L'IA a trouvé une vulnérabilité commune à tous les coronavirus — et l'a transformée en candidat vaccin

Au printemps 2026, une équipe de recherche de l'Université de Cambridge a annoncé les résultats d'un essai clinique de Phase I d'un vaccin pan-coronavirus expérimental — un candidat conçu non pas pour cibler une souche spécifique de SARS-CoV-2, mais pour produire une réponse immunitaire contre une caractéristique structurelle partagée par tous les coronavirus connus. L'essai a recruté 96 adultes sains au Royaume-Uni et a été principalement conçu pour évaluer la sécurité et le dosage optimal. Il n'a pas été conçu pour mesurer la protection contre l'infection. Cette distinction est importante, et c'est là que la plupart des premiers reportages ont été imprécis.

Le candidat a atteint son critère d'évaluation principal : aucun événement indésirable grave n'a été enregistré, et tous les participants ont généré des réponses anticorps mesurables contre l'antigène cible. Les données de Phase I ne nous disent pas si ces anticorps préviendront la maladie dans le monde réel. Ce qu'elles établissent, c'est que le vaccin est suffisamment sûr pour passer à des essais plus vastes — et que le processus de conception piloté par l'IA a produit un antigène que le système immunitaire humain peut reconnaître et auquel il peut répondre.

Le problème des vaccins spécifiques à une souche

Tous les vaccins COVID-19 approuvés actuellement utilisés ciblent la protéine de spicule du SARS-CoV-2 — plus précisément le domaine de liaison au récepteur (RBD), la région que le virus utilise pour entrer dans les cellules humaines. C'était un choix de conception judicieux : la protéine de spicule est hautement immunogène et le RBD est essentiel à l'infection. Le problème est que la protéine de spicule mute rapidement. Les variants qui ont entraîné des vagues successives — Alpha, Delta, Omicron et ses descendants — portaient tous des mutations dans le RBD qui échappaient partiellement à l'immunité conférée par les vaccins antérieurs ou une infection antérieure. Les fabricants ont mis à jour à plusieurs reprises les séquences des vaccins pour suivre la souche dominante en circulation, dans un processus qui ressemble à la mise à jour annuelle du vaccin contre la grippe.

Le problème plus profond est que la famille des coronavirus est vaste. Le SARS-CoV-2 est l'un des sept coronavirus connus pour infecter les humains. Le MERS-CoV, qui cause le syndrome respiratoire du Moyen-Orient, a un taux de létalité d'environ 35 pour cent et circule dans les populations de chameaux dans toute la péninsule arabique et certaines parties de l'Afrique. Il existe des centaines de coronavirus de chauve-souris, dont plusieurs ont déjà démontré la capacité d'infecter des cellules humaines en laboratoire. Un vaccin spécifique à une souche contre le SARS-CoV-2 n'offre aucune protection croisée contre aucun de ces virus.

Comment l'IA a été utilisée dans le processus de conception

L'approche de l'équipe de Cambridge a commencé par une question à laquelle les recherches précédentes sur les vaccins n'avaient pas pu répondre de manière computationnelle à grande échelle : dans toute la diversité des coronavirus, existe-t-il des régions structurelles qui ne changent pas — et si oui, peut-on concevoir un antigène pour que le système immunitaire attaque exactement ces régions ?

Trois méthodes d'IA ont été appliquées en séquence.

AlphaFold pour la prédiction structurelle. L'équipe a utilisé AlphaFold 3 pour prédire la structure tridimensionnelle de protéines de dizaines de souches de coronavirus — y compris des souches pour lesquelles aucune structure cristalline expérimentale n'existait. La capacité d'AlphaFold à prédire le repliement des protéines à partir de la seule séquence d'acides aminés signifiait que les régions structurellement conservées pouvaient être identifiées sans les années de travail de laboratoire humide auparavant nécessaires pour déterminer expérimentalement chaque structure. Les chercheurs ont identifié un segment du peptide de fusion — une région que le virus utilise pour fusionner sa membrane avec celle d'une cellule hôte — qui maintenait une géométrie presque identique dans tous les coronavirus analysés.

