L’IA va-t-elle guérir le cancer ?
L’IA n’est pas à l’origine du récent développement d’un traitement prometteur pour le mélanome. Elle pourrait toutefois permettre de le produire à grande échelle et à moindre coût.
Merck et Moderna ont annoncé le 19 août 2026 que leur traitement combiné pour le mélanome, appelé intismeran associé au Keytruda, a atteint ses objectifs principaux lors de la phase III des essais cliniques. Cette étape est cruciale car elle marque la dernière phase avant une éventuelle mise sur le marché. Le traitement cible des patients atteints de mélanome à un stade avancé (stade IIB-IV). Le Keytruda (ou pembrolizumab) est une immunothérapie déjà commercialisée depuis 2014, développée par James P. Allison et Tasuku Honjo, lauréats du prix Nobel de médecine en 2018. Leur travail a porté sur la manière dont les cellules cancéreuses inhibent le système immunitaire, une approche au cœur de ce traitement. Le Keytruda agit en bloquant cette inhibition, permettant au système immunitaire de mieux attaquer les cellules tumorales.
Le traitement combine le Keytruda avec un vaccin personnalisé contre le cancer, développé en partie grâce à l’intelligence artificielle. Ce vaccin repose sur des recherches scientifiques datant de 2012, théorisées en 2015 et validées par une preuve de concept en 2017 par Catherine Wu et Ugur Sahin, fondateur de BioNTech. Le principe consiste à prélever un échantillon de la tumeur du patient, analyser ses mutations génétiques, puis sélectionner les 34 mutations les plus susceptibles de déclencher une réponse immunitaire. Un vaccin à ARN messager est ensuite créé pour exprimer temporairement ces mutations, stimulant ainsi le système immunitaire du patient. Contrairement à un vaccin classique contre un virus, ce vaccin cible les mutations spécifiques de la tumeur du patient, sans intégration dans son génome.
L’intelligence artificielle intervient principalement dans l’analyse des données génomiques issues de la biopsie du patient. Elle permet de traiter rapidement une quantité astronomique de mutations, identifiant celles qui constituent les meilleures cibles pour une réponse immunitaire. Cette IA a été entraînée sur des données biologiques réelles issues de la recherche clinique, évitant ainsi de répéter cette collecte fastidieuse pour chaque patient. Grâce à elle, le coût et la durée du traitement sont réduits, le rendant plus accessible. L’IA ne conçoit pas le traitement, mais optimise son processus de production et de personnalisation, rendant le traitement viable à grande échelle. Par exemple, le séquençage du génome humain au début des années 2000, rendu possible par des avancées en calcul algorithmique, a posé les bases de cette approche.
Les résultats de la phase III montrent que le duo intismeran + Keytruda surpasse statistiquement le Keytruda seul, le traitement de référence actuel. Cependant, l’ampleur exacte de ce bénéfice reste inconnue, car l’essai clinique a inclus environ 1 000 patients. Bien que l’IA réduise les coûts, le traitement restera probablement très onéreux : plusieurs centaines de milliers de dollars par an pour l’intismeran, en plus des 150 000 dollars annuels pour le Keytruda. Les autorités américaines devront évaluer si le bénéfice justifie ce surcoût. Cette question économique est centrale, car même si le traitement est efficace, son accessibilité dépendra de son coût et de son remboursement.
Ce traitement illustre un rôle émergent de l’IA en médecine : non pas dans la conception de nouveaux médicaments, mais dans leur mise à l’échelle et leur personnalisation. Contrairement à des cas comme le *rentosertib*, où l’IA a proposé une molécule entièrement nouvelle pour traiter la fibrose pulmonaire, ici l’IA optimise un traitement déjà existant. Elle permet de rendre viable un processus complexe, long et coûteux, comme l’analyse génomique personnalisée. Cette approche pourrait ouvrir la voie à d’autres traitements personnalisés, où l’IA jouerait un rôle clé dans l’analyse des données et l’adaptation des thérapies aux spécificités de chaque patient.
