La recherche médicale entre dans une nouvelle ère. Longtemps fondée sur l’expérimentation biologique et l’observation clinique, elle intègre désormais massivement la donnée, la modélisation et l’intelligence artificielle. Cette évolution n’est pas qu’un progrès technologique : elle redéfinit l’architecture même de l’innovation thérapeutique, la pratique médicale et le rôle des acteurs publics et privés.

L’INTELLIGENCE ARTIFICIELLE CHANGE LA MANIÈRE DE FAIRE DE LA SCIENCE EN SOULAGEANT D’ABORD LES CONTRAINTES AUXQUELLES LA RECHERCHE EST CONFRONTÉE

L’intelligence artificielle a été détournée par les LLM. Ces grands modèles de langages sont entraînés sur du contenu disponible en ligne et perçoivent le monde comme des phrases plates et des suites de mots.

L’approche la plus prometteuse ne consiste pas à entraîner des modèles sur du texte, mais à ancrer l’IA dans la science, l’ingénierie et la médecine. C’est sur ces fondements que reposent les jumeaux virtuels les plus avancés : des modèles scientifiques créés à partir de données réelles et ancrés dans la compréhension du monde physique et biologique.

Ces jumeaux virtuels sont des World Models. Ils permettent aux équipes de re cherche de comprendre leurs défis dans un environnement virtuel, d’explorer de nouvelles approches grâce à l’IA et d’obtenir des résultats fiables sur lesquels elles peuvent s’appuyer : des résultats fondés sur leurs propres données, contextualisées et modélisées selon des principes scientifiques éprouvés, qui peuvent ainsi être présentés aux autorités réglementaires.

Les jumeaux virtuels permettent d’anticiper et d’accélérer l’ensemble du processus. En travaillant dans ces mondes virtuels, les équipes itèrent au rythme de leur imagination, sans les contraintes de temps et de coûts inhérentes à la manipulation du monde physique. Elles explorent de nouvelles méthodes de travail qui leur garantissent une mise sur le marché plus rapide et plus efficace, sans sacrifier la rigueur scientifique.

APPLICATIONS DANS LE DOMAINE DE L’INNOVATION THÉRAPEUTIQUE

Dans l’industrie de la santé, le développement d’un médicament reste souvent un processus long, coûteux et risqué. Les volumes de données biologiques et cliniques ont certes explosé, mais leur complexité dépasse les capacités d’analyse traditionnelles. C’est précisément cette pression, plus de données, plus d’incertitudes, plus d’enjeux économiques et éthiques, qui fait de l’IA un levier scientifique, et non plus seulement opérationnel.

Grâce à sa capacité d’analyse, l’IA permet désormais de mieux identifier des cibles thérapeutiques, de prédire des réponses aux traitements et d’optimiser le design des essais cliniques. Et cette évolution se traduit concrètement par de nouvelles approches méthodologiques.

Trois leviers structurants sont détaillés ci-après :

• La recherche de nouveaux candidats-médicaments ;

• Les essais cliniques ;

• Le passage à l’échelle de la production.

La recherche de nouveaux candidats-médicaments

Nous pouvons observer que l’accélération vient aujourd’hui de la convergence entre modélisation scientifique et puissance de calcul. Le partenariat annoncé en février 2026 entre Dassault Systèmes et NVIDIA en est une illustration concrète : en combinant des jumeaux virtuels ancrés dans la science avec les outils d’IA de NVIDIA, notamment la plateforme BioNeMo dédiée à la biologie, il devient possible de tester virtuellement des millions de molécules et de prédire plus tôt leur efficacité, leur sécurité et leur capacité à être fabriquées, sans avoir à multiplier les expériences en laboratoire.

L’objectif est de rendre la R&D plus rapide, moins coûteuse et plus fiable, grâce à une IA « ancrée dans la physique et la science », conçue pour produire des résultats reproductibles et utiles aux équipes de recherche pharmaceutique et biotechnologique.