Cartographie des épitopes basée sur le ML. Des modèles de Machine Learning entraînés sur des bases de données d'immunogénicité ont été utilisés pour identifier les sous-régions du segment structurel conservé les plus susceptibles d'être reconnues par les lymphocytes T et B humains — les composants de l'immunité adaptative responsables d'une protection durable. Cette étape a filtré les régions conservées qui, bien que structurellement stables, étaient peu susceptibles de générer une réponse immunitaire robuste, et a signalé celles les plus susceptibles d'être de véritables épitopes : des cibles moléculaires spécifiques que le système immunitaire peut apprendre à attaquer.

Conception générative d'antigène. Plutôt que d'utiliser la séquence peptidique naturelle comme antigène vaccinal, l'équipe a appliqué un modèle ML génératif pour reconcevoir la surface de l'antigène tout en préservant sa forme tridimensionnelle et les résidus clés de l'épitope. L'objectif était de rendre l'antigène plus immunogène — plus visible pour le système immunitaire — que la séquence virale native, que les coronavirus ont en partie évolué pour dissimuler. Ce processus a produit plusieurs séquences d'antigènes candidates qui ont d'abord été testées sur des modèles murins avant que le candidat principal ne soit sélectionné pour les essais humains.

Ce que signifie "pan-coronavirus" dans la pratique

Un vaccin pan-coronavirus cible des régions conservées — des parties de protéines virales qui ne peuvent pas muter sans détruire la capacité du virus à fonctionner. La région du peptide de fusion sur laquelle l'équipe de Cambridge s'est concentrée est conservée car elle joue un rôle mécaniquement essentiel dans l'infection : elle s'insère dans la membrane de la cellule hôte pour initier la fusion membranaire. Un virus qui muterait cette région perdrait la capacité d'infecter les cellules et ne survivrait pas pour se répliquer. L'évolution a verrouillé cette séquence dans toute la famille des coronavirus, ce qui en fait précisément une cible vaccinale attrayante.

"Pan-coronavirus" ne signifie pas que le vaccin est garanti de fonctionner contre tous les coronavirus dans toutes les situations. Cela signifie que la réponse immunitaire qu'il génère est dirigée contre une cible structurellement présente chez tous les coronavirus connus — donc si cette réponse immunitaire est efficace, elle fournirait en principe une protection croisée dans toute la famille. L'essai de Phase I a confirmé que le système immunitaire monte une réponse contre la cible. Que cette réponse se traduise par une protection clinique contre le SARS-CoV-2, le MERS-CoV ou un éventuel coronavirus zoonotique futur est ce que les essais de Phase II et III sont conçus pour déterminer.

Essai de Phase I : ce qui a été mesuré et ce qui a été trouvé

L'essai britannique a recruté 96 adultes sains âgés de 18 à 65 ans dans trois cohortes de dosage. Les participants ont reçu deux injections intramusculaires à 28 jours d'intervalle. Les critères d'évaluation principaux étaient la sécurité — événements indésirables, anomalies biologiques, tout événement indésirable grave dans les 90 jours — et la réactogénicité : réactions locales au site d'injection et symptômes systémiques tels que fièvre, fatigue et maux de tête. Les critères d'évaluation secondaires mesuraient l'immunogénicité : titres d'anticorps sériques contre l'antigène cible et activité neutralisante contre des modèles de pseudovirus de plusieurs souches de coronavirus.

Les résultats : aucun événement indésirable grave n'a été enregistré dans aucune cohorte. La réactogénicité était comparable à celle d'autres vaccins à sous-unités protéiques — la douleur au site d'injection et la fatigue légère étaient les réactions les plus courantes, disparaissant généralement en 48 heures. Tous les participants ont séroconverti, ce qui signifie que tous ont développé des réponses anticorps détectables. Dans la cohorte à dose la plus élevée, les chercheurs ont observé des anticorps neutralisants à réaction croisée contre des modèles de pseudovirus du SARS-CoV-2 (souche Wuhan et le sous-variant Omicron le plus récent), du SARS-CoV-1 et du MERS-CoV. L'ampleur des réponses neutralisantes était inférieure à celles observées après une infection naturelle par le SARS-CoV-2 ou les vaccins à ARNm actuels, ce que les chercheurs attribuent à une moindre exposition préalable du système immunitaire à ce nouvel antigène cible.

