Découverte de médicaments et design moléculaire pilotés par l'IA

# Découverte de médicaments et design moléculaire pilotés par l'IA

Le problème qui occupait autrefois une carrière entière

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

En 2020, AlphaFold de DeepMind a prédit des structures avec une précision quasi expérimentale lors d'une compétition publique appelée CASP. En 2022, DeepMind et l'EMBL avaient publié 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.

C'est le cœur de cette leçon : là où l'IA compresse réellement les délais de la 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 des étapes successives. Deux d'entre elles, en amont, comptent le plus ici :

• Identification de la cible : trouver une molécule biologique (le plus souvent 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 abîmer les tissus sains, et qui peut réellement être fabriquée.

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

Ce qu'AlphaFold change

Pour concevoir un médicament qui s'ajuste à une protéine, il faut connaître la forme de cette protéine. AlphaFold fournit une structure de départ crcrLe pourcentage de visiteurs ou de prospects qui réalisent une action attendue (achat, inscription, formulaire de contact), calculé en divisant les conversions par le nombre total d'opportunités.Voir la définition complète →édible en quelques heures au lieu de plusieurs années.

Impact concret :

• Les cibles « undruggable » 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.
• Le design structure-based démarre dès le premier jour. Les chimistes peuvent commencer immédiatement à docker des molécules candidates dans une poche de liaison prédite.

AlphaFold3, publié en 2024, est allé plus loin : il prédit comment les protéines interagissent avec d'autres molécules, dont l'ADN, l'ARN et les médicaments de type petite molécule (appelés ligands). L'outil passe de « voici la protéine » à « voici la protéine avec votre candidat médicament logé dedans ».

Le piège : une prédiction n'est pas une expérience

Une structure prédite est une hypothèse. Deux modes d'échec comptent pour qui évalue ce genre d'annonces :

1. Des instantanés statiques. Les protéines bougent. AlphaFold donne en général 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 rapporte 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. Faire confiance à une poche à faible confiance est une erreur de débutant classique.

En résumé : AlphaFold accélère le *démarrage* du design structure-based. Il ne remplace pas la paillasse qui confirme la structure et la liaison.

Chimie générative : concevoir la molécule elle-même

Une fois la poche cible connue, il faut des molécules pour la remplir. Approche traditionnelle : cribler d'immenses bibliothèques physiques ou virtuelles de composés existants. Approche générative : faire *inventer* au modèle de nouvelles molécules ciblant 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 manière courante de représenter les molécules pour un modèle est le SMILES, une chaîne de texte qui encode la structure chimique. Par exemple, l'aspirine s'écrit ainsi :

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 et classent ensuite.

Ce que cela compresse

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

Des sociétés comme Insilico Medicine et Recursion ont annoncé publiquement des candidats issus de l'IA entrés en essais cliniques, ce qui constitue un vrai jalon. Notez la réserve honnête : atteindre un essai prouve que 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 → 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 de portée de l'IA.

Les deux murs : synthétisabilité et affinité de liaison

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

Mur 1 : la synthétisabilité

Un modèle peut dessiner une superbe 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 essayer.

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 aujourd'hui les contraintes de synthétisabilité directement dans la génération, en pénalisant les molécules que le modèle ne peut pas plausiblement construire. Cela aide sans régler 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 exprimée par une valeur comme l'IC50 ou le 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 mobile. 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 grosses conséquences. Une erreur de quelques kilocalories par mole sur l'énergie de liaison prédite peut faire la différence entre un médicament prometteur et un composé inutile.
• Le biais des données. Les modèles apprennent sur des données de liaison publiées, biaisées vers les composés qui ont fonctionné. Ils voient peu d'exemples propres d'échecs de peu, 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 pré-vérifiée.

À quoi ressemble vraiment 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 « design, make, test, analyze » existait avant l'IA. Ce que l'IA change, c'est la *taille et la vitesse* de l'étape de design et la qualité de la priorisation : les chimistes synthétisent moins de candidats, mais de 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 n'a jamais touché un bécher. Il vous faut toujours des chimistes expérimentés et une paillasse pour décider de ce qui est réel.

Ce que cela signifie pour le business

• Le goulot d'étranglement se déplace. Quand la génération d'idées devient bon marché, la contrainte se déplace vers le débit du laboratoire et 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 la barrière à l'entrée. 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 compressent en amont, pas en aval. L'IA peut réduire le travail target-to-lead de plusieurs années à quelques mois. Elle change peu de chose aux essais cliniques, qui dominent le coût et le temps. Méfiez-vous de toute affirmation selon laquelle l'IA écrase 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 jusque-là « undruggable », mais les prédictions restent des hypothèses statiques à confirmer au laboratoire, surtout dans les régions flexibles et à faible confiance.
• Les modèles de chimie générative inventent de nouvelles molécules candidates en quelques minutes et optimisent plusieurs propriétés à la fois, compressant fortement la phase d'idéation de la découverte.
• Les deux murs persistants sont la synthétisabilité (peut-on réellement la fabriquer ?) et l'affinité de liaison (adhérera-t-elle assez fort ?), qui exigent toujours synthèse et assays en laboratoire pour être vérifiés.
• Le vrai workflow est une boucle rapide design-make-test-analyze, 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 compresse les phases amont, pas les essais cliniques. Atteindre un essai avec une molécule conçue par IA est un jalon, pas la preuve d'un chemin plus court vers un médicament approuvé.