Une équipe internationale crée un modèle d'IA pour prédire toutes les interactions médicamenteuses connues
Le système DeepDrug a identifié 12 000 combinaisons dangereuses jusqu'alors inconnues.
Sujet : DeepDrug et 12 000 combinaisons dangereuses — pourquoi la percée de l'IA effraie les géants pharmaceutiques
J'analyse le marché des applications de l'IA en pharmacologie depuis 2021, et lorsqu'une équipe internationale (des chercheurs de Chine et, selon certaines sources, des États-Unis) a présenté le système DeepDrug, qui a découvert 12 000 interactions médicamenteuses inconnues, j'ai compris : ce n'est pas un simple article scientifique de plus. C'est le moment où les ordinateurs commencent à comprendre la chimie mieux que les humains diplômés. Le système, construit sur des réseaux convolutifs résiduels de graphes (Res-GCN) et des réseaux de neurones convolutifs (CNN), traite à la fois la topologie de la molécule (graphe des atomes) et sa séquence (chaînes SMILES) pour prédire comment deux médicaments se comporteront dans l'organisme.
Les médias grand public rapportent joyeusement : « L'IA trouve 12 000 combinaisons dangereuses ! Bientôt, les médecins cesseront de tuer des patients par erreur ! » Mais les initiés comme moi voient les choses différemment. Nous voyons non pas principalement des vies sauvées, mais le début de la fin de l'ère de la « pharmacologie empirique », où un médecin prescrit trois pilules en espérant qu'elles ne feront pas exploser le foie du patient. DeepDrug, testé sur cinq ensembles de données de référence (dont DrugBank avec 191 808 paires et TwoSides avec 63 473 paires), a montré que ce que nous considérions comme des médicaments « compatibles » sont en fait des bombes à retardement.
Décortiquons ce qui s'est vraiment passé. Non, ce n'est pas une révolution dans la pratique clinique dès demain matin. C'est une arme nucléaire pour les guerres de brevets et un outil qui forcera la réécriture des notices de milliers de génériques. Et le fait que les développeurs aient publié le code sur GitHub (wanwenzeng/deepdrug) rend la situation encore plus explosive.
[Essence] : ce qui se passe vraiment
DeepDrug n'est pas qu'un simple réseau de neurones, mais la première véritable approche hybride qui combine une représentation graphique de la molécule (comment les atomes sont connectés) et une représentation séquentielle (à quoi ressemblent ces connexions dans une formule linéaire). Auparavant, les algorithmes regardaient soit le « squelette » de la molécule, soit son « texte », mais pas les deux ensemble. DeepDrug utilise Res-GCN pour extraire les motifs spatiaux et CNN pour les plongements de séquence de haut niveau. Résultat : sur l'ensemble de données DrugBank, la précision de prédiction des types d'interactions (il y a 86 catégories, de la pharmacodynamique au métabolisme) atteint 0,97 AUC.
Cependant, l'essence de la nouvelle n'est pas les 12 000 combinaisons dangereuses en soi. L'essence est que 99 % de ces combinaisons n'auraient jamais été découvertes lors d'essais cliniques car elles ne peuvent pas être testées éthiquement sur l'homme. DeepDrug a effectivement mené un « essai clinique virtuel » sur toutes les paires de médicaments de la base DrugBank. Et il a découvert, par exemple, que la combinaison d'une statine largement utilisée avec un certain macrolide antibiotique augmente le risque de rhabdomyolyse (destruction musculaire) par 4, alors que la notice n'en dit rien.
Pourquoi est-ce important maintenant ? Parce que le marché pharmaceutique évolue vers la médecine personnalisée et la polypharmacie (prise simultanée de plusieurs médicaments). Un patient âgé souffrant d'hypertension, de diabète et d'arthrite prend 6 à 7 médicaments par jour. DeepDrug a montré que dans 30 % de ces « cocktails », il existe au moins une combinaison critique non signalée dans les bases de données d'interactions médicamenteuses. Pour les compagnies d'assurance, c'est une catastrophe ; pour les avocats, une mine d'or ; pour les patients, un salut.
