52

Avec un taux d’échec des phases cliniques aujourd’hui de plus de 90 % [11], le système actuel du «  drug discovery » n’est plus soutenable. Contrairement à la « pensée dominante », le problème n’est pas d’ordre technologique pas plus qu’il n’est dans le traitement des «  Big data », ce qui est en cause, c’est notre mauvaise compréhension des mécanismes du vivant et la façon dont sont élaborés certains concepts de maladies complexes sur lesquels sont basés les programmes de R&D.Au fil de cet article, le lecteur pourra se convaincre de la réalité des mécanismes du vivant qui sont à l’œuvre, là où la distinction entre système complexe et système compliqué est des plus critiques, et de la nécessité de prendre en compte les alertes lancées par l’Université de Stanford, qui a créé, en 2014, l’Institut METRICS, qui est dédié à l’amélioration de la qualité des données produites et des publications [8, 9].Enfin, c’est à travers l’exemple du succès d’une réponse apportée à un risque majeur de santé publique, la multi-résistance des bactéries aux antibiotiques, que nous décrirons comment une approche de modélisation heuristique non-mathématique a permis de transformer la phagothérapie en une solution diagnostic/thérapeutique innovante utilisant des banques de phages produites à partir de trois technologies brevetées issues de la modélisation.

Modeling biological systems: A way to produce several forms of innovationGiven a failure rate of more than 90% during clinical phases of testing, the current system for discovering new drugs is no longer tenable. Contrary to the “dominant mind-set”, the problem is not of a technological sort ; nor does it have to do with processing big data. The problem is our poor understanding of processes in living beings and of the way certain concepts (on which R&D programs are based) of complex illnesses have been worked out. Readers will become aware of the life processes at work at the very point where the distinction between complex and complicated systems becomes crucial. They will thus realize the necessity of taking into account the warnings issued by Stanford University, which, in 2014, set up the Meta-Research Innovation Center (METRICS) for the purpose of improving data quality and publications. Through the example of the successful response to a major public-health risk – the multiresistance of bacteria to antibiotics – an approach to building a nonmathematical heuristic model is described that made it possible to turn viral phage therapy into an innovative diagnostic/therapeutic biocontrol solution that uses bacteriophages produced though three patented technologies stemming from this model-building.

Con una tasa de fracaso de las fases clínicas de más del 90%, el sistema actual de descubrimiento de fármacos ha demostrado sus límites. A diferencia de la « sabiduría convencional », el problema no es tecnológico ni tampoco es una cuestión de tratamiento de Big data, el problema reside en nuestra falta de comprensión de los mecanismos de los seres vivos y la forma en que elaboramos ciertos conceptos de enfermedades complejas en los que se basan los programas de I+D.A lo largo de este artículo, el lector descubrirá la realidad de los mecanismos de los seres vivos que están en marcha, donde la distinción entre sistema complejo y complicado es crítica ; y la necesidad de tener en cuenta las alertas lanzadas por la Universidad de Stanford, que creó en 2014 el Instituto METRICS, dedicado a mejorar la calidad de los datos y publicaciones.Por último, utilizando el ejemplo de una respuesta exitosa a un importante riesgo para la salud pública, la multirresistencia a los antibióticos, se describirá cómo un enfoque de modelización heurística no matemática ha transformado la fagoterapia en una solución innovadora de diagnóstico/tratamiento la cual utiliza bancos de fagos producidos a partir de tres tecnologías patentadas, desarrolladas a partir de un esquema de modelización.