Les prédictions de liaison protéine-ligand d'AlphaFold 3 sont désormais assez précises pour remplacer le criblage précoce de médicaments

Le benchmark qui a changé la donne

En avril 2026, un consortium de trois groupes de recherche pharmaceutique indépendants a publié une évaluation conjointe des prédictions de liaison protéine-ligand d'AlphaFold 3, comparées à leurs bibliothèques internes de composés. Les résultats, publiés dans Nature Chemical Biology, ont révélé que les affinités de liaison prédites par AF3 présentaient une corrélation avec les valeurs expérimentales d'IC50 selon un coefficient de Pearson de 0,81 sur 1 847 composés testés — contre 0,64 dans l'article original de 2024 sur AF3 et bien au-delà de la moyenne de 0,51 obtenue par les outils de docking de génération précédente comme Glide et AutoDock Vina.

Ce chiffre est crucial, car 0,80 est depuis longtemps considéré, de manière informelle, par les chimistes computationnels comme le seuil à partir duquel un outil prédictif devient véritablement utile pour les décisions de tri — le moment où l'on peut écarter une partie significative du travail expérimental sans augmenter de manière significative le taux de faux négatifs. AlphaFold 3 vient de le franchir à grande échelle.

Ce qu'AlphaFold 3 fait différemment

AlphaFold 2 se concentrait presque exclusivement sur la prédiction de la structure des protéines à partir de leur séquence. AF3 a intégré les interactions covalentes et non covalentes avec les petites molécules, les acides nucléiques, les modifications post-traductionnelles et les ions métalliques dans un modèle de diffusion unifié. Son architecture — un modèle de diffusion conditionné par une représentation en "paires de tokens" de l'ensemble du système moléculaire — lui permet de raisonner sur les poches de liaison non seulement de manière statique, mais aussi en termes de dynamique d'ajustement induit.

L'avancée clé pour la découverte de médicaments réside dans le fait qu'AF3 ne se contente pas d'indiquer où un ligand se lie : il prédit l'énergie libre de liaison avec une résolution suffisante pour classer les composés au sein d'une série. Classer des composés au sein d'une série chimique — savoir que le composé A est probablement 10 fois plus puissant que le composé B avant même de les synthétiser — est une tâche qui a mobilisé des équipes entières de chimie médicinale pendant des décennies. Le criblage à haut débit permettait d'identifier des hits, mais l'optimisation des leads nécessitait des centaines de cycles de synthèse et de tests. AF3 compresse une grande partie de ces cycles en temps de calcul.

Trois façons dont l'industrie pharmaceutique l'utilise dès maintenant

1. Criblage de bibliothèques virtuelles à l'échelle du milliard de composés

Novartis a annoncé en février 2026 avoir criblé 1,2 milliard de composés virtuels contre une cible mutante KRAS G12C en 11 jours, en utilisant les prédictions d'AF3 sur un cluster de 512 GPU H200. Le même criblage avec des méthodes de docking traditionnelles aurait pris six mois et nécessité la synthèse physique et le test d'au moins 500 000 composés pour obtenir des taux de hits comparables. Ils ont identifié 23 nouveaux scaffolds, dont 4 ont progressé vers des essais de confirmation en 60 jours.

2. Profilage de la sélectivité au sein des familles de protéines

L'un des problèmes les plus coûteux en découverte précoce de médicaments est la sélectivité hors cible — un composé qui atteint la cible visée mais inhibe également une kinase ou un RCPG apparenté à des concentrations similaires. La division oncologie de Roche soumet désormais chaque composé lead à des prédictions AF3 contre un panel de 847 protéines humaines avant toute synthèse. Lors d'un essai pilote sur 200 composés historiques, cette approche aurait permis de détecter 68 % des problèmes de sélectivité hors cible qui n'apparaissaient qu'en toxicologie avancée.

