Top 10 des logiciels de découverte de médicaments

Le marché des logiciels de découverte de médicaments se divise en trois catégories : les suites de chimie computationnelle pour la conception basée sur la structure, les plateformes IA natives pour la chimie générative et l’identification de cibles, et les systèmes de gestion des données de R&D pour les cahiers de laboratoire électroniques (ELN), les LIMS, le suivi des synthèses, l’analyse des données et l’enregistrement des composés.

Nous avons comparé les 10 principales plateformes de découverte de médicaments en fonction des fonctionnalités, des tarifs et des modèles de déploiement.

Comparaison du déploiement et des tarifs des 10 principaux logiciels de découverte de médicaments

Remarque : les produits sont classés par ordre alphabétique. Aucun des produits ne propose de plan gratuit ni d’essai gratuit.

Comparaison des fonctionnalités des logiciels de découverte de médicaments

AIDDISON

AIDDISON est une plateforme de découverte de médicaments cloud native qui combine l’IA générative avec des outils de conception de médicaments assistée par ordinateur. Elle prend en charge la génération moléculaire, le criblage virtuel, la prédiction ADMET, les recherches par pharmacophore et par similarité, l’amarrage moléculaire et la planification de rétrosynthèse.

Ses principales capacités incluent :

• Conception moléculaire générative : crée de nouvelles petites molécules et les optimise pour la ressemblance aux médicaments, les propriétés ADMET, l’affinité de liaison et la synthétisabilité.
• Recherche dans l’espace chimique : recherche plus de 60 milliards de molécules connues et virtuelles en utilisant des méthodes de similarité, de sous-structure et de pharmacophore.
• Amarrage moléculaire : visualise les interactions protéine-ligand, identifie les poches de liaison et évalue la liaison des candidats.
• Planification de synthèse : relie la conception de molécules virtuelles à la rétrosynthèse et aux matières premières disponibles dans le commerce.
• Prédictions personnalisées : permet aux équipes d’utiliser des modèles IA/ML existants ou d’entraîner des modèles avec leurs propres données.

AIDDISON est particulièrement adapté aux équipes de chimie médicinale qui recherchent un flux de travail intégré et assisté par IA, de la conception de molécules à la planification de synthèse.

BIOVIA Discovery Studio

BIOVIA Discovery Studio propose un pipeline de bout en bout allant de l’identification des cibles à l’optimisation des têtes de série. L’outil s’intègre à la plateforme 3DEXPERIENCE de Dassault Systèmes pour la gestion des données d’entreprise et la conformité réglementaire.

BIOVIA Discovery Studio couvre les principales parties de la découverte de médicaments computationnelle :

• Simulations : dynamique moléculaire, calculs d’énergie gratuit et autres outils de simulation pour étudier le comportement et les interactions moléculaires.
• Conception basée sur la structure : outils pour l’amarrage protéine-ligand, la conception basée sur les fragments et l’optimisation de composés à l’aide d’informations structurales 3D.
• Conception basée sur les ligands et les pharmacophores : méthodes de conception de médicaments de novo, profilage d’activité, conception multi-cibles et identification de molécules présentant les motifs d’interaction souhaités.
• Modélisation des biothérapeutiques et des anticorps : outils in silico pour la modélisation des anticorps, l’ingénierie des protéines et l’optimisation des produits biologiques.
• Conception et analyse de macromolécules : outils d’analyse et de conception de protéines, d’acides nucléiques et d’autres grandes molécules biologiques.
• QSAR, ADMET et toxicologie prédictive : informations prédictives sur la pharmacocinétique, la sécurité, la toxicité et les propriétés de type médicament.
• Visualisation : un visualiseur de conception moléculaire gratuit pour afficher, manipuler et analyser les structures biologiques et chimiques.

BIOVIA Discovery Studio est particulièrement adapté aux grandes entreprises qui exigent une conformité réglementaire.

