Les jeux de pouvoir en matière de brevets pour la découverte de médicaments grâce à l'IA
En avril 2024, BioPharmaTrend a publié une analyse complète de l'état passé et actuel de la découverte de médicaments par l'intelligence artificielle (IA), en prenant comme point de départ l'avènement du deep learning moderne en 2012. Cette analyse mettait particulièrement en avant 9 entreprises leaders dans ce domaine, capables de « concevoir et développer de nouveaux candidats-médicaments (principalement des petites molécules) et disposant de pipelines internes ».
Compte tenu de l'importance cruciale des droits de brevet dans les domaines pharmaceutique et biotechnologique et de l'échéance imminente des brevets, nous avons analysé si des tendances pouvaient être dégagées ou des stratégies déduites à partir des portefeuilles de brevets de ces 9 entreprises exemplaires[1]. Cet article, qui constitue la première partie d'une série en deux volets, pose plusieurs questions afin d'analyser les stratégies de ces entreprises en matière de brevets et propose des conclusions générales sur leurs portefeuilles. La deuxième partie approfondira la manière dont ces portefeuilles utilisent l'analyse et les tactiques pour un développement efficace et fournira un cadre pratique pour élaborer et mettre en œuvre une stratégie en matière de brevets dans ce domaine.
Analyse des portefeuilles de brevets
Voici quelques questions clés pour aider à comprendre les portefeuilles de brevets des 9 sociétés de découverte de médicaments par IA présentées, y compris leur comparaison avec ceux des « grandes sociétés pharmaceutiques » :
- Ces entreprises protègent-elles certains aspects de leurs technologies d'IA/d'apprentissage automatique (ML) en plus des technologies pharmaceutiques conventionnelles, par exemple les compositions médicamenteuses, les tests in vivo, le criblage en laboratoire humide, etc. ?
- Y a-t-il des tendances au fil du temps entre l'IA/ML et les technologies conventionnelles ?
- Dans quelle mesure les portefeuilles de brevets correspondent-ils aux objectifs connus du public sur lesquels ces entreprises se concentrent ?
- Comment ces portefeuilles de brevets se comparent-ils au total des brevets américains actifs/demandes en instance pour ces mêmes cibles ?
Vous trouverez ci-dessous une première évaluation des données[2] qui peut aider à répondre à ces questions :
1. Composition vs protection IA/ML et tendances au fil du temps
Le tableau 1 présente le nombre total d'actifs de brevets pouvant être clairement associés (sur la base de mots-clés[3]) à la protection de compositions pharmaceutiques ou d'autres technologies conventionnelles par rapport à l'IA/ML ou à d'autres technologies axées sur le calcul.
Tableau 1. Panorama des dépôts (ensemble des actifs de brevets américains de toutes les entreprises)
| Entreprise | Composition des médicaments/Demandes d'autorisation de mise sur le marché de médicaments traditionnels (% du total) | Dépôts AI/ML (% du total) | Total |
| Total | 263 (67) | 127 (33) | 390 |
Comme le montre le tableau 1, les demandes de brevets globales penchent davantage vers les produits pharmaceutiques conventionnels que vers l'IA/ML (et l'informatique). Cela peut toutefois refléter le fait que certaines entreprises ont historiquement déposé davantage de demandes conventionnelles avant d'étendre leur présence dans le domaine de l'IA/ML.
2. Évolution au fil du temps
La figure 1 présente le nombre de dépôts enregistrés depuis 2012 dans chaque catégorie. Les dépôts pour ces entreprises ont généralement augmenté en volume, tant pour les technologies d'IA/ML que pour les technologies conventionnelles, avec un équilibre plus marqué en faveur des technologies conventionnelles. Ces tendances peuvent refléter à la fois l'intensification des efforts de brevetage des entreprises et la création relativement récente de ces dernières.
