La bioproduction connaît une transformation profonde. Face à des procédés biologiques toujours plus complexes, l’automatisation et l’intelligence artificielle ouvrent de nouvelles perspectives : mieux comprendre le comportement des cellules, anticiper les dérives et, à terme, rendre les procédés plus prédictifs. Une évolution qui repose avant tout sur un enjeu essentiel : produire des données réellement pertinentes.

Des vaccins aux anticorps monoclonaux, en passant par l’insuline, les thérapies cellulaires et géniques, la bioproduction utilise des organismes vivants — bactéries, levures ou cellules — pour fabriquer des produits d’intérêt. Son champ d’application dépasse d’ailleurs largement la pharmacie et concerne également la cosmétique, l’agroalimentaire ou encore la production d’arômes et de protéines.

Produire à partir du vivant implique de nombreuses étapes : sélection des lignées cellulaires, développement du bioprocédé, choix du milieu de culture, réglage de la température, de l’agitation ou de l’oxygénation, puis changement d’échelle jusqu’à la production industrielle. Or, passer d’un bioréacteur de quelques millilitres à une cuve de plusieurs milliers de litres n’est pas une simple multiplication des volumes. La géométrie, les systèmes d’agitation, les pompes, les échanges thermiques ou encore la diffusion des composés changent avec l’échelle. Chaque étape peut donc modifier le comportement des cellules et la productivité du procédé.

Cette variabilité peut avoir des conséquences importantes. Un échec à petite échelle représente essentiellement du temps et quelques échantillons perdus ; à l’échelle industrielle, il peut signifier la perte d’un lot entier, avec un impact économique mais aussi, potentiellement, sur l'approvisionnement des patients.

Les bioréacteurs sont déjà fortement instrumentés. Température, pH, oxygène dissous, agitation, glucose ou lactate peuvent être suivis tout au long d’une culture. Le problème n’est donc pas nécessairement le manque de données, mais leur valeur biologique. Mesurer une température ou un pH toutes les secondes génère une quantité considérable d’informations, sans pour autant expliquer pourquoi des cellules cessent de se multiplier, entrent en apoptose ou produisent moins de biomédicament.

Pour exploiter réellement l’intelligence artificielle, il faut donc dépasser l’accumulation de données physico-chimiques et identifier des indicateurs capables de renseigner directement sur l’état des cellules et l’évolution du procédé. C’est tout l’enjeu du Quality by Design : mieux comprendre les paramètres critiques pour mieux contrôler la production.

Une piste consiste à suivre des biomarqueurs cellulaires. L’analyse des ARN messagers, par exemple, peut apporter des informations sur le stress oxydatif, la prolifération, la production d’énergie, la réponse à une infection ou une transfection, mais aussi sur les précurseurs du produit fabriqué.

Cette approche change la logique de surveillance. Plutôt que de constater indirectement qu’un procédé a dévié, il devient possible d’observer les mécanismes biologiques qui accompagnent cette déviation.

Mais cela impose une nouvelle contrainte : l’échantillonnage doit être extrêmement rapide et reproductible. Certains biomarqueurs évoluent en effet très vite. Un prélèvement manuel analysé plusieurs heures après avoir quitté le bioréacteur peut donc ne plus être représentatif de l’état réel des cellules au moment du prélèvement.

L’automatisation devient alors un maillon essentiel. Des systèmes robotisés peuvent réaliser des prélèvements réguliers, 24 heures sur 24, tout en réduisant les volumes prélevés et l’intervention humaine.

L’objectif est également de limiter le stress de cisaillement imposé aux cellules pendant leur manipulation. Les pompes et méthodes traditionnelles peuvent modifier leur état et introduire un biais dans l’analyse. Des technologies basées notamment sur la manipulation fluidique et acoustique permettent au contraire de capturer, concentrer et préparer les cellules avec un impact réduit.

Cette automatisation permet surtout de créer des séries de données longitudinales : suivre une même bioproduction à différents moments et observer précisément comment elle évolue.

L’intelligence artificielle peut également intervenir directement dans les instruments. L’analyse d'images par deep learning permet par exemple d'identifier et de compter automatiquement des cellules, malgré leurs différences de taille ou de morphologie.

Dans le système présenté lors de la conférence, l’algorithme peut adapter automatiquement le prélèvement au nombre de cellules recherché : une fois la quantité nécessaire détectée, le prélèvement s’arrête. L’IA ne sert donc plus uniquement à analyser les résultats après l’expérience ; elle participe directement au fonctionnement de l’automate.

L’étape suivante consiste à réunir ces différentes sources d’information : données du bioréacteur, paramètres physico-chimiques, données omiques, biomarqueurs et informations relatives aux conditions de production.

Cette masse de données peut d’abord servir à comprendre : pourquoi une culture a-t-elle échoué ? Était-ce un stress oxydatif, un problème énergétique, une mauvaise induction ou une dérive du procédé ?

Avec suffisamment de répétitions, elle peut ensuite permettre de prédire. C’est ici qu’intervient le concept de jumeau numérique : construire un modèle virtuel du bioprocédé capable de simuler l’effet d’une modification avant de l’appliquer à la production réelle.

Un changement de vitesse d’agitation, de température ou de méthode d’injection pourrait ainsi être évalué numériquement afin d’anticiper son impact sur les cellules et sur le rendement.

L’intelligence artificielle ne constitue donc pas une solution magique à la complexité de la bioproduction. Sa performance dépend directement de la qualité, de la diversité et de la pertinence des données qui l’alimentent. L’enjeu pour les laboratoires est désormais de passer d’une logique de surveillance du procédé à une véritable compréhension du vivant au sein du procédé.

Automatisation, biomarqueurs, analyse d’images, données omiques et modèles prédictifs pourraient ainsi permettre de réduire les échecs, accélérer les développements et améliorer les changements d’échelle. À terme, l’objectif est clair : produire de manière plus fiable, plus efficace et avec une meilleure maîtrise des procédés biologiques.

Article réalisé à partir de la session consacrée à l’intelligence artificielle appliquée à la bioproduction, organisée par Polepharma lors de Forum LABO.