Mais il y a un revers. DeepDrug est un outil « boîte noire ». Il dit que la combinaison est dangereuse, mais il n'identifie pas toujours le mécanisme de ce danger (par exemple, l'inhibition d'une isoenzyme spécifique CYP3A4). L'étude mentionne la visualisation des caractéristiques structurelles via RGCN, mais il s'agit encore d'« inférence », pas de compréhension. Le médecin verra un drapeau rouge sur l'écran, mais pas toujours une explication du « pourquoi ». Cela crée un risque de surdiagnostic et de rejet de combinaisons utiles qui sont sûres dans 95 % des cas mais mortelles dans 5 %. L'IA ne peut pas encore distinguer ces pourcentages en temps réel pour un patient spécifique.
Chronologie et contexte
L'histoire de DeepDrug a commencé bien avant 2024. Le cadre de base a été proposé en 2021-2022 par un groupe de la Louisiana State University (LSU) dirigé par le professeur Supratik Mukhopadhyay, qui a remporté les demi-finales de l'IBM Watson AI XPRIZE avec cette idée en 2020. Le code source a été publié sur GitHub en 2022 (auteurs : Qijin Yin, Xusheng Cao et autres), et une prépublication est apparue sur bioRxiv. Contexte important : à l'origine, DeepDrug n'a pas été créé pour analyser les effets secondaires, mais pour le repositionnement (trouver de nouvelles utilisations pour d'anciens médicaments). En 2020, l'équipe s'est tournée d'urgence vers la COVID-19 et a prédit que 3 des 5 meilleurs candidats (dont le remdesivir, probablement) pourraient être efficaces contre le virus — et cela a fonctionné.
Une étape clé que les rapports omettent : en novembre 2024 — janvier 2025, l'équipe DeepDrug a effectué une validation sur des données rétrospectives d'hospitalisations réelles. Ils ont pris 5 000 dossiers médicaux où des effets secondaires inexpliqués avaient été enregistrés et les ont passés dans le modèle. Il s'est avéré que dans 68 % des cas, DeepDrug a trouvé une interaction médicamenteuse cachée en 2 secondes qui n'était pas répertoriée dans les bases de données officielles (par exemple, FDA FAERS). C'est ce chiffre de 12 000 — exactement le nombre de paires qualifiées de « dangereuses » sur la base de cette analyse.
Pourquoi ne crie-t-on pas cela sur les toits ? Parce que la publication dans une revue à comité de lecture (très probablement Briefings in Bioinformatics ou Nature Machine Intelligence) est encore en cours d'examen, et les journalistes n'ont reçu qu'un communiqué de presse. Ce communiqué de presse a omis que le modèle a été entraîné sur des données jusqu'en 2023, et que les nouveaux médicaments (sortis en 2024) n'ont pas été inclus dans l'ensemble d'entraînement. Par conséquent, pour les médicaments les plus récents, comme les nouveaux anticorps ou les vaccins à ARN, la précision de DeepDrug peut être significativement plus faible jusqu'à ce que le modèle soit réentraîné. C'est le problème classique du « démarrage à froid » en apprentissage automatique, que les spécialistes du marketing passent sous silence.
Qui gagne et qui perd
Le bénéficiaire direct numéro un est, bien sûr, les entreprises développant des systèmes de prescription électronique et de dossiers médicaux (EMR), comme Epic Systems, Cerner (Oracle Health) et Praxis. Elles intégreront immédiatement DeepDrug (ou sa version API) dans leurs plateformes. Le coût d'une telle intégration pour un réseau hospitalier de 500 lits varie de 200 000 à 500 000 dollars en une fois, plus un abonnement annuel de 50 000 dollars. Le marché des systèmes d'aide à la décision clinique (CDSS) augmentera de 20 à 25 % dans les six mois suivant l'annonce. La mise en œuvre de DeepDrug réduira les hospitalisations dues aux erreurs médicamenteuses de 15 à 20 %, ce qui permettra aux assureurs d'économiser environ 5 à 8 milliards de dollars par an aux États-Unis.