Figure 1 : tableau de bord des simulations de BIOVIA Discovery Studio.¹

BioSolveIT

BioSolveIT fournit une suite d’outils visuels de découverte computationnelle de médicaments. Ses produits incluent SeeSAR pour la conception moléculaire, infiniSee pour la navigation dans l’espace chimique et HPSee pour le criblage virtuel haute performance.

Ses principales fonctionnalités incluent :

• Conception visuelle de médicaments : SeeSAR prend en charge l’amarrage moléculaire, l’optimisation de composés, la conception basée sur les fragments et l’analyse des interactions protéine-ligand.
• Exploration de l’espace chimique : infiniSee recherche dans des collections de composés à très grande échelle des molécules structurellement ou pharmacophoriquement similaires.
• Amarrage à grande échelle : Chemical Space Docking explore des milliards de composés à l’aide d’un criblage basé sur la structure.
• Flux de travail haute performance : HPSee répartit les charges de travail de criblage et d’amarrage sur une infrastructure informatique dédiée.
• Outils de modélisation spécialisés : la suite comprend des outils d’amarrage, de notation, d’alignement moléculaire, d’exploration de poches, de génération de conformères et de saut d’échafaudage.

BioSolveIT est particulièrement adapté aux chimistes médicinaux et computationnels qui privilégient les flux de travail visuels, l’amarrage moléculaire et l’exploration de grands espaces chimiques.

ChemAxon

ChemAxon fournit une infrastructure de chimioinformatique, notamment son éditeur de structures chimiques Marvin et les moteurs JChem, pour la standardisation des données chimiques. La plateforme prend en charge le déploiement cloud et sur site avec des API Java et REST pour l’intégration.

Exemple réel de Marvin de Chemaxon :

Une grande entreprise pharmaceutique mondiale a utilisé l’éditeur chimique Marvin de Chemaxon pour améliorer la gestion des données chimiques dans une application de bureau de visualisation et d’analyse de données.

L’entreprise avait besoin d’un outil de dessin chimique capable de s’intégrer harmonieusement à son infrastructure existante avant une échéance de mise en service imminente. Les exigences comprenaient la prise en charge de la notation SMILES/SMARTS, la cartographie des réactions, la gestion de la stéréochimie, l’énumération des structures Markush et une forte API .NET pour l’intégration.

Chemaxon a mis en œuvre Marvin pour plus de 300 utilisateurs et a fait passer un plus petit groupe d’utilisateurs de Marvin JS vers le nouvel environnement Marvin. L’entreprise a intégré le module complémentaire de l’API .NET dans son système existant, et l’intégration complète avec l’application d’analyse de bureau a été réalisée en une à deux semaines environ.

Le projet a aidé l’entreprise à respecter son calendrier de lancement sans compromettre les exigences fonctionnelles, techniques ou commerciales. Il a également simplifié l’octroi de licences en consolidant les licences Chemaxon en un seul terme de 19 mois, réduisant ainsi la complexité des achats.²

Chemaxon est idéal pour les organisations ayant besoin de standardiser les données chimiques et d’intégrer des API.

Cresset Flare

La modélisation de ligands basée sur les champs électrostatiques de Cresset Flare, grâce au champ de force XED, permet le saut d’échafaudage et la conception de ligands sans dépendre des structures cristallines de protéines. Flare prend en charge les calculs RBFE et la génération de conformères macrocycliques dans son framework FEP.

• Cartes d’interactions 2D : résume les interactions ligand-protéine dans une vue 2D claire pour une interprétation plus facile.
• Activity Atlas : fournit des informations qualitatives sur les relations structure-activité pour aider à comprendre comment les modifications moléculaires affectent l’activité.
• Activity Miner : identifie les falaises d’activité et de sélectivité dans les datasets SAR.
• FieldTemplater : aide à prédire les modes de liaison lorsque les données de structure cristallographique de la protéine ne sont pas disponibles.
• Free Energy Perturbation (FEP) : soutient l’optimisation des têtes de série en prédisant les modifications de ligand les plus susceptibles d’améliorer la liaison.
• Assistant de codage IA : prend en charge les scripts, l’automatisation des flux de travail et la personnalisation des méthodes en aidant les utilisateurs à écrire ou à affiner du code pour les flux de travail d’analyse liés à Flare.