L’accélération et l’optimisation des essais cliniques

Bras de contrôle externes

L’un des leviers les plus structurants est l’utilisation de bras de contrôle externes, construits à partir de données historiques, d’essais cliniques de haute qualité. Ces méthodes permettent de réduire l’exposition de patients à des traitements moins efficaces tout en maintenant la robustesse scientifique.

Face à ces transformations, les autorités réglementaires comme la Food and Drug Administration et l’European Medicines Agency ont progressivement défini des cadres d’usage. Car l’enjeu n’est pas de remplacer l’essai clinique traditionnel, mais de l’enrichir, d’en réduire le risque et d’en améliorer l’efficience. L’impact dépasse ainsi la seule dimension méthodologique ou éthique. Aujourd’hui, près de 30 % des essais cliniques échouent faute de recrutement suffisant. En améliorant le dimensionnement des études, la sélection des sites et l’anticipation des risques, l’IA permet de réduire les échecs et d’accélérer l’accès des patients aux innovations.

En ce sens, l’IA ne change pas seulement la vitesse de la recherche : elle en modifie la logique, en faisant évoluer la science d’une démarche exploratoire vers une science plus prédictive, plus personnalisée et plus efficiente.

Des essais in silico aux jumeaux numériques : vers une médecine simulée

Une étape supplémentaire est franchie avec le développement des essais in silico. Inspirée des méthodes de simulation utilisées dans l’ingénierie industrielle, cette approche repose sur la construction de jumeaux numériques d’organes ou de pathologies.

Des travaux menés avec la Food and Drug Administration ont ainsi montré qu’il est possible de simuler l’effet d’un dispositif médical sur des cohortes de patients virtuels, par exemple dans le traitement de pathologies cardiaques. Ces modèles permettent d’explorer une grande diversité de profils physiopathologiques, de tester différents scénarios et de réduire les incertitudes avant l’essai réel.

L’enjeu n’est pas de supprimer l’expérimentation clinique, mais d’en augmenter la précision et la sécurité. Comme dans l’automobile, où la majorité des crash tests sont aujourd’hui réalisés virtuellement, la simulation ouvre un champ d’exploration plus vaste, plus rapide et plus sobre en ressources.

Le passage à l’échelle de la production

Les jumeaux virtuels trouvent une application tout aussi structurante dans le passage à l’échelle industrielle. Le transfert de technologie vers la production reste en effet un processus long d’environ deux à quatre ans qui concentre des enjeux considérables : coûts en équivalent temps plein, pertes de revenus et de parts de marché, délai dans le retour sur investissement en recherche et développement.

C’est précisément ici qu’intervient l’articulation entre le jumeau virtuel du procédé et celui de l’usine. Lorsque des entreprises biopharmaceutiques acquièrent des actifs, collaborent avec des CMO ¹ ou internalisent un processus, elles échangent des centaines de pages décrivant la fabrication du médicament. C’est comme partager une recette entre deux sites différents, mais il faut la réaliser dans une cuisine différente, avec des équipements différents, à une échelle bien plus grande, tout en essayant de comprendre le savoir-faire et la science du créateur original. Ainsi, transposer ce savoir-faire dans un autre environnement de production représente un défi technique et organisationnel considérable.

Plutôt que de laisser les scientifiques retranscrire manuellement ces documents, le jumeau numérique du procédé extrait automatiquement les ingrédients, les équipements, les étapes et les conditions opératoires, et les convertit en connaissances exploitables, qui reflètent la vision du monde d’un scientifique et celle d’un ingénieur de production.

Les équipes peuvent désormais se consacrer à l’essentiel : adapter le procédé et l’intégrer aux installations existantes le plus rapidement possible.

L’industrie biopharmaceutique a annoncé en 2025 des investissements de plus de 310 milliards de dollars dans la production aux États-Unis. Ces usines nécessitent des capitaux considérables et cela trois ans avant de produire le moindre médicament.