Ce sont des résultats d'immunogénicité prometteurs pour une première étude chez l'humain, mais ce ne sont pas des données d'efficacité. Une réponse anticorps neutralisante dans un test de laboratoire ne se traduit pas automatiquement par une protection clinique. Ce lien doit être démontré dans des essais plus vastes avec des critères d'infection réels.

Le chemin vers l'approbation

Les essais de Phase II, qui devraient commencer fin 2026 en attendant l'examen réglementaire par l'Agence de réglementation des médicaments et des produits de santé du Royaume-Uni (MHRA), recruteront plusieurs centaines de participants dans des groupes d'âge plus larges — y compris les personnes âgées, chez qui les réponses immunitaires diffèrent généralement — et commenceront à évaluer l'immunogénicité contre les souches de coronavirus en circulation dans une population plus large et plus diversifiée. La Phase II étendra également la surveillance de la sécurité sur une période de suivi plus longue.

La Phase III — l'essai d'efficacité pivot — nécessiterait des dizaines de milliers de participants et suffisamment de coronavirus en circulation pour mesurer la protection contre l'infection ou la maladie grave. Les exigences statistiques d'un essai de Phase III signifient qu'il est peu probable qu'il soit achevé avant 2029 dans un scénario optimiste. L'approbation réglementaire par la FDA, l'EMA ou la préqualification de l'OMS pour un déploiement mondial suivrait, ajoutant plus de temps. Le défi de la montée en puissance de la fabrication est considérable : le format de sous-unité protéique adjuvante utilisé par l'équipe de Cambridge est plus complexe à produire à grande échelle que les vaccins à ARNm, bien qu'il présente l'avantage de ne pas nécessiter de stockage à très basse température.

L'IA comme infrastructure pour le développement de vaccins

Le projet pan-coronavirus de Cambridge est l'un des plusieurs qui illustrent un changement structurel dans la façon dont les vaccins sont conçus. La publication publique d'AlphaFold en 2021 a supprimé un goulot d'étranglement majeur — la détermination de la structure des protéines — des premières étapes de la conception d'antigènes vaccinaux. Ce qui nécessitait auparavant des années de cristallographie aux rayons X ou de cryo-microscopie électronique peut maintenant être calculé en quelques heures. Cette compression n'accélère pas les essais cliniques, qui sont régis par la biologie et des exigences réglementaires qui ne peuvent être raccourcies. Mais elle réduit considérablement le temps entre "identifier une cible" et "avoir un candidat antigène testable".

Les méthodes de conception générative d'antigènes appliquées dans ce travail sont encore en maturation. Les modèles ont été entraînés principalement sur des données de familles de protéines bien étudiées ; leur fiabilité pour des cibles virales nouvelles dépend de la façon dont ces cibles ressemblent à la distribution d'entraînement. Le domaine débat également de la manière de valider les antigènes générés par l'IA — les tests de laboratoire pour l'immunogénicité sont les mêmes qu'avant, et ils restent le goulot d'étranglement après la phase de conception computationnelle.

Ce qui a changé, c'est l'espace d'hypothèses que les chercheurs peuvent explorer. Une équipe qui évaluait auparavant cinq à dix candidats antigènes avant d'entrer dans les tests précliniques peut maintenant cribler informatiquement des milliers de variantes de conception et amener les meilleures performances au laboratoire. Si même une fraction des candidats obtenus réussissent dans les essais humains au taux que les travaux sur le pan-coronavirus de Cambridge suggèrent comme possible, le pipeline allant de la découverte virale à l'essai de Phase I — qui a pris environ 18 mois pour les premiers vaccins COVID-19 dans des conditions d'urgence — pourrait devenir réalisable en moins d'un an pour les futures menaces pandémiques. Ce n'est pas une garantie que la science tiendra ce calendrier. C'est une raison de suivre de près les résultats de la Phase II.