Cresset Flare est particulièrement adapté aux chimistes médicinaux qui travaillent sans structures cristallines.

Figure 2 : exemple d’assistant de codage IA Flare.³

Dotmatics

Dotmatics fournit une plateforme d’informatique scientifique intégrée qui couvre l’ELN, BioRegister, l’enregistrement des composés et la gestion des données d’essais, avec les visualisations Studies et Vortex. La plateforme offre une intégration dans l’ensemble du portefeuille Dotmatics, notamment Geneious et Prism.

Dotmatics Luma est une plateforme R&D multimodale native IA qui intègre les données scientifiques, les flux de travail, les analyses et les outils d’IA dans un environnement unique. Elle est conçue pour aider les équipes de recherche à passer plus rapidement des données brutes de laboratoire aux informations scientifiques exploitables. Luma fonctionne en quatre étapes principales :

• Capture des données : Luma se connecte aux instruments de laboratoire, aux ELN, aux registres, aux téléversements CRO, aux fichiers, aux applications scientifiques et aux systèmes externes. Luma Lab Connect peut collecter des données provenant d’instruments basés sur des fichiers, de dossiers Windows ou Linux, de buckets S3, d’API et de sources SQL/JSON/CSV.
• Traitement des données : une fois les données capturées, Luma analyse les fichiers bruts, extrait les métadonnées et convertit les sorties d’instruments en formats structurés et analysables.
• Harmonisation et gestion des données : Luma rassemble différents types de données, notamment structurées, semi-structurées, non structurées, séquentielles, numériques, textuelles, d’images et de métadonnées.
• Analyse et informations assistées par l’IA : les chercheurs peuvent rechercher, visualiser, interroger, modéliser et analyser des données harmonisées au sein de la plateforme ou via des API. Luma prend également en charge l’interrogation en langage naturel et les cas d’usage de l’IA générative, aidant les scientifiques à explorer des relations complexes dans les datasets.

Dotmatics est idéal pour les grandes entreprises biopharmaceutiques et les CRO qui nécessitent un système d’enregistrement gouverné.

OpenEye Scientific Suite Orion

OpenEye Scientific, qui fait désormais partie de Cadence Molecular Sciences, se différencie par sa plateforme cloud native Orion et sa boîte à outils OEChem destinée aux développeurs. La suite comprend ROCS pour le criblage basé sur la forme, EON pour la comparaison électrostatique, OMEGA pour la génération de conformères et FRED pour l’amarrage.

Orion fonctionne sur AWS et Cadence OnCloud, sans option d’installation sur site, ciblant les organisations qui construisent des pipelines computationnels personnalisés.

OpenEye Scientific Suite Orion est particulièrement adapté aux développeurs qui construisent des pipelines personnalisés.

Figure 3 : tableau de bord de simulation et d’analyse 3D d’Orion.⁴

Recursion OS

Recursion OS permet de générer un vaste dataset phénotypique grâce à l’imagerie automatisée à haut débit des phénotypes cellulaires, traitée par vision par ordinateur et par l’infrastructure de supercalcul BioHive. La plateforme comprend la Map of Biology, qui visualise les relations biologiques, et a généré environ 65 pétaoctets de données propriétaires.

Recursion LOWE :

LOWE est le moteur de flux de travail orchestré par LLM de Recursion, un système assisté par IA au sein de la plateforme Recursion OS conçu pour soutenir des flux de travail complexes de découverte de médicaments grâce à une interaction en langage naturel.

Il permet aux chercheurs d’interroger les datasets biologiques et chimiques de Recursion, d’explorer les relations potentielles médicament-cible, de générer et de prioriser de nouveaux composés, d’évaluer des propriétés telles que l’ADMET et la solubilité, et de coordonner les activités en aval, notamment la planification de synthèse et l’exécution expérimentale.

LOWE fonctionne comme une couche intelligente d’orchestration des flux de travail qui relie les datasets propriétaires de Recursion, ses modèles prédictifs, ses capacités de chimie générative et ses opérations de laboratoire.⁵

Recursion est idéal pour les programmes de maladies rares et de repositionnement de médicaments.

