Dr Guan-Yu Chen

Dr Guan-Yu Chen : Tout au long de ma carrière, j'ai été convaincu que l'ingénierie pouvait transformer en profondeur notre compréhension de la biologie humaine ainsi que le développement de nouveaux médicaments.

Un moment décisif a marqué mon parcours lors de mon stage postdoctoral au MIT (Massachusetts Institute of Technology). Durant l'hiver 2014, Boston a été paralysée par l'une des plus importantes tempêtes de neige de son histoire. Alors que je marchais dans la neige pour me rendre à une formation sur l'expérimentation animale, une question simple m'est venue à l'esprit : pourrions-nous un jour comprendre la biologie humaine sans dépendre autant de l'expérimentation animale ? Cette interrogation a marqué le début d'une aventure qui a façonné toute la suite de ma carrière.

À mon retour à Taïwan, après avoir rejoint le monde universitaire, j'ai commencé à développer des technologies d'OOC afin de reproduire la physiologie humaine in vitro. À l'époque, ce domaine n'en était qu'à ses balbutiements, mais j'étais persuadé que les principes de l'ingénierie permettraient de rendre la recherche biologique plus standardisée, plus reproductible et, à terme, plus prédictive des résultats chez l'humain.

Quelques années plus tard, l'IA transformait la découverte de médicaments en générant des hypothèses et en identifiant des candidats prometteurs avec une rapidité inédite. Parallèlement, j'ai identifié un nouveau goulot d'étranglement : l'IA générait des hypothèses plus vite que la biologie ne pouvait les valider. Ce constat a renforcé un principe qui nous guide encore aujourd'hui : la pertinence de l'IA dépend entièrement de la qualité des données biologiques humaines qui la sous-tendent.

C'est ce constat qui a conduit à la création d'Anivance AI. Notre priorité réside dans la convergence entre les prédictions de l'IA et la biologie humaine pour produire des modèles représentatifs de la physiologie humaine et étayer plus solidement les décisions prises lors du développement de médicaments.

Aujourd'hui, nous considérons ces modèles pertinents pour l'humain comme le socle biologique de l'ère de l'IA. Chaque expérience permet de générer des données humaines standardisées qui enrichissent les analyses futures, créant ainsi un cycle d'apprentissage continu entre la biologie et l'IA.

Dr Chen : La plupart des entreprises du secteur utilisent l'IA comme une couche analytique externe — un modèle appliqué a posteriori aux expériences terminées pour y déceler des schémas. Chez Anivance, l'IA ne se superpose pas à la biologie ; elle fait partie intégrante du processus de production biologique. Nous parlons d'« IA physique pour la biologie humaine » : l'IA guide la conception des expériences sur organes-sur-puce, leur exécution par nos plateformes automatisées et l'interprétation des données humaines qui en résultent, formant un système unifié. Avec des protocoles standardisés et automatisés, les données générées sont plus cohérentes et plus significatives que les résultats issus de flux de travail fragmentés.

Cet aspect est essentiel, car les approches conventionnelles reposent souvent sur des expérimentations de faible débit, ce qui rend difficile l'apprentissage fiable pour une IA.

En matière de prédiction de la toxicité et de profilage de la réponse aux médicaments, l'IA extrait des schémas biologiquement pertinents à partir des signaux continus et de haute dimension générés par nos plateformes ; elle transforme ainsi des réponses biologiques complexes en paramètres quantitatifs qui saisissent les effets dynamiques des traitements, plutôt que de se limiter à quelques indicateurs statiques. Dans le cadre de nos travaux actuels sur la toxicologie respiratoire et par inhalation, cela permet d'identifier des signaux de sécurité pertinents pour l'humain plus tôt et avec une plus grande fiabilité que ne le permettent les critères d'évaluation classiques.

Pour la modélisation des maladies et les premières étapes de la découverte de médicaments, l'IA aide à repérer des schémas au sein de réponses hétérogènes des patient(e)s et à intégrer diverses sources de données biologiques, mettant ainsi en lumière des relations difficiles à déceler par les analyses conventionnelles. Cette approche favorise la stratification des patient(e)s et une priorisation plus systématique des candidats prometteurs.

