Biotech & MedTech · Découverte et conception moléculaire pilotées par l'IA

Le problème qui occupait une carrière entière

En 1972, Christian Anfinsen reçoit le prix Nobel pour avoir montré que la séquence d'acides aminés d'une protéine détermine sa forme en 3D. C'est le début d'une énigme de 50 ans, le « problème du repliement des protéines » : à partir d'une séquence, peut-on prédire le repliement ? Des laboratoires ont consacré des années et de petites fortunes à la cristallographie aux rayons X pour résoudre une seule structure.

En 2020, AlphaFold de DeepMind prédit des structures avec une précision proche de l'expérimental lors d'une compétition publique appelée CASP. En 2022, DeepMind et l'EMBL publient les structures prédites de presque toutes les protéines connues, environ 200 millions, dans une base de données publique gratuite. Une tâche qui définissait des carrières est devenue une simple requête.

Ce basculement est au cœur de cette leçon : là où l'IA comprime réellement les délais de découverte de médicaments, et là où elle vous laisse en plan.

Le pipelinepipelineL'ensemble des opportunités commerciales actives réparties selon les étapes du processus de vente, avec leur valeur potentielle cumulée et leur probabilité de conclusion.Voir la définition complète → de découverte de médicaments, en clair

Amener un médicament sur le marché passe par plusieurs grandes étapes. Deux d'entre elles, en amont, nous intéressent ici :

• Identification de la cible : trouver une molécule biologique (généralement une protéine) dont la modulation traite une maladie. Exemple : une enzyme kinase suractivée dans un cancer.
• Optimisation du lead : concevoir une petite molécule (un « composé lead ») qui se lie bien à cette cible, sans endommager les tissus sains, et qui puisse réellement être fabriquée.

Historiquement, ces deux étapes seules pouvaient prendre trois à cinq ans et consommer des dizaines de milliers de composés synthétisés. L'IA s'attaque aux deux.

Là où AlphaFold change la donne

Pour concevoir un médicament qui s'ajuste à une protéine, il faut connaître la forme de cette protéine. AlphaFold vous donne une structure de départ crédible en quelques heures au lieu de plusieurs années.

Impact concret :

• Les cibles « non druggables » redeviennent examinables. Beaucoup de protéines liées à des maladies n'avaient jamais été cristallisées, donc les chercheurs les ignoraient. Les structures prédites en remettent des milliers sur la table.
• La conception structure-based démarre au jour un. Les chimistes peuvent immédiatement commencer le docking de molécules candidates dans une poche de liaison prédite.

AlphaFold3, publié en 2024, va plus loin : il prédit la façon dont les protéines interagissent avec d'autres molécules, dont l'ADN, l'ARN et les médicaments à petites molécules (appelés ligands). L'outil passe de « voici la protéine » à « voici la protéine avec votre candidat-médicament installé dedans ».

Le hic : une prédiction n'est pas une expérience

Une structure prédite est une hypothèse. Deux modes de défaillance comptent pour les professionnels qui évaluent ces promesses :

1. Des instantanés statiques. Les protéines bougent. AlphaFold donne généralement une conformation dominante, alors que la liaison d'un médicament dépend souvent d'états « ouverts » rares ou de boucles flexibles que le modèle peut manquer.
2. Une confiance inégale. AlphaFold fournit un score de confiance par résidu (pLDDT). Les régions à faible confiance, souvent les parties molles, sont précisément celles où la liaison se produit parfois. Se fier à une poche à faible confiance est une erreur de débutant courante.

En résumé : AlphaFold accélère le *démarrage* de la conception structure-based. Il ne remplace pas le wet lab qui confirme la structure et la liaison.

Chimie générative : concevoir la molécule elle-même

Une fois la poche de la cible connue, il faut des molécules pour la remplir. Approche traditionnelle : cribler d'immenses bibliothèques physiques ou virtuelles de composés existants. Approche générative : **demander à un modèle d'*inventer* de nouvelles molécules visant votre poche**.

Ces modèles apprennent la « grammaire » de la chimie médicamenteuse à partir de millions de molécules connues, puis génèrent des candidats inédits conditionnés par des objectifs : se lier à cette cible, rester soluble, éviter les signaux de toxicité.

Une façon courante de représenter les molécules pour un modèle est le SMILES, une chaîne de texte qui encode une structure chimique. Par exemple, l'aspirine s'écrit :

CC(=O)OC1=CC=CC=C1C(=O)O

Un modèle génératif peut produire des milliers de chaînes de ce type, chacune correspondant à une molécule proposée, que les chimistes filtrent puis classent.

Ce que cela comprime

• La génération d'idées passe de semaines à minutes. Un modèle peut proposer des dizaines de milliers de structures candidates en une nuit.
• L'optimisation multi-objectifs. Les modèles peuvent être orientés vers plusieurs propriétés à la fois (puissance, solubilité, stabilité métabolique), un exercice d'équilibre qui demandait auparavant de nombreux cycles de conception manuels.

Des entreprises comme Insilico Medicine et Recursion ont publiquement annoncé des candidats issus de l'IA entrés en essais cliniques, ce qui constitue une véritable étape. Notez la réserve honnête : atteindre un essai prouve que le pipeline peut produire une molécule testable, pas que l'IA raccourcit tout le chemin jusqu'à un médicament approuvé. Les essais cliniques restent longs, coûteux et largement hors du contrôle de l'IA.

Les deux murs : synthétisabilité et affinité de liaison

C'est ici que le hype rencontre la paillasse. Les modèles génératifs échouent régulièrement sur deux fronts.

