Épisode 5 : L’intelligence artificielle

Au début de la semaine dernière, une annonce surprenante d’une CRO (Contract Research Organization) concernant l’utilisation de l’intelligence artificielle — et plus particulièrement de ChatGPT — pour concevoir des études précliniques d’efficacité a fait passer les discussions sur l’IA des médias spécialisés jusqu’aux laboratoires.

Les avis divergent. Les scientifiques les plus expérimentés, souvent plus prudents face aux nouvelles technologies, expriment des réserves, tandis que les plus jeunes chercheurs se montrent généralement enthousiastes. Pourtant, ces opinions risquent rapidement de devenir obsolètes tant les capacités actuelles de ChatGPT évoluent à un rythme soutenu.

Alors, ChatGPT est-il prêt à intégrer la boîte à outils du scientifique, à l’image d’une calculatrice devenue indispensable ? Ou doit-il plutôt être considéré comme une source d’information générale, comparable à Wikipédia : rapide, utile, mais parfois superficielle et dont la fiabilité doit être vérifiée ?

Nous avons demandé à ChatGPT Plus de générer des protocoles d’études pour différentes maladies fibrosantes, notamment la fibrose pulmonaire idiopathique. Pour ce faire, nous lui avons fourni des informations détaillées sur les molécules à tester ainsi que sur les paramètres expérimentaux à prendre en compte. Les résultats se sont révélés particulièrement instructifs.

En tant que grand modèle de langage (Large Language Model – LLM), ChatGPT excelle dans la collecte, l’organisation et la synthèse des informations demandées. Il est capable de proposer des plans d’étude « moyens », représentatifs des pratiques les plus courantes. Par exemple, pour une étude sur la fibrose pulmonaire idiopathique, il suggère spontanément des contrôles positifs tels que la Pirfénidone ou le Nintédanib, ainsi que des critères d’évaluation classiques comme la capacité vitale forcée, le volume courant ou d’autres paramètres fonctionnels pulmonaires.

Lorsque nous avons indiqué que le candidat médicament pouvait induire l’apoptose, ChatGPT a également intégré dans le protocole des marqueurs couramment utilisés tels que le test TUNEL ou le marquage à l’Annexine V. De même, lorsque nous avons précisé que la molécule stimulait la prolifération des fibroblastes, il a ajouté une coloration Ki67 au protocole expérimental.

Rien de véritablement innovant toutefois. ChatGPT s’appuie essentiellement sur les connaissances publiées et assemble les éléments les plus fréquemment rencontrés dans la littérature scientifique afin de produire un protocole standardisé.

En revanche, lorsque les données disponibles sont variables ou contradictoires, l’outil atteint rapidement ses limites. Les doses à tester, les moments optimaux de prélèvement, les voies d’administration ou encore certains paramètres expérimentaux spécifiques diffèrent souvent d’une publication à l’autre. Face à cette variabilité, l’intelligence artificielle ne parvient pas toujours à proposer une stratégie cohérente.

Les mécanismes d’action constituent une autre limite importante. Qu’on lui indique qu’un candidat médicament réduit la capacité pulmonaire, bloque les récepteurs du TGF-β ou diminue la production de cytokines inflammatoires, ChatGPT tend à proposer pratiquement le même protocole expérimental pour la fibrose pulmonaire idiopathique.

Les problématiques de sécurité échappent également largement à son raisonnement actuel. Par exemple, l’affirmation « le candidat médicament induit une prolifération cellulaire » ne conduit pas spontanément à l’intégration d’évaluations de carcinogénicité. De même, la mention d’une apoptose des cardiomyocytes ne se traduit pas automatiquement par l’ajout d’examens destinés à détecter une cardiomyopathie.

ChatGPT demeure néanmoins une réalisation remarquable du domaine de l’apprentissage automatique. Son potentiel est immense et dépassera probablement très rapidement ses capacités actuelles de collecte, de compilation et de synthèse des connaissances.

À l’heure actuelle, cependant, il produit principalement des protocoles génériques qui manquent souvent de vision scientifique intégrée et d’innovation conceptuelle. Il apparaît ainsi davantage adapté à la rédaction préliminaire de protocoles réglementaires standardisés qu’à la conception d’études originales destinées à accélérer la découverte de nouveaux médicaments.