La recherche biomédicale et toxicologique s’est longtemps appuyée sur des modèles animaux et des cultures cellulaires simples. Leurs limites, notamment pour prédire les réponses humaines, ont favorisé le développement des Nouvelles Approches Méthodologiques (NAM). Parmi ces approches, les organoïdes, les organes-sur-puce et d’autres modèles in vitro avancés occupent une place centrale. En reproduisant plus fidèlement la physiologie humaine – structure tissulaire, flux, contraintes mécaniques et interactions cellulaires –, ils génèrent des données plus représentatives des conditions humaines que les méthodes conventionnelles.
Cette évolution soulève toutefois un nouveau défi : comment interpréter de manière fiable la quantité et la complexité croissantes des données produites par ces modèles ? Cet article examine le rôle que peut jouer l’intelligence artificielle (IA) pour identifier des tendances, intégrer des mesures issues de différentes sources et orienter les décisions expérimentales, tout en soulignant que la validation biologique et un contexte d’utilisation clairement défini demeurent indispensables.
Quand les modèles in vitro dépassent notre capacité à les interpréter
Au-delà des images et des profils moléculaires, les modèles in vitro avancés produisent des relations dose-réponse, des différences entre donneur(euse)s, des données issues de capteurs et des mesures répétées dans le temps. Cette richesse permet une caractérisation plus fine des réponses biologiques, mais fait de leur interprétation le principal défi. Les chercheur(e)s doivent relier des informations de nature différente afin d’en extraire une vision cohérente.
Cette difficulté tient à plusieurs caractéristiques des données : elles sont multidimensionnelles, hétérogènes (imagerie, profils moléculaires, mesures fonctionnelles), couvrent plusieurs niveaux d’organisation biologique et évoluent dans le temps. Aucune mesure isolée ne peut donc rendre compte de l’état d’un tissu. Un tissu peut paraître intact sur le plan morphologique alors que son métabolisme est déjà altéré, tandis qu’une moyenne moléculaire peut masquer une sous-population de cellules endommagées pourtant biologiquement importante.
L’enjeu est donc d’identifier les signaux pertinents, d’intégrer des données complémentaires et d’en tirer des conclusions utiles pour orienter les expériences. L’IA peut contribuer à cette interprétation en révélant des relations difficiles à détecter, en mettant en évidence des tendances dignes d’intérêt et en aidant à cibler les mesures expérimentales les plus informatives. Sa valeur réside moins dans sa capacité à traiter de grands volumes de données que dans son aptitude à en faciliter l’interprétation, tout en tenant compte du contexte biologique, des incertitudes et des limites propres à chaque mesure.
Ce que l’IA peut apporter à l’interprétation des données in vitro
L’IA peut d’abord reconnaître des signatures biologiques réparties sur de nombreuses mesures. Si un observateur humain identifie aisément une mort cellulaire généralisée ou une barrière endommagée, des états précoces de stress reposent souvent sur une combinaison de modifications subtiles de la morphologie cellulaire, de la texture des organites ou de l’organisation tissulaire. Pris isolément, ces changements sont peu informatifs ; ensemble, ils décrivent des états biologiques reproductibles. L’IA peut identifier ces signatures dans de vastes ensembles de données, comparer les échantillons traités aux témoins et mettre en évidence des réponses différentes selon les donneur(euse)s ou les conditions expérimentales.
Elle peut également intégrer des données issues de différents niveaux d’observation. Images, expression génique, protéines sécrétées, métabolisme et mesures de capteurs décrivent souvent un même phénomène sous des angles complémentaires. Leur confrontation peut confirmer une réponse biologique ou révéler des divergences, par exemple lorsque des cellules paraissent morphologiquement intactes alors que leur métabolisme ou leurs sécrétions témoignent déjà d’un état de stress. L’objectif n’est pas de fusionner toutes les mesures en un résultat unique, mais d’identifier les relations qui méritent une investigation complémentaire.
Enfin, l’IA peut faciliter des analyses virtuelles ou non destructives (ne nécessitant pas de détériorer ou détruire l’échantillon). Des modèles entraînés à relier l’imagerie sans marquage à des essais destructifs peuvent estimer l’état d’échantillons vivants sans les altérer. Les tests directs restent indispensables pour valider ces estimations, mais cette approche permet un suivi longitudinal, préserve un matériel humain souvent limité et aide à cibler les échantillons nécessitant une analyse approfondie.
En combinant reconnaissance de signatures complexes, intégration de données multimodales et analyses non destructives, l’IA constitue un outil d’aide à l’interprétation des modèles in vitro. Elle ne remplace pas les mesures expérimentales, mais aide les chercheur(e)s à mieux exploiter les données disponibles et à orienter plus efficacement leurs investigations.
Exemples concrets : suivi, screening et hiérarchisation
L’un des principaux intérêts de l’IA est d’aider les chercheur(e)s à déterminer quelles mesures sont réellement nécessaires. Prenons l’exemple d’un organoïde dérivé d’un(e) patient(e) après exposition à un médicament. Il faut évaluer sa viabilité, son état de stress, sa différenciation, sa capacité de récupération ou l’apparition de lésions irréversibles. Si les colorations, marqueurs génétiques et dosages biochimiques fournissent des informations directes, ils sont souvent destructifs. À l’inverse, l’imagerie en champ clair (ou lumière blanche, sans marquage) est reproductible et non invasive, mais les altérations précoces sont parfois difficiles à distinguer.