3. Identification de poches cryptiques

Certaines des cibles médicamenteuses les plus validées cliniquement — notamment plusieurs facteurs de transcription et interfaces de protéine-protéine — étaient historiquement considérées comme "indruggables" en raison de l'absence de poche de liaison visible dans les structures cristallines. La capacité d'AF3 à modéliser des ensembles conformationnels a révélé des poches transitoires dans plusieurs de ces cibles. Une équipe du Broad Institute a publié en mars 2026 des résultats montrant qu'AF3 avait correctement prédit une poche allostérique cryptique dans l'interface MYC-MAX, une cible impliquée dans plusieurs cancers et résistante à toute intervention par petites molécules depuis 30 ans.

Ce qu'AlphaFold 3 ne remplace pas

AF3 n'est pas un substitut au laboratoire humide. Les affinités de liaison prédites doivent encore être confirmées expérimentalement avant de faire avancer les composés. Le modèle présente des limites connues : il performe mal sur les protéines très flexibles, sur les cibles présentant des effets d'ajustement induit non capturés dans les données d'entraînement, et sur la conception d'inhibiteurs covalents. Les cibles protéiques membranaires — une classe importante et pharmacologiquement pertinente — restent plus difficiles à traiter avec précision.

Les propriétés ADMET (absorption, distribution, métabolisme, excrétion, toxicité) sont totalement en dehors du champ d'application d'AF3. Un composé peut être un ligand parfait et échouer cliniquement en raison d'une pharmacocinétique médiocre ou d'une toxicité hépatique. La prédiction de ces propriétés nécessite des modèles distincts, et le domaine n'a pas encore atteint le même niveau de précision dans ce domaine.

L'impact économique sur les délais de découverte de médicaments

Le processus traditionnel de découverte de médicaments à petites molécules, de l'identification de la cible au dépôt d'une IND, prend environ 4 à 6 ans et coûte entre 300 et 500 millions de dollars. La phase la plus chronophage — l'identification des hits jusqu'à l'optimisation des leads — représente 18 à 30 mois de ce calendrier. Selon une étude de McKinsey dans le domaine des sciences de la vie publiée en mai 2026, le déploiement généralisé d'AF3 pourrait réduire cette phase à 8-14 mois pour les cibles adaptées, diminuant les coûts précliniques de 35 à 45 %.

Il ne s'agit pas d'un gain d'efficacité marginal. C'est la différence entre une biotech disposant d'une levée de fonds de 150 millions de dollars en série B et ayant deux tentatives de découverte de médicaments au lieu d'une. Pour les programmes de maladies rares, où les populations de patients sont restreintes et les retours commerciaux limités, l'économie de la découverte de médicaments évolue suffisamment pour rendre viables des programmes auparavant jugés non rentables.

Points clés à retenir

• Si vous travaillez dans le secteur pharmaceutique ou biotech : L'API d'AF3 (disponible via Google Cloud Life Sciences) est prête pour le criblage virtuel sur des cibles protéiques solubles et globulaires. Intégrez-la avant votre prochaine campagne de criblage à haut débit, pas après.
• Si vous évaluez des plateformes de chimie computationnelle : Comparez AF3 à vos données rétrospectives internes avant d'acheter des licences de logiciels de docking. L'écart de précision s'est considérablement creusé au cours des 18 derniers mois.
• Si vous suivez les investissements en biotech : Les entreprises dont le pipeline repose fortement sur des cibles dotées de structures cristallines connues et de poches de liaison bien définies voient leurs fenêtres de différenciation se réduire — leurs avantages computationnels sont plus courts qu'il y a deux ans.
• À surveiller : Le prochain tournant concerne la prédiction ADMET. Plusieurs groupes entraînent des modèles multimodaux combinant la prédiction structurelle de type AF3 avec des données pharmacocinétiques. Si ce problème est résolu avec un niveau de précision similaire, le calendrier de découverte de 4 à 6 ans pourrait subir une compression structurelle.