L'industrie pharmaceutique traverse la plus grande transformation opérationnelle depuis une génération. Entre 2025 et 2030, plus de 300 milliards de dollars de chiffre d'affaires de médicaments perdront leur protection par brevet. Les 20 plus grands groupes pharmaceutiques mondiaux ont réagi par des restructurations de grande ampleur, des suppressions de plus de 22 000 postes rien qu'en 2025 et une volonté collective d'opérationnaliser tous leurs processus grâce à la technologie et à l'IA.

La production a adopté des systèmes MES, des jumeaux numériques et la qualité prédictive. Les opérations cliniques ont bénéficié des essais décentralisés, de la sélection des patients par IA et de l'analytique en temps réel. La chaîne d'approvisionnement s'est dotée de plateformes de visibilité de bout en bout. Même les équipes commerciales disposent désormais de pipelines de contenus générés par IA et d'un engagement personnalisé des professionnels de santé.

Mais il reste une couche qui n'a pas été opérationnalisée. Elle se situe en amont de toutes les autres. Et presque tout le développement de médicaments en dépend.

La couche de mesure

Chaque programme de développement de médicament repose sur des mesures biologiques : tests cellulaires, criblages phénotypiques, tests d'activité (potency assays), imagerie de contrôle qualité. Ces mesures produisent les chiffres qui éclairent les décisions go/no-go, les dossiers réglementaires et les critères de libération des lots.

Et dans la plupart des organisations, ces mesures restent artisanales.

Un analyste ouvre une image. Il choisit des paramètres de segmentation. Il trace des fenêtres. Il fixe des seuils. Il exporte un tableur. Un autre analyste, avec la même image, pourrait obtenir un chiffre différent. Non pas parce que la biologie a changé, mais parce que le processus n'est pas standardisé.

Ce n'est pas un échec des personnes qui font le travail. C'est un échec de l'infrastructure qui les entoure.

Ce que les LIMS et les ELN ne couvrent pas

L'industrie pharmaceutique a beaucoup investi dans la numérisation des laboratoires. Le LIMS suit les échantillons. L'ELN documente les protocoles. Les logiciels des instruments capturent les données brutes. Sur le papier, le laboratoire semble couvert.

Mais il existe un écart entre « l'instrument a produit des données » et « nous disposons d'un chiffre fiable ». Cet écart, c'est la mesure elle-même : la segmentation, le fenêtrage, la quantification, l'interprétation. Le LIMS sait ce qui a été mesuré. L'ELN sait comment la mesure était censée être faite. Aucun des deux ne standardise la manière dont la mesure est réellement effectuée.

C'est à ce niveau que la reproductibilité s'effondre. Non pas parce que quelqu'un a commis une erreur, mais parce qu'aucun système n'a jamais garanti que deux analystes procéderaient de la même façon.

Pourquoi c'est important aujourd'hui

Lorsque les équipes étaient nombreuses et les délais confortables, cet écart restait gérable. Un scientifique expérimenté pouvait relire chaque analyse. Les protocoles pouvaient être ajustés sur plusieurs mois. La variabilité d'un analyste à l'autre était un coût connu de l'activité.

Ce monde touche à sa fin. La falaise des brevets comprime simultanément les délais et les budgets. Les entreprises mènent davantage d'expériences avec moins de personnes, sous une pression accrue pour obtenir des résultats. Dans ce contexte, chaque mesure qui ne peut pas être reproduite est une mesure qu'il faut refaire. Chaque test qui dépend du jugement d'un analyste particulier est un goulot d'étranglement opérationnel en puissance.

Les responsables de la transformation qui modernisent tout le reste de l'industrie pharmaceutique finiront par arriver au laboratoire et par se demander : pourquoi les données les plus critiques de notre pipeline dépendent-elles encore de la personne qui a réalisé l'analyse ?

À quoi ressemble une mesure opérationnalisée

La solution n'est pas davantage de documentation. Ce n'est pas une procédure opératoire standard de plus dans l'ELN. C'est la standardisation de la mesure au moment même où les données sont créées.

Cela signifie des flux de quantification qui produisent le même résultat, quelle que soit la personne qui les exécute. Cela signifie que chaque paramètre, chaque fenêtre, chaque seuil est enregistré et reproductible. Cela signifie que tout collègue, collaborateur ou auditeur peut ouvrir l'analyse, voir exactement ce qui a été fait, puis la vérifier ou s'en servir comme base.

Cela signifie traiter la mesure biologique comme l'industrie pharmaceutique traite déjà la production : comme un processus qui doit être validé, reproductible et auditable dès sa conception.

L'opportunité

L'industrie pharmaceutique a opérationnalisé presque toutes les couches de sa chaîne de valeur. La couche de mesure est la dernière. Et c'est sans doute la plus lourde de conséquences, car tout ce qui se trouve en aval dépend de la qualité et de la cohérence des chiffres qu'elle produit.

Les entreprises qui combleront cet écart les premières ne se contenteront pas de gérer des laboratoires plus efficaces. Elles prendront des décisions plus rapidement, produiront des données plus solides et élimineront une catégorie de risque opérationnel que la plupart des organisations ont tout simplement fini par considérer comme normale.

Les outils et les cadres pour y parvenir existent déjà. La question est de savoir si les responsables de la transformation reconnaîtront que le véritable manque du laboratoire ne se situe pas dans le suivi des échantillons ou la documentation des protocoles, mais dans la mesure elle-même.

Chez Cytely, la mesure biologique reproductible est le problème sur lequel nous travaillons chaque jour. Si cela vous parle, nous serions ravis de vous montrer à quoi elle ressemble en pratique. Découvrez la mesure reproductible en action.