Mur 1 : la synthétisabilité

Un modèle peut dessiner une magnifique molécule qu'aucun chimiste ne sait fabriquer, ou seulement en 30 étapes coûteuses. Le modèle a optimisé une forme, pas une voie pour la construire.

Le domaine mesure cela avec des scores d'accessibilité synthétique (SA) et, de plus en plus, avec des modèles de rétrosynthèse qui tentent de planifier une recette étape par étape à partir de produits de départ achetables. Des outils comme IBM RXN for Chemistry prédisent réactions et voies de synthèse et sont gratuits à l'essai.

Mais la prédiction rétrosynthétique est elle-même imparfaite. Une voie proposée peut échouer parce qu'une réaction qui fonctionne sur le papier ne fonctionne pas sur votre molécule précise, ou parce qu'un réactif est indisponible. Les équipes intègrent désormais les contraintes de synthétisabilité directement dans la génération, en pénalisant les molécules que le modèle ne peut pas plausiblement construire. Cela aide, sans résoudre complètement le problème.

Mur 2 : l'affinité de liaison

L'affinité de liaison mesure la force avec laquelle une molécule adhère à sa cible, souvent rapportée sous forme d'IC50 ou de Kd (plus la valeur est basse, plus la liaison est forte). La prédire précisément à partir de la seule structure reste difficile.

Pourquoi cela reste difficile :

• L'eau et l'entropie. La liaison se produit dans un environnement humide et fluctuant. Déplacer des molécules d'eau et tenir compte de la flexibilité relève d'une physique que les fonctions de scoring rapides de l'IA approximent grossièrement.
• De petites erreurs, de grandes conséquences. Une erreur de quelques kilocalories par mole sur l'énergie de liaison prédite peut faire la différence entre un médicament prometteur et un candidat inutile.
• Le biais des données. Les modèles apprennent sur des données de liaison publiées, qui privilégient les composés ayant fonctionné. Ils voient moins d'exemples propres d'échecs de justesse, donc ils surestiment le succès.

Résultat pratique : l'IA propose et classe, mais vous devez toujours synthétiser les meilleurs candidats et mesurer la liaison dans un assay (un test de laboratoire). L'IA réduit la botte de foin ; elle ne vous tend pas l'aiguille déjà vérifiée.

Comment fonctionne réellement une boucle de découverte moderne

Le workflow mature de 2026 n'est pas « l'IA remplace les scientifiques ». C'est une boucle serrée :

1. Prédire la structure de la cible (AlphaFold ou une structure expérimentale).
2. Générer des molécules candidates avec un modèle génératif, sous contrainte de synthétisabilité.
3. Scorer les candidats par docking et prédicteurs d'affinité ; les classer.
4. Synthétiser un sous-ensemble restreint et bien choisi au laboratoire.
5. Tester leur liaison réelle et leur toxicité précoce.
6. Réinjecter les résultats pour réentraîner ou fine-tuner les modèles.

Ce cycle « concevoir, fabriquer, tester, analyser » existait avant l'IA. Ce que l'IA change, c'est la *taille et la vitesse* de l'étape de conception et la qualité de la priorisation : les chimistes synthétisent moins de candidats, mais meilleurs.

Un modèle mental utile pour les dirigeants non techniques : l'IA est un stagiaire très rapide et très cultivé, qui propose des milliers d'idées et les classe de façon plausible, mais qui n'a jamais touché un bécher. Il vous faut toujours des chimistes expérimentés et un wet lab pour décider ce qui est réel.

Ce que cela signifie pour l'activité

• Le goulot d'étranglement se déplace. Quand la génération d'idées devient bon marché, la contrainte passe au débit du laboratoire et à la qualité des assays. Les entreprises qui investissent dans des laboratoires automatisés à haut débit (parfois appelés « self-driving labs ») se marient bien avec les modèles génératifs.
• La donnée devient le moat. Les modèles publics sont largement accessibles. L'avantage vient des données d'assay propriétaires utilisées pour fine-tuner et valider les prédictions sur vos cibles spécifiques.
• Les délais se compriment à l'avant, pas à l'arrière. L'IA peut réduire le travail de la cible au lead de plusieurs années à quelques mois. Elle fait peu pour les essais cliniques, qui dominent coût et durée. Méfiez-vous de toute affirmation selon laquelle l'IA taille dans le time-to-market total.

Points clés

• AlphaFold a transformé la structure protéique, d'une expérience de plusieurs années en une prédiction rapide, rouvrant des cibles jusqu'ici « non druggables », mais les prédictions sont des hypothèses statiques qui exigent une confirmation en laboratoire, surtout dans les régions à faible confiance et flexibles.
• Les modèles de chimie générative inventent de nouvelles molécules candidates en quelques minutes et optimisent plusieurs propriétés à la fois, comprimant radicalement l'étape des idées.
• Les deux murs persistants sont la synthétisabilité (sait-on réellement la fabriquer ?) et l'affinité de liaison (adhérera-t-elle assez fortement ?), qui exigent tous deux synthèse et assays en wet lab pour être vérifiés.
• Le vrai workflow est une boucle rapide concevoir-fabriquer-tester-analyser, où l'IA réduit la botte de foin et les scientifiques trouvent l'aiguille ; l'avantage durable vient des données d'assay propriétaires, pas des modèles eux-mêmes.
• L'IA comprime les phases amont, pas les essais cliniques. Atteindre un essai avec une molécule conçue par IA est une étape, pas la preuve d'un chemin plus court vers un médicament approuvé.