Il ne s'agit en aucun cas de confier la prise de décision à un algorithme ; l'IA aide à interpréter les données, tandis que la biologie humaine garantit la fiabilité de cette interprétation. C'est ce que nous entendons par « infrastructure de validation humaine ». La qualité de l'IA dépendant de celle des données humaines qui la sous-tendent, nous nous attachons à bâtir un système capable de produire des données humaines fiables, sur lesquelles l'IA vient ensuite apporter sa valeur ajoutée pour la prise de décision. Nous sommes convaincus que cette infrastructure sera essentielle pour bâtir un avenir médical plus prédictif et centré sur l'humain.

Dr Chen : Notre approche a été reconnue par le Prix PETA Asie et sélectionnée pour participer au programme pilote VQN de la FNIH. Pour nous, ces reconnaissances traduisent avant tout la conviction grandissante que les données probantes pertinentes pour l'humain joueront un rôle central dans l'avenir de l'évaluation préclinique de la sécurité.

Participer au VQN de la FNIH nous permet de contribuer à un effort collaboratif réunissant organismes de réglementation, industrie, monde universitaire et développeurs de technologies, en vue de produire les preuves scientifiques solides nécessaires à l'appui des nouveaux dispositifs NAM.

La véritable question n'est plus de savoir si une NAM peut remplacer un modèle animal, mais comment plusieurs approches complémentaires peuvent produire ensemble des preuves plus robustes et davantage pertinentes pour l'humain, afin d'améliorer la prédiction de la sécurité pour l'humain, de repérer plus tôt les signaux de toxicité au cours du développement des médicaments et d'étayer des décisions réglementaires plus éclairées.

Bien que nos travaux actuels se concentrent sur des modèles respiratoires pertinents pour l'être humain dans le domaine de la toxicologie par inhalation, nous considérons cela comme un exemple d'une transformation bien plus vaste à l'œuvre dans les sciences du vivant. Le défi commun consiste à établir des données probantes, robustes, reproductibles et pertinentes sur le plan réglementaire, permettant d'asseoir la confiance dans les méthodes alternatives.

Nous sommes convaincus que l'avenir de la toxicologie prédictive reposera non seulement sur l'innovation technologique, mais aussi sur la collaboration mondiale, le partage de normes scientifiques et un engagement commun en faveur d'une science plus prédictive, d'une réduction de l'utilisation des animaux et d'une amélioration des résultats pour les patient(e)s.

Nous saluons en ce sens la collaboration croissante entre des organismes tels que l'EMA, la FDA, l'OCDE, l'EURL ECVAM, la FNIH et la communauté élargie des NAM. Un dialogue scientifique précoce, des efforts de validation conjoints et des normes scientifiques harmonisées seront déterminants.

Dr Chen : L'adoption généralisée de ces plateformes intégrant l'IA en tant que NAM robustes et reconnues par les autorités réglementaires se heurte actuellement à quatre obstacles scientifiques et techniques interdépendants, liés à la qualité des données, à la complexité biologique et à la confiance envers l'IA.

1. Rareté et hétérogénéité des données à grande échelleLes performances de l'apprentissage automatique dépendent du volume, de la qualité et de l'uniformité des données d'entraînement ; or, les expériences classiques sur OOC présentent généralement un faible débit et sont sensibles aux variations liées aux sources cellulaires, aux conditions de culture et aux manipulations. Lorsque la variabilité entre les lots est élevée, les modèles risquent d'apprendre le « bruit opérationnel » plutôt que le signal biologique. Pour y remédier, il est nécessaire de mettre en place des flux de travail expérimentaux standardisés et extensibles, capables de générer des jeux de données de haute qualité, présentant une cohérence et une envergure suffisantes.

2. Fragmentation de la normalisation et absence de références communesLe domaine reste fragmenté, ce qui rend difficile la comparaison des données biologiques entre les différentes plateformes. Les progrès dépendent de normes partagées, de jeux de données de référence et de formats de données cohérents permettant une évaluation objective.

