Les médicaments conçus par IA entrent en essais cliniques, et 2026 est l'année où nous saurons s'ils fonctionnent réellement
Les médicaments conçus par IA sont désormais en essais humains, et l'industrie s'apprête à découvrir si une découverte plus rapide se traduit par de meilleurs médicaments. Ce sont deux affirmations distinctes, et 2026 est l'année où elles seront enfin testées séparément.
La première affirmation — que l'IA accélère la découverte de médicaments — est acquise. Les modèles de Machine Learning identifient désormais des cibles prometteuses, génèrent des molécules candidates et prédisent le comportement de liaison en une fraction du temps requis par le criblage humide traditionnel. La deuxième affirmation — que les médicaments découverts par IA fonctionnent mieux une fois qu'ils atteignent les patients — n'est pas du tout établie. Elle n'a jamais été testée à grande échelle, car jusqu'à cette année, peu de candidats conçus par IA avaient suffisamment progressé dans le développement clinique pour produire des données réelles d'efficacité et de sécurité. En 2026, une vague d'entre eux atteint simultanément les essais de Phase 2 et Phase 3, ce qui signifie que l'industrie obtient sa première véritable réponse.
Ce qui a réellement changé dans les modèles sous-jacents
Le changement technique derrière cette vague a commencé avec AlphaFold 3, publié par Google DeepMind en 2024. Les versions antérieures d'AlphaFold prédisaient la structure repliée d'une seule protéine à partir de sa séquence d'acides aminés — utile, mais limité à une molécule isolée. AlphaFold 3 a étendu la prédiction à la manière dont les protéines interagissent avec d'autres protéines, avec l'ADN et l'ARN, et avec de petits ligands moléculaires — l'événement physique réel qu'un médicament doit déclencher pour agir. Cela importe car la plupart des maladies ne sont pas causées par une protéine mal repliée seule ; elles impliquent qu'une molécule se lie, bloque ou déclenche une autre.
Cependant, la prédiction structurelle seule ne conçoit pas un médicament — elle décrit ce qui existe déjà. L'étape suivante est la conception générative : construire une molécule entièrement nouvelle destinée à se lier à une cible spécifique. NVIDIA a présenté Proteina-Complexa au GTC 2026 dans le cadre de sa plateforme BioNeMo, un modèle génératif construit spécifiquement pour concevoir de nouveaux ligands protéiques plutôt que de prédire la forme des ligands connus. Novo Nordisk, Viva Biotech et Manifold Bio l'utilisent pour générer des ligands candidats pour des cibles thérapeutiques, puis réduisent des milliers d'options générées par calcul à une poignée dignes d'être synthétisées et testées.
Une limitation distincte est également en cours de traitement : la plupart des prédictions structurelles produisent un instantané statique, mais les protéines ne sont pas statiques — elles fléchissent, se déplacent et changent de forme à mesure qu'un médicament s'approche et se lie. Une plateforme appelée YuelDesign, ainsi que les outils associés YuelPocket et YuelBond, modélise ce processus de liaison dynamique au lieu d'une seule conformation figée, visant à produire des prédictions plus précises de la façon dont une molécule candidate se comportera réellement à l'intérieur d'une cellule. La prédiction structurelle statique peut manquer des échecs de liaison qui n'apparaissent que lorsque la protéine cible bouge.
Ce qui passe de l'écran d'ordinateur à l'essai humain
Au premier trimestre 2026, des articles évalués par des pairs ont rapporté une validation expérimentale de molécules et d'outils biologiques conçus par IA en milieu préclinique — ce qui signifie que les conceptions ont tenu en laboratoire, et pas seulement en simulation. Cette étape de validation explique pourquoi un lot de candidats progresse maintenant vers l'évaluation humaine. Les modalités entrant dans les essais sont les thérapies peptidiques, les anticorps et les candidats à base d'ARNm — trois classes de médicaments très différentes avec des chaînes de fabrication distinctes, des modes d'échec différents et des historiques réglementaires différents, ce qui est en soi utile : si les médicaments conçus par IA réussissent dans une modalité mais pas dans une autre, cela indique aux chercheurs où se situent réellement les points forts de la technologie.