Suite de découverte de médicaments à petites molécules de Schrödinger

Schrödinger se différencie par ses calculs de Free Energy Perturbation (FEP+) basés sur la physique qui prédisent l’affinité de liaison. La suite intègre Glide pour l’amarrage, WaterMap pour la thermodynamique de l’hydratation et Prime pour la prédiction de la structure des protéines au sein de l’interface graphique Maestro.

Exemple réel du programme propriétaire de Schrödinger :

La plateforme de chimie numérique de Schrödinger a aidé à identifier SGR-1505, un nouvel inhibiteur de MALT1, comme candidat au développement en 10 mois. Le programme s’est concentré sur MALT1, une cible impliquée dans la régulation des lymphocytes et pertinente dans les hémopathies malignes à cellules B récidivantes ou réfractaires, notamment la leucémie lymphoïde chronique. Les approches antérieures d’inhibiteurs de MALT1 présentaient des problèmes de propriétés de type médicament ; l’objectif était donc de trouver une petite molécule puissante présentant un meilleur équilibre entre puissance, perméabilité, solubilité et développabilité globale.

L’équipe a utilisé un flux de travail concevoir-prédire-fabriquer-tester-analyser soutenu par la modélisation basée sur la physique, l’apprentissage automatique, des modèles ADMET prédictifs et l’analyse de données. Elle a évalué par calcul plus de 8 milliards de composés, utilisé WaterMap pour analyser le site de liaison, appliqué la conception de novo et l’énumération tenant compte de la synthèse pour générer des idées, puis utilisé FEP+ pour prédire l’affinité de liaison relative. LiveDesign a été utilisé pour centraliser les données modélisées et expérimentales afin de faciliter la prise de décision collaborative.

Au cours des trois premiers mois, l’équipe a évalué plus de 1 700 molécules à l’aide d’Active Learning FEP+ et a identifié deux nouvelles séries puissantes d’inhibiteurs de MALT1 après avoir synthétisé moins de 50 composés. Ensuite, elle a utilisé l’optimisation multiparamétrique pour équilibrer la puissance, la solubilité et la perméabilité. L’équipe a évalué plus de 5 000 idées, et 43 composés ont satisfait aux critères du programme, un sous-ensemble plus réduit passant en synthèse et en test.

Le résultat a été SGR-1505, sélectionné en 10 mois après la synthèse de 78 composés dans la série principale et de 129 composés dans l’ensemble du programme. Schrödinger présente ce cas comme la preuve que la combinaison du criblage computationnel à grande échelle, de la prédiction basée sur la physique, de l’apprentissage automatique et de l’informatique collaborative peut réduire le nombre de composés à synthétiser tout en accélérant le passage de la découverte de touches à un candidat au développement.⁶

Schrödinger est particulièrement adapté aux équipes pharmaceutiques et biotechnologiques qui exigent une modélisation de la puissance de haute précision.

Optibrium StarDrop

Optibrium StarDrop se spécialise dans l’optimisation multiparamétrique (MPO) pour l’optimisation des têtes de série. La plateforme propose un déploiement sur bureau et dans le cloud, avec une tarification modulaire pour les modules ADMET, de chimie générative et de conception 3D.

Exemple réel d’adMare avec StarDrop :

Le travail d’adMare, une entreprise canadienne de sciences de la vie, s’étend de l’identification précoce de têtes de série à la sélection de candidats cliniques, ce qui oblige les chimistes à évaluer la puissance des composés, les caractéristiques ADME, les propriétés physicochimiques, la sélectivité et les relations structure-activité plus larges. StarDrop soutient ce processus en aidant les chercheurs à organiser, visualiser et interpréter plus efficacement des datasets complexes de composés.

Une application notable est l’analyse de brevets. Lorsque les chimistes extraient de la littérature brevets un grand nombre de composés, les fonctions de clustering, d’analyse de similarité, de visualisation de l’espace chimique et de Card View de StarDrop aident à identifier des points de départ pertinents et à comprendre comment les séries de composés ont été optimisées.