Grâce aux jumeaux virtuels, les équipes de production peuvent concevoir des usines dans le monde virtuel, en évaluant l’adéquation des équipements, le flux des matériaux et l’ergonomie des postes de travail.

Les entreprises qui utilisent des jumeaux virtuels mettent en service de nouvelles usines six mois plus tôt, adaptent plus rapidement leur production à la demande et créent des installations reconfigurables qui produisent vingt médicaments sur la même surface auparavant utilisée pour un seul.

VERS LA PRATIQUE MÉDICALE

Au-delà du développement industriel, les jumeaux numériques peuvent devenir des outils d’aide à la décision pour les cliniciens, des supports de formation et des instruments de personnalisation des traitements. Nous passons progressivement d’une médecine statistique à une médecine simulée, capable d’intégrer la singularité de chaque patient.

C’est précisément ce que nous cherchons à construire avec le programme MediTwin, coordonné par Dassault Systèmes avec l’Inria, sept instituts hospitalo-universitaires, des hôpitaux et des start-up, avec le soutien de la BPI. L’idée est simple dans sa formulation, ambitieuse dans son exécution : créer des jumeaux virtuels de patients, combinant modèles 3D du corps humain, données médicales et intelligence artificielle, pour simuler la réaction d’un patient à un traitement avant de le lui administrer. L’objectif n’est pas technologique : il est médical. Donner aux cliniciens des outils de décision plus précis, réduire les cycles d’essais-erreurs et limiter les risques pour les patients. À terme, MediTwin a vocation à ouvrir la voie à une médecine plus précise, plus sûre et profondément personnalisée.

DONNÉE, ÉCOSYSTÈMES ET SOUVERAINETÉ : UN ENJEU STRATÉGIQUE

Cette transformation repose sur un actif stratégique central : la donnée de santé. Mais toutes les données ne se valent pas. Les données issues d’essais cliniques, digitalisées et structurées via des plateformes spécialisées comme celles développées par Medidata Solutions (intégrée à Dassault Systèmes), présentent un niveau de qualité et de traçabilité particulièrement élevé. Cette robustesse conditionne la fiabilité des modèles d’IA. Et la collecte décentralisée, capteurs connectés, questionnaires numériques, enrichit encore cette base et place le patient au cœur de l’écosystème.

Or la transformation numérique des sciences de la vie ne peut être portée par un acteur isolé. Elle suppose des partenariats étroits entre industriels, hôpitaux, chercheurs et autorités publiques afin de définir des standards partagés et d’installer la confiance réglementaire.

Au-delà de la performance scientifique, la question est géopolitique : qui maîtrise les infrastructures, les modèles et les standards ? La souveraineté numérique en santé implique la capacité à développer des plateformes robustes, conformes aux exigences européennes, capables d’entraîner des modèles sur des données de qualité tout en protégeant les citoyens.

La transformation numérique des sciences de la vie n’est plus un scénario d’anticipation : elle est déjà en cours. Elle est en train de redéfinir la manière dont nous produisons des preuves scientifiques, développons des thérapies et organisons la pratique de la médecine.

Dans ce contexte, la question n’est pas de savoir si le numérique s’imposera dans la recherche médicale, mais selon quelles règles, avec quels standards et sous quelle gouvernance. Car celui qui est en mesure de structurer les plateformes, maîtriser les données et concevoir de nouveaux modèles, façonnera durablement l’écosystème de santé.

Pour l’Europe, l’enjeu est clair : faire du numérique en santé un levier de compétitivité scientifique et industrielle, mais aussi un pilier de souveraineté. Cela suppose d’investir dans des infrastructures robustes, de favoriser les partenariats public-privé, d’exiger des modèles explicables et de garantir la confiance des patients.

La maîtrise de notre souveraineté numérique en santé ne relève pas du principe, mais d’une responsabilité collective : celle d’organiser, dès aujourd’hui, les conditions d’une innovation plus rapide, plus sûre et durablement ancrée dans nos valeurs.

Claire BIOT, Vice-Présidente Industrie de la Santé, Dassault Systèmes