AlphaFold 3 a ouvert les vannes. Maintenant, la course est lancée pour le premier médicament approuvé par la FDA et conçu par IA.

Quand DeepMind a publié AlphaFold 2 en 2020, cela a résolu un problème de biologie computationnelle vieux de 50 ans : prédire la structure tridimensionnelle d'une protéine à partir de sa séquence d'acides aminés. La communauté scientifique l'a célébré comme l'un des outils de recherche les plus importants jamais créés. Puis DeepMind a publié AlphaFold 3 en mai 2024, et la portée a complètement changé.

AlphaFold 3 ne se contente pas de prédire les structures des protéines. Il modélise les interactions protéine-ligand, les complexes protéine-ADN, les complexes protéine-ARN, et la liaison anticorps-cible — simultanément. Pour la découverte de médicaments, la différence est énorme. Un médicament n'est pas conçu pour se lier à une protéine isolée ; il doit se lier à la bonne conformation d'une protéine, en présence de molécules concurrentes, sans toucher aux cibles secondaires qui provoquent des effets secondaires. AlphaFold 3 modélise ce contexte moléculaire complet. Sa précision sur la prédiction anticorps-cible s'est améliorée de 50 % par rapport aux méthodes précédentes.

De la prédiction au pipeline

Plusieurs sociétés pharmaceutiques ont transféré des cibles conçues par AlphaFold vers des programmes cliniques actifs. Moderna, GSK et de nombreuses startups biotech mènent des campagnes de découverte qui commencent par les prédictions structurelles d'AlphaFold 3, valident les candidats de manière computationnelle en utilisant la géométrie de liaison prédite, et ne procèdent à la synthèse que pour les molécules les mieux classées. Cela inverse le flux de travail traditionnel, qui génère des milliers de composés chimiques et les teste expérimentalement avant tout filtrage computationnel.

Les implications en termes de temps et de coût sont significatives. La découverte précoce de médicaments traditionnelle — identifier une cible prometteuse et obtenir un candidat clinique — prend généralement cinq à sept ans et coûte des centaines de millions de dollars. Les premiers utilisateurs des pipelines intégrés à AlphaFold rapportent une compression des délais précoces de 30 à 50 pour cent. Cela ne change pas les exigences des essais cliniques de Phase 2 et Phase 3, mais accélère le moment où un composé entre en essai, ce qui modifie l'économie de l'ensemble du programme.

L'AlphaProteo de Google va plus loin

En septembre 2024, DeepMind a publié AlphaProteo — un système de suivi qui ne se contente pas de prédire comment les protéines se lient aux ligands, mais conçoit de nouveaux liants protéiques pour des cibles spécifiées à partir de zéro. Le système a généré des liants protéiques pour des marqueurs du cancer et des récepteurs liés au diabète avec une affinité de liaison dépassant les candidats médicamenteux existants dans plusieurs cas de test.

AlphaProteo représente un changement qualitatif : plutôt que de travailler avec des médicaments à petites molécules dérivés de la chimie, il permet la conception de médicaments biologiques pilotée par l'ingénierie computationnelle des protéines. Les produits biologiques ont historiquement nécessité des processus d'évolution en laboratoire laborieux (cycles itératifs de mutation et de sélection) pour améliorer l'affinité de liaison. AlphaProteo peut proposer des liants à haute affinité de manière computationnelle, réduisant le travail en laboratoire humide à la validation plutôt qu'à la découverte.

La question de la FDA

La FDA n'a pas encore approuvé un médicament où l'IA était l'agent de conception principal. Plusieurs médicaments développés avec des outils de découverte assistés par IA sont en essais de stade avancé. La voie réglementaire pour les médicaments conçus par IA est activement développée ; la FDA a publié des lignes directrices sur l'IA dans la fabrication de médicaments et organise des réunions de pré-soumission avec les entreprises qui souhaitent inclure une documentation de conception IA dans leurs demandes de nouveaux médicaments expérimentaux (IND).

Le premier médicament approuvé avec une contribution significative de l'IA à la conception moléculaire est attendu dans les deux à trois prochaines années, sur la base des délais cliniques actuels. Les revendications de 'premier médicament IA' seront contestées — la définition de 'conçu par IA' est vraiment floue quand l'IA assiste la découverte mais que les humains prennent les décisions clés de conception. Ce qui est clair, c'est qu'aucun médicament arrivant sur le marché aujourd'hui n'a été possible sans outils d'IA dans le pipeline de découverte.

L'infrastructure de données derrière la percée

L'impact d'AlphaFold sur le domaine va au-delà de ses prédictions. DeepMind a publié la base de données complète des structures protéiques AlphaFold en 2022, fournissant des structures prédites pour pratiquement chaque protéine connue — environ 200 millions de structures. Avant AlphaFold, la Protein Data Bank contenait environ 170 000 structures déterminées expérimentalement accumulées sur 50 ans.

Cette disponibilité des données a permis une vague secondaire d'applications IA : prédiction de sites de liaison, criblage de toxicité hors cible, prédiction des propriétés ADMET (absorption, distribution, métabolisme, excrétion, toxicité). Chacune de ces étapes nécessitait historiquement des tests expérimentaux coûteux ; un criblage computationnel utilisant les structures d'AlphaFold peut désormais filtrer les candidats avant synthèse. L'effet est une accélération cumulative où chaque étape du pipeline devient plus rapide simultanément.

Ce qui vient après AlphaFold

La frontière actuelle n'est pas une meilleure prédiction de structure — AlphaFold 3 est déjà proche de la limite de ce que les méthodes expérimentales peuvent valider. La frontière est la dynamique : modéliser comment les protéines bougent, fléchissent et changent de conformation lorsqu'elles lient un médicament. La fonction des protéines est souvent dictée par le changement conformationnel plutôt que par la structure statique, et les modèles actuels représentent encore les protéines comme des instantanés statiques.

Plusieurs groupes académiques et startups travaillent sur des modèles de dynamique moléculaire entraînés sur de grands ensembles de données de simulation, dans le but de capturer le comportement dépendant du temps que la prédiction de structure statique manque. Lorsque ces systèmes arriveront à maturité, la conception de médicaments passera de 'trouver une molécule qui s'adapte à cette poche' à 'trouver une molécule qui fait basculer cette protéine entre deux états' — un problème de conception fondamentalement différent et plus complet. AlphaFold a rendu la version statique traitable. La version dynamique est le défi de la prochaine décennie.