Publié le 9 février 2026 à 14h50. Les jumeaux numériques, initialement développés pour l’ingénierie et l’aérospatiale, s’imposent désormais comme un outil prometteur dans la découverte de médicaments, permettant de simuler et d’optimiser des processus biologiques complexes pour accélérer le développement de traitements.
- Les jumeaux numériques représentent une évolution de la modélisation statique vers des systèmes d’apprentissage continu, capables de s’adapter aux nouvelles données biologiques et cliniques.
- Ils combinent la compréhension mécanistique des processus biologiques avec la puissance prédictive de l’intelligence artificielle (IA).
- Ces modèles virtuels trouvent des applications à toutes les étapes du développement de médicaments, de la validation des cibles à la conception des essais cliniques.
Le concept de jumeau numérique, articulé dès les années 2000 par Michael Grieves dans le domaine de l’ingénierie, puis étendu par la NASA, repose sur une liaison de données bidirectionnelle entre un système physique et son homologue virtuel. Si leur utilisation est bien établie dans l’industrie, leur application aux sciences de la vie et aux soins de santé est plus récente. Face aux défis persistants de la découverte de médicaments – taux d’échec élevés, délais longs et coûts croissants – les jumeaux numériques offrent une approche innovante pour accélérer et optimiser le processus.
Dans le contexte biomédical et pharmaceutique, un jumeau numérique est une réplique virtuelle dynamique, basée sur des données, d’un système biologique. Contrairement aux modèles informatiques traditionnels, il est continuellement mis à jour grâce à un échange de données bidirectionnel, reflétant ainsi l’évolution des états biologiques. Ces modèles peuvent représenter des entités à différentes échelles, des molécules et cellules aux tissus, organes et populations de patients, facilitant la validation des cibles, l’optimisation des composés et la conception des essais cliniques.
La construction d’un jumeau numérique repose sur l’intégration de données biologiques (profils omiques, imagerie, mesures cliniques), de modèles informatiques (mécanistiques, statistiques ou hybrides) et d’un raffinement continu. L’intelligence artificielle (IA) et l’apprentissage automatique (ML) jouent un rôle croissant dans l’amélioration de ces modèles, en gérant des ensembles de données complexes et en explorant l’espace chimique ou biologique. Des méthodes d’IA générative, telles que les auto-encodeurs variationnels et les réseaux adverses génératifs, sont désormais utilisées pour simuler des structures moléculaires et des trajectoires virtuelles de patients.
Les applications des jumeaux numériques s’étendent à toutes les phases du développement de médicaments. En phase de découverte, ils aident à valider les cibles, à modéliser les voies biologiques et à effectuer un criblage virtuel. Au cours du développement préclinique, ils permettent de modéliser les interactions médicament-cible, de prédire la toxicité et le métabolisme, et d’optimiser les stratégies de dosage. Aux stades ultérieurs, ils peuvent représenter des maladies ou des populations de patients, simuler les réponses au traitement et soutenir la conception des essais cliniques, notamment dans des pathologies complexes comme l’oncologie ou les maladies neurodégénératives.
Les avantages des jumeaux numériques sont multiples. Ils améliorent la prédiction de l’efficacité, de la sécurité et du métabolisme des médicaments, permettant d’identifier plus rapidement les candidats prometteurs et de réduire les coûts liés aux expériences et aux modèles animaux. En simulant des trajectoires réalistes de patients ou de maladies, ils facilitent la découverte de biomarqueurs, l’optimisation des doses et l’identification des cohortes de patients les plus susceptibles de bénéficier d’un traitement. Ces approches sont particulièrement utiles pour la médecine de précision dans le traitement de maladies complexes comme la maladie d’Alzheimer et le cancer.
Malgré leur potentiel, les jumeaux numériques se heurtent à des défis scientifiques, techniques et réglementaires. Leur précision dépend de la qualité et de l’intégration des données biologiques et cliniques, qui peuvent être incomplètes ou biaisées. La complexité des systèmes biologiques rend la validation continue par rapport aux données expérimentales et cliniques essentielle, mais coûteuse. La confidentialité et la sécurité des données, ainsi que l’acceptation réglementaire, constituent également des obstacles à surmonter. Pour l’instant, les jumeaux numériques servent principalement d’outils d’aide à la décision, complétant les expériences et essais cliniques traditionnels.
L’IA et le ML sont au cœur du développement des jumeaux numériques, permettant l’analyse de données complexes et la prédiction des résultats. Cependant, l’IA seule ne suffit pas. Les jumeaux numériques fournissent le cadre dynamique dans lequel les modèles basés sur l’IA sont affinés de manière itérative grâce à l’intégration de nouvelles observations. Il est crucial de combiner les modèles basés sur l’IA avec des approches mécanistiques et basées sur la physiologie pour garantir l’interprétabilité dans le contexte réglementaire du développement de médicaments.
À l’avenir, les jumeaux numériques devraient évoluer vers des représentations plus complètes au niveau du patient, intégrant des données moléculaires, physiologiques et cliniques. Les progrès de l’IA et du ML devraient améliorer leur précision et leur évolutivité. Une intégration plus étroite avec les données du monde réel, telles que les dossiers médicaux électroniques et les capteurs portables, permettra des simulations plus dynamiques et cliniquement pertinentes. Parallèlement, les jumeaux numériques s’alignent sur les principes de l’Industrie 4.0 dans la fabrication pharmaceutique, soutenant la surveillance continue, l’optimisation des processus et le contrôle qualité. Ils devraient devenir des outils complémentaires qui rationalisent le développement, réduisent l’attrition et soutiennent des voies de développement de médicaments plus efficaces et personnalisées.
Références
- Ren, Y., Pieper, AA et Cheng, F. (2025). Utilisation de jumeaux numériques de médecine de précision pour la découverte de médicaments contre la maladie d’Alzheimer. Neurothérapeutiques22(3), e00553. https://www.sciencedirect.com/science/article/pii/S1878747925000315
- Mariam, Z., Niazi, SK et Magoola, M. (2024). Ouvrir l’avenir du développement de médicaments : IA générative, jumeaux numériques et au-delà. BioMedInformatique4(2), 1441-1456. https://www.mdpi.com/2673-7426/4/2/79
- Adhikari, C., Das, PK, Pramanik, T. (2025). Jumeaux numériques pour la conception de médicaments : importance, applications et perspectives d’avenir. Orient J Chem;41(6). https://www.orientjchem.org/vol41no6/digital-twins-for-drug-design-importance-applications-and-future-perspectives/
- Maharjan, R., Kim, NA, Kim, KH et Jeong, SH (2025). Rôles transformateurs des jumeaux numériques, de la découverte de médicaments à la fabrication continue : perspectives pharmaceutiques et biopharmaceutiques. Journal international de pharmacie : X10, 100409. https://www.sciencedirect.com/science/article/pii/S2590156725000945
- Bordukova, M., Makarov, N., Rodriguez-Esteban, R., Schmich, F., Menden, MP (2024). L’intelligence artificielle générative permet aux jumeaux numériques de participer à la découverte de médicaments et aux essais cliniques. Avis d’expert sur la découverte de médicaments;19(1):33-42. https://www.tandfonline.com/doi/10.1080/17460441.2023.2273839
Dernière mise à jour : 9 février 2026