Figure 1. Tendances en matière de dépôt par catégorie
3. Portefeuille -> Cartographie des cibles
L'hypothèse pour ces entreprises est qu'elles renforceraient leur protection par brevet afin de s'aligner sur les objectifs qu'elles ont déclarés comme étant importants : la stratégie la plus courante en matière de brevets consiste à aligner les dépôts sur les priorités commerciales clés. Le tableau 2 ci-dessous répertorie les objectifs publiés ainsi que le nombre de dépôts de brevets correspondant à ces objectifs, sur la base de recherches par mot-clé pour les objectifs dans les portefeuilles de brevets.[4][5]
Tableau 2. Cartographie des cibles
| Cible | Déclarations conventionnelles | Déclarations relatives à l'IA/ML |
| 3CLpro | 2 | |
| A2aR | 1 | |
| APJR | 1 | |
| Bcr-Abl | ||
| CDC7 | ||
| CDC7 | ||
| CDK2 | 1 | |
| CDK7 | 1 | |
| CDK | 2 | 1 |
| CHK1 | ||
| cMYC | ||
| DGKA | 1 | |
| EFGR(C797S) | 10 | |
| ENPP1 | ||
| ENPP1 | ||
| ERα | 8 | |
| FGFR2 | 10 | |
| FGFR2/3 | 1 | |
| HDAC | 1 | |
| HIF-2a | ||
| HPK1 | ||
| HPK1 | ||
| HSP90 | 7 | |
| JAK2 | 1 | |
| KAT6 | ||
| LPA1R | ||
| LRRK2 | ||
| LSD1 | ||
| MALT1 | ||
| MALT1 | ||
| MAT2A | 1 | |
| MEK1, MEK2 | ||
| Mpro | ||
| MYT1 | ||
| NLRP3 | ||
| NLRP3 | ||
| NLRP3 | ||
| PARP1 | ||
| PARP7 | ||
| PDE10 | ||
| PHD1/2 | 1 | |
| PI3Kα | 10 | |
| PIKfyve | ||
| PKC, GSK3β | 1 | |
| PKC-thêta | 1 | |
| PRMT5-MTA | ||
| QPCTL | ||
| RARαβ | ||
| RBM39 | 1 | |
| Inhibiteur ROCK 1/2 | ||
| Agoniste S1P1 | ||
| SHP2 | 10 | |
| SOS1 | ||
| TEAD | 1 | |
| TNIK | 2 | |
| TrkA, TrkB, TrkC | ||
| TYK2 | 2 | |
| USP1 | 1 | |
| USP28 | 5 | |
| USP7 | 6 | |
| WEE1 | ||
| α4β7 | 1 | |
| Αvβ8 |
À l'exception de deux d'entre eux, tous les dépôts relatifs à l'IA/ML restent muets quant à leurs cibles principales. Cela soulève plusieurs questions/hypothèses quant à la manière dont ces portefeuilles de brevets sont développés :
- La protection par brevet des technologies d'IA/ML doit-elle se concentrer sur des cibles spécifiques ? Cela pourrait dépendre du degré de lien entre les cibles et le développement des technologies d'IA/ML, par opposition aux technologies généralement applicables à toutes les cibles.
- Quels autres facteurs influencent la sélection des cibles clés pour le pipeline de découverte de médicaments par IA ? Les entreprises peuvent disposer de fossés de données bien intégrés aux technologies d'IA/ML, ou avoir des objectifs globaux liés à des cibles spécifiques, même si les technologies d'IA/ML elles-mêmes ne doivent pas nécessairement se limiter à ces cibles.
- Les ressources consacrées aux brevets et à la propriété intellectuelle sont-elles utilisées à des fins autres que la protection d'objectifs spécifiques ? D'une part, il est essentiel, en particulier pour les entreprises en phase de démarrage, d'identifier les priorités en matière de protection de la propriété intellectuelle, puis de déployer les ressources nécessaires pour protéger les innovations d'une manière conforme à ces priorités. D'autre part, la hiérarchisation des ressources est une raison supplémentaire de concentrer les ressources en matière de propriété intellectuelle sur la protection des technologies fondamentales qui sont directement liées aux priorités commerciales des entreprises.
