AWS accélère la découverte de médicaments grâce aux graphes de connaissances
La recherche sur les médicaments vient de gagner un énorme gain d’efficacité, grâce au déploiement de GraphRAG par AWS. Cette solution réduit les cycles de recherche et développement de 87 %. La percée réside dans l’assemblage de bases de données propriétaires auparavant cloisonnées en un graphe de connaissances unique et interrogeable, transformant des points de données isolés en un réseau navigable que les chercheurs peuvent explorer en langage naturel.
Des données éparses aux insights exploitables
Pendant des années, les équipes pharmaceutiques ont peiné face à des jeux de données déconnectés : des métriques cliniques enfouies dans un système, des notes d’ingénierie dans un autre, des observations de laboratoire dans un troisième. Cette fragmentation impliquait des attentes de six mois rien que pour collecter et analyser les données initiales, avec des taux de réussite stagnant autour de 5 %. Pire encore, le départ d’un collaborateur clé entraînait la perte de connaissances essentielles, paralysant les recherches en cours. AWS a résolu ce problème en combinant des bases de données graphes avec le traitement du langage naturel, utilisant Amazon Neptune Analytics et Bedrock pour structurer ces informations dispersées en un graphe de connaissances.
Construction du graphe, couche par couche
Le système ingère des fichiers non structurés, issus à la fois des archives internes et de sources publiques comme PubMed. Amazon Comprehend Medical extrait les codes médicaux standardisés, tandis qu’Amazon Bedrock, alimenté par le modèle Anthropic Claude 4.5 Sonnet, résume les documents et évalue leur pertinence. AWS Lambda et Amazon S3 chargent en masse les données traitées dans Amazon Neptune Analytics, où les nœuds représentent des entités comme les pathologies, les auteurs ou les revues sources, et les arêtes cartographient leurs relations. Une gouvernance stricte du schéma garantit une correspondance relationnelle précise et limite les risques d’hallucinations, un écueil fréquent lors de la fusion de sources hétérogènes.
Le prix de la rapidité et de l’échelle
Cette architecture a un coût. Une instance standard d’Amazon Neptune Analytics avec 16 unités de mémoire provisionnées revient à 0,48 $ de l’heure, tandis que les environnements de développement comme les notebooks Amazon SageMaker Jupyter engendrent des dépenses supplémentaires en calcul et stockage. Le traitement des requêtes et la génération d’abstraits via le modèle Bedrock entraînent aussi des coûts dynamiques liés à la consommation de tokens. Malgré ces dépenses, l’avantage d’obtenir des insights plus rapides et des taux de réussite accrus en phase précoce de recherche peut justifier l’investissement pour de nombreuses organisations.
Un enjeu majeur
Il ne s’agit pas seulement de vitesse : c’est une révolution dans le fonctionnement des équipes de recherche pharmaceutique. En transformant des connaissances fragmentées en un graphe structuré et interrogeable, les équipes peuvent identifier plus vite des corrélations cachées, préserver le savoir institutionnel et réduire les risques de projets bloqués. Dans un secteur où chaque mois compte pour passer d’une avancée à un échec, le déploiement de GraphRAG par AWS offre une solution concrète pour accélérer la découverte sans compromettre la précision ou la traçabilité. Les enjeux sont clairs : des cycles de recherche plus efficaces pourraient se traduire par des candidats-médicaments plus précoces, des approbations accélérées et, in fine, de meilleurs résultats pour les patients.
Source : AI News. Synthèse éditoriale assistée par IA — TechnoExpress.