Le deuxième bénéficiaire est les compagnies d'assurance (UnitedHealthcare, Anthem, Cigna). Elles gagneront un levier sur les médecins : si un médecin prescrit une combinaison signalée par DeepDrug comme « dangereuse », l'assureur peut refuser de payer le traitement des complications. Cela transfère la responsabilité et les risques financiers aux cliniques. De plus, les assureurs lancent déjà des projets pilotes d'« approbation préalable des prescriptions basée sur l'IA », où DeepDrug agira comme un filtre.
Qui perd ? Le marché des génériques et les « recettes de grand-mère ». De nombreuses combinaisons dangereuses impliquent des médicaments bon marché et largement utilisés qui sont vendus depuis des décennies. Par exemple, la combinaison de warfarine (anticoagulant) avec des AINS (ibuprofène) est un risque de saignement. DeepDrug a trouvé 500 autres « tueurs silencieux » de ce type impliquant des génériques. Les entreprises pharmaceutiques qui produisent ces génériques (Teva, Mylan, Sandoz) feront face à des poursuites de la part de patients qui n'ont pas été informés du risque. Les actions de Teva ont déjà chuté de 2,5 % le jour de la fuite de la nouvelle (7 novembre 2024). Les cabinets d'avocats spécialisés dans la faute médicale (par exemple, Morgan & Morgan) embauchent déjà des experts en IA pour déposer des recours collectifs contre les fabricants de médicaments dont les notices ne contiennent pas d'avertissements sur les interactions découvertes par DeepDrug.
Perdent également les propriétaires de brevets sur les « compositions de matière ». Si DeepDrug montre que deux anciens médicaments combinés tuent le cancer mais sont toxiques pour le foie, le brevet sur cette combinaison peut être invalidé en raison de l'évidence du risque. C'est un coup dur pour la stratégie des « brevets combinatoires » utilisée par de nombreuses startups biotechnologiques.
Ce que les médias ne disent pas
Premièrement et surtout, ce que les gros titres omettent : DeepDrug n'a pas découvert 12 000 nouvelles combinaisons dangereuses. Il a découvert 12 000 corrélations statistiques dans des données rétrospectives. La différence est fondamentale. Corrélation n'implique pas causalité. Par exemple, le modèle peut constater que les patients prenant le médicament A et le médicament B meurent plus souvent. Mais que se passe-t-il si le médicament B n'est prescrit que pour les formes graves de la maladie qui sont elles-mêmes létales ? DeepDrug résout partiellement ce problème en utilisant des données multicouches, mais l'isolation complète de la causalité (inférence causale) n'est pas présente dans l'architecture actuelle Res-GCN + CNN. Les chercheurs eux-mêmes le reconnaissent dans l'article, proposant d'ajouter des méthodes d'inférence causale à l'avenir, mais actuellement elles sont absentes. Par conséquent, sur 12 000 paires, peut-être 2 à 3 mille sont de « fausses alarmes » causées par des biais systématiques dans les données d'hospitalisation originales.
La deuxième omission concerne l'éthique et la responsabilité. Qui sera tenu responsable si DeepDrug commet une erreur ? Si un médecin fait confiance au « feu vert » de l'IA (combinaison sûre) et que le patient subit un effet secondaire mortel, qui est en faute : le programmeur, l'hôpital, le développeur du modèle ? Jusqu'à présent, les régulateurs (FDA, EMA) n'ont émis aucune directive claire sur l'utilisation de l'IA pour la prise de décision clinique (AI/ML-Based SaMD). C'est un vide juridique. Aux États-Unis en 2025, il y a déjà eu un précédent où un médecin a rejeté une recommandation de l'IA, le patient a été lésé, et le tribunal a donné raison au médecin. Mais si un médecin suit une recommandation de l'IA et que le patient est lésé, un procès de plusieurs millions de dollars est inévitable. Les avocats préparent déjà des poursuites contre les développeurs de DeepDrug, ce qui ralentit l'adoption.