- Les cibles constituent-elles une variable approximative utile pour évaluer la stratégie en matière de brevets ? Si les cibles facilitent la comparaison directe initiale entre les dépôts de brevets et les publications des entreprises, d'autres facteurs doivent également être pris en compte, tels que les indications, les classes de médicaments ou les informations présentées dans les dépôts de brevets qui expliquent les améliorations obtenues et les utilisations possibles des technologies d'IA.
- Quel est l'impact du décalage dans la publication des brevets sur les prévisions ? Comme indiqué précédemment, le décalage habituel de 18 mois entre le dépôt d'un brevet et sa publication occulte les technologies les plus avancées. Si l'on se réfère à l'article de BioPharmaTrend , bon nombre des cibles identifiées dans le tableau 1 n'ont pas dépassé le stade de la découverte avant 2022 ou plus tard, et peuvent donc faire l'objet de dépôts de brevets correspondants qui ne sont pas encore publics.
4. Comparaison des portefeuilles de brevets des entreprises spécialisées dans l'IA avec le paysage global
Afin de mieux comprendre le contexte dans lequel s'inscrivent les portefeuilles de brevets des entreprises, ceux-ci peuvent également être comparés à l'ensemble du paysage, en utilisant les cibles comme indicateurs, afin d'évaluer l'ordre de grandeur de la part des entreprises dans l'ensemble du paysage.
Le tableau 3 répertorie le nombre total approximatif de dépôts aux États-Unis pour ces cibles et pour le plus grand déposant. Compte tenu de la rareté des dépôts indiqués dans le tableau 2, cette liste se limite à comparer les cibles pour lesquelles les sociétés de découverte de médicaments par IA ont effectué au moins un dépôt.
Tableau 3. Dépôts de brevets par cible par rapport au paysage global
| Cible | Composition | IA/ML | Nombre total approximatif de dépôts aux États-Unis (nombre total approximatif pour le principal déposant) |
| 3CLpro | 2 | 3800 (100) | |
| A2aR | 1 | 6500 (120) | |
| APJR | 1 | 1600 (19) | |
| CDK2 | 1 | Total indéterminé (40) | |
| CDK7 | 1 | 4000 (100) | |
| CDK | 2 | 1 | Total indéterminé (170) |
| DGKA | 1 | 360 (25) | |
| EFGR(C797S) | 10 | Total indéterminé (380) | |
| ERα | 8 | 10 000+ (80) | |
| FGFR2 | 10 | Total indéterminé (40) | |
| FGFR2/3 | 1 | Total indéterminé (40) | |
| HSP90 | 7 | 10 000+ (60) | |
| JAK2 | 1 | 10 000+ (200) | |
| MAT2A | 1 | 2800 (15) | |
| PHD1/2 | 1 | Total indéterminé (50) | |
| PI3Kα | 10 | 2000 (40) | |
| PKC, GSK3β | 1 | Indéterminé (180) | |
| PKC-thêta | 1 | 4000 (40) | |
| RBM39 | 1 | 300 (20) | |
| Agoniste S1P1 | Total indéterminé (80) | ||
| SHP2 | 10 | 7000 (100) | |
| TEAD | 1 | Total indéterminé (10) | |
| TNIK | 2 | 400 (50) | |
| TYK2 | 2 | 7400 (70) | |
| USP1 | 1 | 3000 (60) | |
| USP28 | 5 | Total indéterminé (15) | |
| USP7 | 6 | Total indéterminé (90) | |
| α4β7 | 1 | 3700 (150) |
Comme le montre le tableau 3, le nombre total de dépôts liés aux cibles clés est généralement de l'ordre de plusieurs centaines, voire plusieurs milliers, et le principal déposant compte entre plusieurs dizaines et plusieurs centaines de dépôts. La différence de volume des dépôts s'explique en partie par le fait que les entreprises de découverte de médicaments par IA ont été créées relativement récemment. Cependant, cela ne change rien au fait qu'il existe beaucoup plus de brevets (et de concurrents potentiels détenteurs de brevets) qui pourraient être utilisés contre les entreprises émergentes de découverte de médicaments par IA que l'inverse. Par conséquent, il existe peut-être encore des opportunités pour ces entreprises de développer des brevets précieux, notamment (mais sans s'y limiter) à des fins défensives et/ou de licences croisées.
