transformers — architecture, principes d'entraînement et forces comparées. De l'entraînement adversarial aux mécanismes d'auto-attention.
2 · Domaines d'application
Découverte de médicaments (SMILES, conception moléculaire, criblage virtuel), génomique & protéomique (génération de séquences, AlphaFold, RoseTTAFold), criblage in silico (docking moléculaire, simulations MD, QM/MM).
3 · Médecine personnalisée & analytique prédictive
Profilage de précision par intégration multi-omique, trajectoires prédictives de soins, pharmacogénomique et collaboration humain-IA pour la validation clinique.
4 · Automatisation des données cliniques
Génération de données synthétiques, augmentation de données, modélisation prédictive et fonctionnalité copilot de SAS pour la génération automatisée de code statistique sur SAS Viya.
5 · Essais cliniques décentralisés
Participation à distance via ECOA, monitoring en temps réel, inclusion & diversité, et rôle de l'IA générative dans la conception d'essais adaptatifs.
6 · Éthique, explicabilité & perspectives
Principes d'IA de confiance, techniques d'explicabilité des LLMs, architecture RAG, perspectives du calcul quantique et IA embarquée pour la décision au chevet du patient.
Rédigé alors que l'auteur était chez Microsoft Health & Life Sciences, cet article reflète sa double expertise en biotechnologie (PhD ENS Ulm / AgroParisTech) et en déploiement technologique au sein d'industries régulées. La collaboration avec Mark Lambrecht (SAS) construit un pont entre infrastructure d'IA et pratique biostatistique — une tension centrale dans l'industrialisation responsable de l'IA en recherche clinique.
L'article anticipe plusieurs thèmes développés ultérieurement dans les travaux de l'auteur sur TweenMe (génération de jumeaux numériques), PREDICARE (médecine prédictive territoriale) et l'architecture CINN (Clinically-Informed Neural Networks) — notamment l'intégration de connaissances métier dans les pipelines génératifs et la primauté de la conformité réglementaire dans le déploiement de l'IA.