L’équipe utilise également StarDrop pour examiner les tendances SAR, comparer les valeurs pIC50, prédire des propriétés telles que logP et logD à l’aide de l’ADME QSAR, préparer des bibliothèques de composés pour les études d’amarrage et cribler des bibliothèques virtuelles avec eSim3D.⁷

Optibrium StarDrop est particulièrement adapté aux chimistes médicinaux qui privilégient l’ADMET et l’optimisation des têtes de série.

Ne manquez pas nos benchmarks et analyses basées sur les données. Le bouton ouvre Google ; sélectionner AIMultiple confirme que vous souhaitez voir AIMultiple plus souvent dans les résultats de recherche Google.

Ajouter comme source préférée

Considérations réglementaires et de conformité pour la découverte de médicaments assistée par IA

Les agences de réglementation ont commencé à formaliser des lignes directrices pour l’IA/ML dans le développement de médicaments. En janvier 2025, la FDA a publié un projet de lignes directrices intitulé « Considerations for the Use of Artificial Intelligence To Support Regulatory Decision-Making », proposant un framework d’évaluation de la crédibilité fondé sur les risques pour les modèles d’IA utilisés dans les contextes non cliniques, cliniques et de fabrication.⁸ Les lignes directrices excluent explicitement les activités de découverte de médicaments, se concentrant sur les données qui étayent les décisions réglementaires.⁹

En janvier 2026, la FDA et l’EMA ont publié conjointement les « Guiding Principles of Good IA Practice in Drug Development », établissant dix principes de haut niveau couvrant la conception centrée sur l’humain et des exigences de validation proportionnées tout au long du cycle de vie des médicaments.¹⁰ Les agences ont souligné que les systèmes d’IA devraient soutenir, et non remplacer, le jugement humain, avec des exigences de validation adaptées à l’impact potentiel du système d’IA.¹¹

Citer cette recherche

Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.

@misc{ermut2026,
  author = {Ermut, Sıla},
  title  = {{Top 10 des logiciels de découverte de médicaments}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/drug-discovery-software}},
  note   = {AIMultiple. Consulté le 22 Juillet 2026}
}

Liens de référence

1.

Molecular Dynamics Simulations | BIOVIA - Dassault Systèmes

3ds

2.

How a Global Pharma Leader Transformed Chemical Data Management with Marvin, Chemaxon’s chemical editor

Certara

3.

cresset-group.com | 520: Web server is returning an unknown error

4.

Cloud Based Computational Chemistry Software

5.

LOWE | Recursion

6.

Hit to development candidate in 10 months: Rapid discovery of a novel, potent MALT1 inhibitor - Schrödinger

Schrödinger

7.

Supporting Canadian chemistry pioneers with fast SAR analysis - Optibrium

Optibrium

8.

Federal Register :: Considerations for the Use of Artificial Intelligence To Support Regulatory Decision-Making for Drug and Biological Products; Draft Guidance for Industry; Availability; Comment Request

9.

FDA Publishes Draft Guidance on Use of Artificial Intelligence in the Development of Drugs and Biological Products - January 2025

10.

EMA and FDA set common principles for AI in medicine development | European Medicines Agency (EMA)

11.

https://www.fda.gov/media/189581/download

Sıla Ermut

Analyste sectorielle

Suivre

Sıla Ermut est analyste sectorielle chez AIMultiple couvrant les modèles d’IA, l’infrastructure d’IA, la gouvernance de l’IA et les applications d’IA d’entreprise. Ses recherches portent principalement sur l’utilisation de l’IA dans le marketing, la santé, les chaînes d’approvisionnement et le développement durable.
Elle a précédemment travaillé comme recruteuse dans des cabinets de gestion de projet et de conseil. Sıla est titulaire d’un master en psychologie sociale et d’une licence en relations internationales.

Voir le profil complet

Soyez le premier à commenter

Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.

Nom

Adresse email

Commentaire

0/450

Publier un commentaire