3. Faible transférabilité et reproductibilité inter-laboratoiresL'adoption par l'industrie repose également sur la démonstration de la reproductibilité des résultats d'un laboratoire à l'autre. Une validation multisite est essentielle pour instaurer la confiance, tant à l'égard des performances biologiques que des prédictions de l'IA.

4. L'IA « boîte noire » et la confiance des autorités réglementairesSi les modèles d'IA puissants peuvent révéler des schémas biologiques subtils, leur adoption par les autorités réglementaires dépend de la transparence, de la fiabilité et de la confiance accordée à leurs prédictions. L'explicabilité, la validation continue et l'estimation de l'incertitude seront donc indispensables pour que l'IA devienne un élément fiable du processus décisionnel réglementaire.

Il ne s'agit pas de quatre problèmes distincts, mais d'un seul : le secteur manque d'une infrastructure commune. C'est précisément ce fossé que nous cherchons à combler avec une « infrastructure de validation humaine ». En normalisant et en automatisant la conduite des expériences, en œuvrant pour l'établissement de références communes et en veillant à ce que notre IA reste ancrée dans des preuves expérimentales à chaque étape, nous visons à rendre les données issues des systèmes OOC suffisamment fiables pour servir de base à la confiance des autorités réglementaires.

Dr Chen : La dynamique la plus forte pour l'acceptation réglementaire des NAM ne se limite plus à une seule région. Nous constatons des progrès significatifs tant aux États-Unis qu'en Europe, où les agences de réglementation et les communautés scientifiques se concentrent de plus en plus sur les éléments clés de cette acceptation : des voies réglementaires claires, une validation robuste, une normalisation et une coopération internationale.

L'évolution la plus marquante réside peut-être dans le fait que le débat ne porte plus sur l'opportunité d'envisager les NAM, mais sur les preuves nécessaires pour qu'elles puissent étayer la prise de décision réglementaire.

Du point de vue de Taïwan, nous observons une dynamique croissante grâce au renforcement des capacités scientifiques et à la coopération internationale. Plutôt que de chercher à obtenir des changements réglementaires rapides, Taïwan consolide son rôle en produisant des preuves scientifiques, en participant à des collaborations internationales et en s'alignant sur les normes mondiales en constante évolution.

Nous constatons également une reconnaissance croissante du fait que l'IA aura un impact maximal lorsqu'elle sera intégrée à des données biologiques de haute qualité, pertinentes pour l'humain et issues de plateformes NAM validées. Sa valeur dépendra moins de l'envergure de l'algorithme que de la qualité des preuves qui le sous-tendent. L'acceptation réglementaire future ne reposera pas sur une technologie unique, mais sur la capacité des NAM complémentaires à générer des preuves fiables, reproductibles et pertinentes pour l'humain, dans le cadre d'une approche fondée sur la pondération des preuves.

Dr Chen : Ce qui continue de me motiver, c'est la conviction que toute décision médicale importante doit s'appuyer sur la meilleure compréhension possible de la biologie humaine. Tout au long de ma carrière, j'ai été témoin de progrès remarquables dans les domaines de l'ingénierie, de la biotechnologie et, désormais, de l'IA. Pourtant, un défi demeure : nous manquons toujours de données humaines fiables et exploitables à grande échelle pour étayer de nombreuses décisions critiques dans le développement de médicaments.

À mes yeux, faire progresser une science pertinente pour l'humain ne se résume pas à réduire le recours aux animaux. Il s'agit d'aider les chercheur(e)s à prendre de meilleures décisions, d'accélérer la mise au point de thérapies plus sûres et, en fin de compte, d'améliorer la vie des patient(e)s.

Nous ne concevons pas de meilleures puces pour le simple plaisir de la technique ; nous bâtissons l'infrastructure nécessaire à l'obtention de données humaines fiables, une fondation sur laquelle pourra s'appuyer la médecine de demain. C'est là toute l'idée, à long terme, de l'infrastructure de validation humaine. Si nos travaux permettent d'établir la biologie humaine comme socle du développement futur des médicaments, ce sera là la réalisation la plus marquante de ma carrière.