Que se passe-t-il dans une cellule lorsqu’elle est exposée à un médicament ? Aujourd’hui, les scientifiques répondent souvent à cette question en mesurant les cellules au laboratoire après le traitement. L’intelligence artificielle pourrait à l’avenir aider à anticiper certaines de ces réactions. Elle apprend à partir d’un grand nombre de mesures cellulaires et estime comment l’état d’une cellule pourrait évoluer sous l’effet d’un médicament donné.
Des équipes de recherche à Zurich et à Lausanne développent ce type de modèles. Elles ne créent pas des copies numériques de l’être humain. Pour l’instant, leurs modèles accomplissent des tâches plus limitées et clairement définies : prévoir des changements moléculaires dans des cellules individuelles ou analyser l’organisation des cellules dans un tissu.
Le potentiel est important. Les candidats médicaments pourraient être testés de manière plus ciblée, les expériences mieux planifiées et les réactions cellulaires mieux comprises. Mais le chemin vers une véritable cellule virtuelle est encore long.
De la mesure à la prédiction
Les cellules ne réagissent pas toutes de la même manière à un médicament. Même des cellules du même type peuvent différer par leur état, leur profil génétique ou leur environnement. Les mesures réalisées à l’échelle d’une cellule permettent de rendre ces différences visibles. Elles présentent toutefois une limite importante : de nombreuses méthodes fixent ou détruisent les cellules au moment de la mesure. Les scientifiques ne peuvent donc généralement pas observer la même cellule avant et après un traitement.
Des modèles comme CellOT apprennent à partir de groupes de cellules non traitées et de cellules ayant subi une perturbation. Ils identifient les transitions probables entre ces états cellulaires. Le modèle ne prédit pas l’avenir d’une personne entière. Il estime plutôt comment l’état moléculaire mesuré d’une cellule pourrait évoluer sous l’effet d’une perturbation ou d’un traitement donné.
CellOT : une première réponse
CellOT a été développé par des chercheurs de l’ETH Zurich, de l’Université de Zurich et de l’Hôpital universitaire de Zurich. Dans leur étude, les chercheurs ont entraîné le modèle à partir de mesures réalisées sur des cellules individuelles. CellOT a ensuite prédit des réactions dans de nouveaux échantillons qui n’avaient pas encore été mesurés. Le modèle a notamment été testé sur les effets de médicaments sur des cellules de mélanome ainsi que sur des données concernant le lupus et les glioblastomes.
Il s’agit d’une avancée importante, mais limitée. CellOT ne reproduit pas une cellule complète. Il prédit une modification précise de son état – par exemple, la manière dont l’activité de certains gènes ou protéines pourrait évoluer. Il ne permet pas de déterminer si un traitement sera efficace chez une personne donnée. Les études précliniques et les essais cliniques restent indispensables.
L’environnement de la cellule compte
Une cellule ne réagit pas indépendamment de son environnement. Une cellule immunitaire peut se comporter différemment dans une tumeur et dans une culture cellulaire isolée. Les futurs modèles cherchent donc à relier différents types de données et plusieurs niveaux biologiques : ARN, protéines, images microscopiques, cellules individuelles et tissus.
VirTues est un exemple issu de la recherche suisse. Ce modèle a été développé pour la protéomique spatiale. Il analyse non seulement les protéines et les cellules présentes, mais aussi leur emplacement et les voisinages cellulaires qui se forment dans les tissus. Il devient ainsi possible de décrire des phénomènes biologiques à plusieurs niveaux, de la cellule individuelle à son environnement et au tissu dans son ensemble.
VirTues n’est pas une cellule virtuelle complète. Il s’agit d’un modèle de protéomique spatiale qui ajoute une dimension essentielle à la vision des cellules virtuelles : les cellules ne fonctionnent pas isolément. Leur environnement influence leur réaction aux signaux et aux médicaments.
Le test de réalité
Ces modèles sont prometteurs. Ils pourraient aider à identifier plus tôt les candidats médicaments intéressants et à mieux prioriser les expériences. Ils ne rendent toutefois pas le travail de laboratoire superflu. Des prédictions fiables nécessitent de grandes quantités de données de qualité, comparables et soigneusement contrôlées.
La question décisive n’est donc pas la taille du modèle, mais la qualité de son évaluation. Fonctionne-t-il avec de nouveaux types cellulaires, de nouveaux médicaments et des données provenant d’autres laboratoires ? Reconnaît-il ses propres limites ? Et indique-t-il quand sa prédiction est incertaine ?
Une réponse apparemment précise peut être trompeuse si le modèle a été peu exposé à des données concernant une maladie rare ou une population particulière. La validation externe, la transparence des méthodes et la communication claire de l’incertitude sont donc aussi importantes que les performances techniques.
Recherche et réglementation
Plus un modèle d’IA peut influencer le développement d’un médicament, son autorisation ou un traitement, plus les exigences en matière de qualité des données, de validation, de documentation et de suivi doivent être élevées. Swissmedic identifie notamment la qualité des données, la transparence des modèles, le contrôle de la qualité et les biais possibles comme des défis majeurs de l’utilisation de l’IA dans le développement des médicaments.
Un modèle qui sert uniquement à prioriser des expériences de laboratoire doit être évalué différemment d’un modèle dont les résultats pourraient influencer une décision d’autorisation ou un traitement. C’est donc l’utilisation prévue qui détermine les exigences réglementaires.
Dans un avenir prévisible, les modèles de cellules virtuelles ne remplaceront pas entièrement les expériences de laboratoire. Leur utilité réaliste consiste à aider les scientifiques à poser de meilleures questions, à tester des hypothèses et à planifier leurs expériences avec davantage de précision. La recherche menée à Zurich et à Lausanne montre une voie possible : passer de prédictions limitées sur les réactions de cellules individuelles à des modèles qui tiennent également compte de l’environnement tissulaire.
Références
1. Bunne C. et al. Learning single-cell perturbation responses using neural optimal transport. Nature Methods, 2023. https://doi.org/10.1038/s41592-023-01969-x
2. Bunne C. et al. How to build the virtual cell with artificial intelligence: Priorities and opportunities. Cell, 2024. https://doi.org/10.1016/j.cell.2024.11.017
3. Bunne C. et al. Optimal transport for single-cell and spatial omics. Nature Reviews Methods Primers, 2024. https://doi.org/10.1038/s43586-024-00334-2
4. Wenckstern J. et al. The Virtual Tissues foundation model resolves spatial proteomics across scales. Nature, published 5 August 2026. https://doi.org/10.1038/s41586-026-10884-y
5. ETH Zürich. Predictions of the effect of drugs on individual cells are now possible, 2023. https://ethz.ch/en/news-and-events/eth-news/news/2023/10/predictions-of-the-effect-of-drugs-on-individual-cells-are-now-possible.html
6. EPFL. AI-Powered Virtual Cell Could Become Biology’s Universal Simulator, 2024. https://actu.epfl.ch/news/ai-powered-virtual-cell-could-become-biology-s-uni/
7. Swissmedic. Framework conditions for the use of AI in medicinal product development and the regulatory process. https://www.swissmedic.ch/swissmedic/en/home/humanarzneimittel/authorisations/artificiel-intelligence.html
(Image: Google DeepMind)