Les chiffres d'adoption que tout le monde cite, et ce qu'ils ne mesurent pas
Les enquêtes sectorielles indiquent qu'environ la moitié des entreprises de biotechnologie utilisant l'IA dans le développement de médicaments constatent un délai plus court jusqu'à la cible, et 42 % signalent une amélioration de la précision ou des taux de réussite dans leurs modèles computationnels. Ces chiffres sont constamment cités comme preuve que la découverte de médicaments par IA fonctionne. Ils sont réels, mais ils mesurent quelque chose de plus étroit que "fonctionne". Le temps jusqu'à la cible et le taux de réussite décrivent l'efficacité avec laquelle une entreprise passe d'une question de recherche à une molécule candidate digne d'être testée. Ils ne disent rien sur la sécurité de cette molécule, sur le fait qu'elle passe un essai de Phase 2, ou sur le fait qu'elle surpasse un médicament découvert de manière conventionnelle une fois à l'intérieur d'un corps humain. Une entreprise peut réduire de moitié son temps de découverte et voir néanmoins la molécule résultante échouer en clinique — ce résultat serait totalement compatible avec les chiffres de 50 %/42 %, car ces chiffres ne mesuraient jamais le succès clinique en premier lieu.
Pourquoi la vitesse ne garantit pas le succès
Le taux d'échec de base de la biotechnologie est la raison pour laquelle cette distinction importe. Les candidats médicaments qui entrent en essais cliniques échouent la plupart du temps, quelle que soit leur méthode de découverte — la Phase 2 en particulier a toujours été l'endroit où les molécules prometteuses vont mourir, souvent parce que l'efficacité chez l'humain ne correspond pas à ce que les modèles précliniques avaient prédit. La découverte pilotée par l'IA n'a pas encore changé cette dynamique, car jusqu'en 2026, il n'y avait pas un volume clinique suffisant de candidats conçus par IA pour savoir si elle le ferait. Un modèle très performant pour prédire si une molécule se liera à sa cible ne dit rien sur le fait que la liaison à cette cible traitera réellement la maladie, que la molécule est toxique à une dose efficace, ou qu'elle se comporte de manière prévisible dans une population de patients génétiquement diverse. Ce sont les questions auxquelles les essais de Phase 2 et Phase 3 existent pour répondre, et aucune sophistication computationnelle en amont ne remplace ces données.
Ce qu'il faut surveiller en 2026
Pour les investisseurs, les professionnels de la biotechnologie et toute personne suivant ce domaine, le signal utile n'est pas une autre annonce de vitesse de découverte — ce sont les données d'essai. Plus précisément : surveillez si les lectures de Phase 2 et Phase 3 pour les candidats conçus par IA montrent des taux d'échec significativement différents des moyennes historiques du secteur, dans un sens ou dans l'autre. Surveillez quelle modalité rapporte les résultats en premier — les peptides traversent généralement les essais plus rapidement que les anticorps ou les candidats à base d'ARNm, donc les lectures précoces de peptides peuvent arriver avant que le tableau ne soit complet pour les deux autres. Surveillez si les entreprises utilisant des modèles de liaison dynamique comme YuelDesign rapportent des performances cliniques différentes de celles qui reposent principalement sur la prédiction structurelle statique, car ce serait une preuve précoce que l'approche dynamique produit des candidats plus transposables cliniquement. Et surveillez comment Novo Nordisk, Viva Biotech et Manifold Bio parlent de leurs candidats dérivés de BioNeMo une fois les données d'essai disponibles — la volonté d'une entreprise à publier des résultats négatifs, pas seulement positifs, est un indicateur raisonnable pour savoir si les affirmations sous-jacentes résistent à l'examen.