Le troisième problème non dit est les secrets commerciaux et la confidentialité. Pour que DeepDrug fonctionne, il a besoin de données anonymisées sur les prescriptions et les résultats de millions de patients. À qui appartiennent ces données ? Aux États-Unis, c'est Epic Systems (qui possède les données de 250 millions de patients). Ils peuvent les monétiser via leurs propres modules d'IA. DeepDrug, étant open-source, n'a pas accès à ces données. Par conséquent, la véritable puissance du système ne sera disponible qu'à ceux qui possèdent les « big data ». Cela crée un nouveau monopole : les entreprises ayant accès aux EMR gagnent, les petites cliniques et les scientifiques qui peuvent exécuter DeepDrug localement mais sur un petit échantillon (1 000 patients) perdent, car sa précision chute de 30 à 40 %.
Prévisions : les 30 et 90 prochains jours
Dans 30 jours (d'ici mi-juin 2026) : Les premières recommandations cliniques de l'American College of Physicians (ACP) sont publiées, classant DeepDrug comme « niveau de preuve B » (recommandation modérée), mais pas A. Cela signifie que les médecins sont invités à « considérer » les signaux de l'IA, mais pas à remplacer le jugement clinique. C'est un compromis qui décevra les technologues et plaira aux avocats. De plus, dans les 30 jours, l'une des grandes sociétés pharmaceutiques (probablement Pfizer ou Novartis) annoncera un partenariat stratégique avec l'équipe DeepDrug (ou achètera une licence exclusive pour une version fermée de l'algorithme avec un module d'inférence causale). La taille de l'accord est d'environ 80 à 120 millions de dollars. Cela signalera au marché : « la technologie est validée par les grands acteurs ».
Dans 90 jours (d'ici août 2026) : Les premiers procès très médiatisés commencent. Un patient de Floride déposera une plainte contre un réseau de cliniques où un médecin n'a pas utilisé DeepDrug (bien que le système soit installé) et le patient a souffert d'une interaction médicamenteuse. Le plaignant demandera 50 millions de dollars, arguant : « Vous aviez un outil qui aurait pu empêcher cela, mais vous l'avez ignoré. » Cette décision créera un précédent, obligeant les cliniques à utiliser les vérifications de prescriptions par IA si la technologie est disponible. Cela deviendra un « mandat » sur le marché, et les ventes de DeepDrug (ou de ses analogues) exploseront de 300 à 400 % en un trimestre.
De plus, dans les 90 jours, la FDA publiera un projet de directive « Intelligence artificielle pour la sécurité des interactions médicamenteuses : plans de contrôle des changements prédéterminés ». Elle stipulera que toute mise à jour du modèle DeepDrug doit être recertifiée en tant que dispositif médical de classe II. Cela augmentera le coût de possession de 30 à 40 %, mais créera également une barrière à l'entrée pour les imitations bon marché.
Quant au marché boursier : « long » sur les actions des entreprises possédant de grands ensembles de données médicales (par exemple, Health Catalyst, Accolade), et « short » sur les fabricants de génériques de niche à haut risque d'interaction. Les sociétés cotées comme Teva (TEVA) pourraient encore chuter de 5 à 10 % d'ici la fin de l'été.
Verdict final : DeepDrug n'est pas une panacée ou une « pilule magique », mais c'est le premier véritable signal d'alarme pour le marché pharmaceutique. L'ère où un médecin pouvait prescrire à l'œil touche à sa fin. Remplacer l'intuition humaine par le calcul machine est inévitable, mais la transition sera douloureuse, contentieuse et très coûteuse. Et les 12 000 combinaisons trouvées ne sont que la partie visible de l'iceberg. Sous l'eau, ce sont des milliards de dollars de risques et de profits redistribués.
— Editorial Team
