GSK et Relation : 110 millions pour l'IA en médecine

Un partenariat stratégique pour l'innovation pharmaceutique

La société pharmaceutique GSK a récemment annoncé une collaboration stratégique avec Relation Therapeutics, une entreprise britannique de biotechnologie. Ce partenariat, évalué à 110 millions de dollars, vise à renforcer les efforts de découverte de médicaments assistée par intelligence artificielle (IA). Cette initiative s'inscrit dans une démarche plus large d'intégration des technologies avancées dans le processus de développement pharmaceutique.

Dans le cadre de cet accord, Relation Therapeutics s'engage à générer des ensembles de données à grande échelle. Ces données, cruciales pour la recherche, mesurent les réactions des cellules humaines face à des modifications génétiques et à des interventions médicamenteuses. L'objectif est de former des modèles d'IA capables d'identifier de nouvelles cibles thérapeutiques potentielles. Ces modèles seront intégrés dans la plateforme MORGAN de Relation, qui est au cœur de cette collaboration.

L'importance des données biologiques dans la recherche

Ce partenariat met en lumière le rôle central des données biologiques dans le développement de modèles d'IA. Relation Therapeutics adopte une approche qui combine l'analyse computationnelle avec des expériences en laboratoire. Cette méthode permet de générer des informations inédites sur le comportement des cellules humaines, ouvrant ainsi la voie à des découvertes médicales innovantes.

Les collaborations antérieures entre GSK et Relation se sont concentrées sur des maladies telles que les maladies fibrosantes et l'arthrose. Ces projets ont impliqué des études d'observation visant à créer des ensembles de données fonctionnelles pour une analyse approfondie à l'aide de la plateforme Lab-in-the-Loop de Relation. Ces travaux ont permis de combiner la génétique humaine avec des données multi-omiques unicellulaires issues de tissus humains, des essais fonctionnels et l'apprentissage automatique pour identifier et valider de nouvelles cibles thérapeutiques.

La méthode Lab-in-the-Loop de Relation

Relation Therapeutics utilise une approche innovante appelée Lab-in-the-Loop, qui intègre l'expérimentation en laboratoire avec l'analyse computationnelle. Cette méthode inclut plusieurs techniques avancées telles que le profilage tissulaire, la transcriptomique unicellulaire et spatiale, le séquençage et la validation de cibles. L'apprentissage automatique est au cœur de ce processus, facilitant l'identification, la priorisation et la validation des cibles ainsi que la conception expérimentale.

L'entreprise mène également des expériences de perturbation pour évaluer l'impact des modifications génétiques sur les caractéristiques cellulaires liées aux maladies. Ces résultats sont ensuite analysés en conjonction avec des données biologiques dérivées de patients et des informations génétiques. Les dépôts publics restent une ressource précieuse pour l'entraînement des modèles fondamentaux biologiques, bien que la combinaison de données issues de différentes études puisse présenter des défis techniques.

Défis liés aux données unicellulaires

Une revue de 2025 dans Experimental & Molecular Medicine a souligné l'importance des dépôts tels que CZ CELLxGENE, le Human Cell Atlas et le NCBI Gene Expression Omnibus. Ces ressources offrent aux chercheurs un accès à des volumes considérables de données unicellulaires. Par exemple, CZ CELLxGENE propose plus de 100 millions de cellules standardisées. Cependant, les différences dans les méthodes d'échantillonnage, les protocoles de séquençage et les procédures expérimentales entre les études peuvent introduire du bruit technique et d'autres artefacts, nécessitant une sélection rigoureuse des ensembles de données.

Le chevauchement des ensembles de données est un autre problème. La revue a noté que des cellules similaires peuvent apparaître dans plusieurs ressources publiques, risquant de biaiser l'entraînement des modèles et de créer des fuites de données lorsque les ensembles de données d'entraînement et de test se chevauchent. Ainsi, la construction de modèles fondamentaux robustes nécessite non seulement une architecture de modèle solide, mais aussi un ensemble de données de haute qualité et non redondant.

L'impact de la taille des ensembles de données

Une étude publiée dans Nature Methods en juin a exploré l'effet de la taille et de la diversité des données de pré-entraînement sur les modèles fondamentaux unicellulaires. Utilisant un corpus de 22,2 millions de cellules, les chercheurs ont formé 400 modèles et les ont évalués à travers 6 400 expériences. Les résultats ont montré que les modèles atteignent souvent un plateau de performance après s'être entraînés sur une fraction des données disponibles, contrairement aux grands modèles de langage.

Les chercheurs ont conclu que l'augmentation de la taille des ensembles de données ne garantit pas nécessairement de meilleures performances. Il est crucial de trouver un équilibre entre la capacité du modèle, la taille des données et les ressources computationnelles. L'étude a également révélé que les ensembles de données plus petits ou propriétaires ne sont pas intrinsèquement supérieurs, mais que l'ajout de données d'entraînement biologiques supplémentaires n'entraîne pas systématiquement des gains de performance.

L'importance des ensembles de données spécialisés

Relation Therapeutics a déjà mis en œuvre sa stratégie de génération de données avec Osteomics, un atlas fonctionnel unicellulaire osseux propriétaire. Ce projet utilise des échantillons dérivés de patients et intègre des données omiques unicellulaires et spatiales avec des informations d'imagerie, de génomique, de protéomique et de phénotype clinique. Osteomics est utilisé pour explorer la biologie des maladies, les cibles thérapeutiques, les biomarqueurs et les sous-groupes de patients dans l'ostéoporose.

Une recherche récente publiée dans Nature Genetics a également étudié les déterminants cellulaires et génétiques des maladies squelettiques en utilisant l'analyse unicellulaire, des données génétiques et une validation fonctionnelle. Plusieurs chercheurs de Relation ont contribué à cette étude.

Les tendances émergentes dans les partenariats biopharmaceutiques

Une analyse de 2025 de Nature Biotechnology a mis en évidence les tendances émergentes dans les accords biopharmaceutiques axés sur l'IA. Les fournisseurs d'ensembles de données spécialisés sont devenus des acteurs clés, avec des paiements initiaux plus importants et une participation accrue des grandes entreprises de biotechnologie. L'analyse a souligné que des ensembles de données de haute qualité et spécifiques aux maladies sont essentiels pour les modèles d'apprentissage automatique causaux et génératifs.

L'accord distinct de GSK avec Ochre Bio, d'une valeur de 37,5 millions de dollars, pour la licence de données unicellulaires hépatiques humaines et d'organes perfusés, en est un exemple. De même, AstraZeneca et Pathos AI ont signé un accord de 200 millions de dollars avec Tempus pour développer des modèles fondamentaux en oncologie utilisant des données cliniques, génomiques et d'imagerie anonymisées couvrant plus de 150 000 patients.

L'accès à des données de haute qualité reste un défi majeur dans la découverte de médicaments par IA. Une recherche de Nature a identifié l'accès limité à des données d'entraînement appropriées comme un obstacle majeur pour les applications d'IA, tout en notant que les entreprises peuvent également faire face à des restrictions sur le partage d'informations propriétaires.

Les accords IA-biopharma varient en fonction des méthodes d'obtention de données et de capacités computationnelles. Certains se concentrent sur l'accès à des plateformes d'IA, tandis que d'autres incluent le développement conjoint, la licence de données ou la création de nouveaux ensembles de données biologiques. L'accord entre GSK et Relation englobe à la fois la génération de données et le développement de modèles, avec Relation produisant des ensembles de données cellulaires humaines pour former des modèles d'IA destinés à identifier de nouvelles cibles thérapeutiques.