Conclusions
Voici les principaux enseignements tirés de cette analyse :
Les entreprises spécialisées dans la découverte de médicaments par IA disposent généralement d'un portefeuille de brevets équilibré entre leurs technologies d'IA/ML/informatiques et leurs compositions médicamenteuses et autres inventions pharmaceutiques/biotechnologiques plus traditionnelles. Cela peut refléter plusieurs scénarios différents qui aboutissent à une composition similaire du portefeuille : les entreprises qui sont passées au fil du temps des inventions traditionnelles aux inventions basées sur l'IA/ML ; les entreprises qui ont commencé avec un équilibre entre les deux ; et le décalage dans la publication des brevets qui masque les dépôts plus récents qui pourraient être davantage axés sur l'IA/ML.
Ces entreprises sous-estiment peut-être considérablement leur capacité à protéger explicitement les technologies destinées à des cibles clés, en particulier avec la chute des brevets prévue pour la fin de cette décennie. Du moins en ce qui concerne l'IA/ML, cela pourrait s'expliquer par le fait que les inventions en matière d'IA/ML sont suffisamment larges pour s'appliquer à n'importe quelle cible, ou qu'elles peuvent être destinées à des applications autres que l'identification de cibles et/ou la découverte de médicaments.
Compte tenu des progrès rapides dans ce domaine et des changements qui vont intervenir dans le paysage global des brevets biotechnologiques/pharmaceutiques au cours des 5 à 10 prochaines années, les entreprises de découverte de médicaments basées sur l'IA ont une opportunité énorme de créer des avantages stratégiques grâce à la protection de leurs brevets. Elles peuvent notamment développer une protection pour le développement de médicaments dans une grande variété de classes de médicaments et de cibles afin de compléter les brevets plus conventionnels axés sur la composition. Cette protection peut s'avérer précieuse pour faire valoir directement leurs droits à l'encontre de leurs concurrents, ainsi que pour conclure des partenariats stratégiques et des accords de licence dans le secteur biotechnologique/pharmaceutique.
Série sur l'IA dans les soins de santé
Pour en savoir plus sur la manière dont l'intelligence artificielle va transformer le monde des soins de santé,cliquez icipour lire les autres articles de notre série.
[1] Il existe généralement un décalage de 18 mois entre le dépôt des demandes de brevet et leur première publication. Il peut donc être difficile de tirer des conclusions solides sur les portefeuilles de brevets des entreprises en phase de démarrage et/ou des entreprises évoluant dans des domaines technologiques en rapide évolution.
[2] Afin de faciliter la gestion, ces analyses se limitent aux brevets/demandes de brevets américains.
[3] Les dépôts ont d'abord été classés selon que les titres correspondaient clairement à la composition des médicaments ou aux technologies conventionnelles par opposition aux technologies d'IA/ML, puis, si nécessaire, selon des mots-clés. Plusieurs cas présentaient des chevauchements entre ces deux catégories ; certains ont tout de même été classés comme relevant de l'IA/ML, même si ces technologies étaient davantage axées sur l'analyse des données que sur la conception initiale des médicaments.
[4] Voir le tableau 1 dans l'article BioPharmaTrend; le tableau 2 ici ne fait pas de distinction entre les cibles par phase.
[5] Le simple fait d'énumérer une cible dans un dépôt de brevet ne signifie pas que le brevet résultant de ce dépôt protégera effectivement la cible, mais le fait d'être trop inclusif de cette manière constitue une première étape pour comparer les portefeuilles des entreprises d'IA avec ceux d'entreprises plus établies.