Des chercheur(e)s ont ainsi associé des images en champ clair d’organoïdes cultivés dans une matrice de support à des mesures directes de viabilité afin d’entraîner un modèle capable d’estimer l’état de nouvelles cultures. Les cultures peuvent alors être suivies au cours du temps, tandis que les tests destructifs sont réservés aux situations nécessitant une confirmation.
La même approche peut servir à prédire l’évolution d’une culture. Dans des modèles miniaturisés de voies respiratoires sur puce, des images acquises dès les premiers jours permettent d’anticiper le niveau de différenciation épithéliale atteint ultérieurement. Les cultures peu susceptibles de mûrir correctement peuvent ainsi être identifiées avant d’engager plusieurs semaines de travail et de ressources.
L’IA est également utile pour le criblage à haut débit. Les caractéristiques extraites des images de composés testés peuvent prédire leur activité dans de nombreux essais biochimiques et cellulaires, ce qui permet de concentrer les essais expérimentaux sur les composés les plus prometteurs. Les images ne remplacent donc pas les tests biologiques, mais orientent leur sélection.
Enfin, l’IA peut guider la conception des expériences. Face au grand nombre de combinaisons possibles (dose, temps d’exposition, milieu, matrice, débit, donneur(euse), paramètres mesurés), des approches itératives exploitent les premiers résultats pour proposer les conditions les plus prometteuses ou les plus informatives. Cette stratégie a notamment été utilisée pour optimiser les milieux de culture et hiérarchiser les mesures en fonction de leur intérêt expérimental.
Qu’il s’agisse du suivi des cultures, du criblage ou de l’optimisation expérimentale, l’IA poursuit un même objectif : orienter les mesures directes vers les situations où elles apportent le plus d’informations.
Pourquoi l’IA peut induire en erreur lorsque les données sont de mauvaise qualité
Ces applications ne sont pertinentes que si les données sous-jacentes sont fiables. Un modèle d’IA peut apprendre des différences techniques plutôt que biologiques. Les conditions d’imagerie, les dates d’expérience, les lots de réactifs, la position des plaques ou les instruments utilisés peuvent influencer les résultats. Si les échantillons traités et témoins sont préparés différemment, le modèle risque d’apprendre ces effets de lot plutôt que la réponse au traitement. À l’inverse, une correction excessive peut éliminer une véritable variabilité biologique.
La qualité des annotations est tout aussi déterminante. Un modèle entraîné à prédire la « toxicité » ne fait qu’apprendre la définition retenue dans les données d’entraînement, qu’elle repose sur la viabilité, la morphologie ou l’expertise humaine. Aucune de ces approches ne couvre à elle seule l’ensemble des mécanismes de lésion.
Enfin, il ne faut pas confondre explicabilité et mécanisme. Une région mise en évidence sur une image ou une caractéristique moléculaire importante indique ce qui a influencé une prédiction, mais n’explique pas pourquoi la réponse biologique s’est produite. L’IA met en évidence des hypothèses ; seules des expériences biologiques permettent de les confirmer.
Les performances d’un modèle ne suffisent donc pas à établir sa fiabilité. Avant d’éclairer une décision scientifique, clinique ou réglementaire, son objectif, son domaine d’application et sa stratégie de validation doivent être clairement définis.
Confiance, contexte et décisions pertinentes pour l’humain
La question n’est pas de savoir si l’IA est performante, mais quelles preuves sont nécessaires pour qu’un résultat in vitro interprété par l’IA puisse éclairer une décision scientifique ou réglementaire. C’est l’approche adoptée par les autorités de régulation. La Food and Drug Administration (FDA) a proposé un cadre de crédibilité fondé sur les risques pour les modèles d’IA utilisés dans les décisions réglementaires, tandis que l’Agence européenne des médicaments (EMA) a publié un document de réflexion sur l’usage de l’IA tout au long du cycle de vie des médicaments. En 2026, la FDA a également accepté la première lettre d’intention visant à qualifier, dans le cadre de son programme ISTAND, un outil de développement de médicaments fondé sur l’IA pour prédire les lésions hépatiques d’origine médicamenteuse. Cette étape ne constitue pas une autorisation, mais illustre l’entrée progressive de ces outils dans les processus de qualification.
La confiance accordée à un modèle dépend de son contexte d’utilisation. Un outil destiné au criblage précoce peut tolérer davantage d’incertitude qu’un modèle utilisé pour étayer une décision réglementaire ou de sécurité. Une utilisation crédible suppose donc de définir clairement le système étudié, les données mobilisées, le critère évalué, le domaine chimique concerné et la décision visée. La validation doit également refléter les conditions réelles d’utilisation, en incluant autant que possible de nouveaux donneur(euse)s, lots expérimentaux ou laboratoires. Les modèles devraient enfin exprimer leur niveau d’incertitude, détecter les situations hors de leur domaine de validité et signaler lorsqu’une mesure expérimentale reste nécessaire.
Cette exigence éclaire également le rôle de l’IA dans le remplacement des animaux. Une prédiction, à elle seule, ne fait pas d’un résultat in vitro une alternative validée aux études animales. Son intérêt est de renforcer la robustesse des approches pertinentes pour l’humain en améliorant le contrôle qualité, en tirant davantage d’informations d’échantillons humains limités, en reliant les observations in vitro aux questions cliniques et en orientant les expériences vers les incertitudes les plus importantes. À mesure que les contextes d’utilisation seront mieux définis et les validations renforcées, les modèles reposant sur des NAM assistées par l’IA pourront soutenir un nombre croissant de décisions aujourd’hui fondées sur l’expérimentation animale. L’objectif reste de mettre l’IA au service de l’interprétation de la biologie humaine, sans substituer les prédictions aux preuves expérimentales.
