AlphaFold 3 a ouvert les vannes. Place à la course pour le premier médicament conçu par IA approuvé par la FDA.

Quand DeepMind a publié AlphaFold 2 en 2020, il résolvait 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 salué comme l'un des outils de recherche les plus importants jamais créés. Puis DeepMind a lancé AlphaFold 3 en mai 2024, et la donne a complètement changé.

AlphaFold 3 ne se contente pas de prédire les structures protéiques. Il modélise les interactions protéine-ligand, les complexes protéine-ADN, protéine-ARN, et la liaison anticorps-cible — le tout 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 fixer à la bonne conformation d'une protéine, en présence de molécules concurrentes, sans toucher à des cibles non désirées qui provoquent des effets secondaires. AlphaFold 3 modélise ce contexte moléculaire complet. Sa précision sur la prédiction des liaisons anticorps-cible s'est améliorée de 50 % par rapport aux méthodes précédentes.

De la prédiction au Pipeline

Plusieurs entreprises pharmaceutiques ont intégré des cibles conçues par AlphaFold dans des programmes cliniques actifs. Moderna, GSK et de nombreuses biotechs mènent des campagnes de découverte qui commencent par les prédictions structurales d'AlphaFold 3, valident les candidats par calcul en utilisant la géométrie de liaison prédite, et ne passent à la synthèse que pour les molécules les mieux classées. Cela inverse le workflow 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 considérables. La découverte précoce de médicaments traditionnelle — identifier une cible prometteuse et arriver à un candidat clinique — prend généralement cinq à sept ans et coûte des centaines de millions de dollars. Les premiers utilisateurs des pipelines intégrant AlphaFold rapportent une compression des délais précoces de 30 à 50 %. Cela ne change pas les exigences des essais cliniques de phase 2 et 3, mais cela accélère le moment où un composé entre en essai, ce qui modifie l'économie de l'ensemble du programme.

L'AlphaProteo de Google va encore plus loin

En septembre 2024, DeepMind a dévoilé AlphaProteo — un système qui ne se contente pas de prédire comment les protéines se lient aux ligands, mais conçoit de toutes pièces de nouveaux liants protéiques pour des cibles spécifiées. Le système a généré des liants protéiques pour des marqueurs de cancer et des récepteurs liés au diabète, avec une affinité de liaison supérieure à celle de candidats médicaments existants dans plusieurs cas de test. AlphaProteo représente un changement qualitatif : plutôt que de travailler avec des petites molécules issues de la chimie, il permet la conception de médicaments biologiques pilotée par l'ingénierie computationnelle des protéines. Les biomédicaments nécessitaient historiquement des processus évolutifs de laboratoire laborieux (cycles itératifs de mutation et de sélection) pour améliorer l'affinité de liaison. AlphaProteo peut proposer des liants à haute affinité par calcul, réduisant le travail humide à une validation plutôt qu'à une découverte.

La question de la FDA

La FDA n'a pas encore approuvé de médicament où l'IA était l'agent de conception principal. Plusieurs médicaments développés avec des outils de découverte assistés par IA sont en essais avancés. La voie réglementaire pour les médicaments conçus par IA est en cours d'élaboration ; la FDA a publié des directives sur l'IA dans la fabrication de médicaments et tient des réunions de pré-soumission avec les entreprises qui souhaitent inclure la documentation de conception par IA dans leurs demandes de nouveau médicament expérimental. 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 affirmations concernant le 'premier médicament IA' seront contestées — la définition de 'conçu par IA' est vraiment floue lorsque l'IA assiste la découverte mais que les humains prennent les décisions clés. Ce qui est clair, c'est qu'aucun médicament arrivant sur le marché aujourd'hui n'était possible sans outils d'IA dans le pipeline de découverte.

L'infrastructure de données derrière la percée

L'impact d'AlphaFold sur le domaine dépasse ses prédictions. DeepMind a publié l'intégralité de la base de données de structures protéiques AlphaFold en 2022, fournissant des structures prédites pour pratiquement toutes les protéines connues — environ 200 millions de structures. Avant AlphaFold, la Protein Data Bank contenait environ 170 000 structures déterminées expérimentalement accumulées en 50 ans. Cette disponibilité des données a permis une deuxième vague d'applications IA : prédiction de sites de liaison, criblage des risques de cibles non désirées, prédiction des propriétés ADMET (absorption, distribution, métabolisme, excrétion, toxicité). Chacune de ces étapes nécessitait historiquement des essais expérimentaux coûteux ; le criblage computationnel utilisant les structures d'AlphaFold peut désormais filtrer les candidats avant synthèse. L'effet est une accélération composée où chaque étape du pipeline devient plus rapide simultanément.

Après AlphaFold, quelle suite ?

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, c'est la dynamique : modéliser comment les protéines bougent, fléchissent et changent de conformation lorsqu'elles se lient à un médicament. La fonction des protéines est souvent dictée par les changements conformationnels plutôt que par la structure statique, et les modèles actuels représentent encore les protéines comme des instantanés figés. 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 temporel que la prédiction de structure statique rate. Quand ces systèmes mûriront, 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.