AlphaFold 3 ouvert aux chercheurs — voici ce qu'une année d'accès a réellement produit
Lorsque DeepMind a publié AlphaFold 2 en 2020, il a résolu un grand défi vieux de 50 ans en biologie : prédire comment une protéine se replie à partir de sa séquence d'acides aminés en une structure tridimensionnelle. La réaction de la communauté scientifique a été presque unanime — c'était l'un des outils biologiques les plus significatifs jamais créés. En deux ans, AlphaFold a prédit les structures de plus de 200 millions de protéines, essentiellement l'ensemble de l'univers protéique connu, et les a rendues librement accessibles via la base de données de l'Institut européen de bioinformatique.
AlphaFold 3, publié en 2024, est allé plus loin. Il peut prédire non seulement les structures protéiques, mais aussi les structures de complexes protéiques — des protéines interagissant simultanément avec l'ADN, l'ARN, des ligands et de petites molécules médicamenteuses. C'est la capacité qu'attendait la découverte de médicaments : prédire non seulement à quoi ressemble une protéine, mais comment elle interagit avec des thérapies potentielles à résolution atomique.
Ce qu'AlphaFold 3 prédit réellement
La mise à niveau critique d'AlphaFold 3 est sa capacité à modéliser les interactions moléculaires plutôt que des structures isolées. Une molécule médicamenteuse fonctionne en se liant à une cible protéique spécifique — généralement en s'insérant dans une poche de la structure de la protéine d'une manière qui l'active ou l'inhibe. Prédire cette interaction de liaison avec précision nécessite de modéliser les changements conformationnels que subissent à la fois la protéine et la molécule médicamenteuse lorsqu'elles se rencontrent.
AlphaFold 3 utilise une architecture basée sur la diffusion (similaire aux modèles derrière la génération d'images) plutôt que l'approche basée sur le Transformer d'AlphaFold 2, ce qui lui permet de gérer des entrées moléculaires hétérogènes — mélanger protéines, acides nucléiques et petites molécules en une seule prédiction. Les benchmarks publiés au lancement ont montré qu'il surpassait les outils de docking spécialisés dans les tâches de prédiction protéine-ligand, ce qui a attiré l'attention des équipes de découverte de médicaments.
Ce que les chercheurs en ont fait
L'application la plus immédiate a été le criblage virtuel : utiliser AlphaFold 3 pour prédire comment des milliers ou des millions de molécules médicamenteuses candidates se lient à une protéine cible, puis filtrer les plus prometteuses avant de réaliser des expériences physiques. Cela compresse ce qui était autrefois un processus d'identification de hits de plusieurs années en semaines. Plusieurs laboratoires académiques ont publié des préprints décrivant de nouveaux candidats de liaison pour des cibles difficiles — y compris des protéines auparavant « non médicamenteuses » avec des poches de liaison peu profondes ou cachées — qui ont été identifiées entièrement par criblage computationnel guidé par AlphaFold 3.
La conception d'anticorps a été une autre application à haute valeur ajoutée. Prédire comment un anticorps se lie à son antigène — et concevoir des variants d'anticorps qui se lient plus fortement ou plus spécifiquement — est désormais significativement plus rapide avec AlphaFold 3 qu'avec les outils computationnels précédents. Isomorphic Labs, la spin-off de découverte de médicaments de DeepMind, a révélé que plusieurs programmes dans son pipeline ont été conçus avec l'aide d'AlphaFold 3, bien que les données cliniques ne seront pas disponibles avant des années.
L'ingénierie enzymatique a produit certains des résultats concrets les plus rapides. Des chercheurs de plusieurs groupes académiques ont utilisé AlphaFold 3 pour concevoir de nouveaux variants d'enzymes qui réalisent des réactions non trouvées dans la nature — décomposer des polymères plastiques spécifiques, synthétiser des analogues complexes de produits naturels et catalyser des réactions avec une sélectivité améliorée. L'avantage de vitesse est dramatique : les cycles de conception computationnelle qui prenaient auparavant des mois prennent désormais des jours.
Ce qu'il ne peut toujours pas faire
Les prédictions d'AlphaFold 3 sont statiques. Il prédit la structure de plus basse énergie d'un complexe, pas la dynamique de la façon dont les molécules se déplacent et fléchissent au fil du temps. Le mouvement des protéines — les changements conformationnels qui régissent la façon dont les médicaments entrent dans les poches de liaison, comment les signaux allostériques se propagent, comment les enzymes s'ouvrent et se ferment — nécessite une simulation de dynamique moléculaire, qu'AlphaFold ne remplace pas. De nombreux échecs de médicaments surviennent parce qu'un composé se lie à la structure statique prédite mais se comporte différemment dans le contexte dynamique physiologique. L'intégration des prédictions d'AlphaFold 3 avec la simulation de dynamique moléculaire est un domaine de développement actif.
La précision n'est pas non plus uniforme. AlphaFold 3 fonctionne significativement mieux sur certaines classes de cibles que sur d'autres. Les récepteurs couplés aux protéines G (GPCR) — la classe la plus courante de cibles médicamenteuses — restent difficiles car leur flexibilité conformationnelle n'est pas entièrement capturée. Les protéines intrinsèquement désordonnées, qui manquent de structures tridimensionnelles stables dans des conditions physiologiques, sont par définition résistantes à la prédiction de structure. Et la précision des prédictions protéine-ligand, bien que meilleure que les outils précédents, produit encore des faux positifs qui nécessitent une validation physique pour être éliminés.
La question de l'accès
L'un des aspects les plus compliqués du déploiement d'AlphaFold 3 a été la politique d'accès. Le serveur AlphaFold est gratuit pour la recherche académique non commerciale, mais les poids du modèle — qui permettraient aux chercheurs d'exécuter AlphaFold 3 localement et de l'intégrer dans des pipelines automatisés — ont d'abord été retenus par DeepMind, invoquant des préoccupations commerciales. Cela a suscité une opposition significative de la part de la communauté scientifique, qui avait célébré la publication ouverte d'AlphaFold 2.
DeepMind a ensuite publié les poids du modèle sous une licence qui permet une utilisation en recherche non commerciale et un déploiement local, tout en restreignant l'utilisation commerciale. C'est un terrain d'entente qui satisfait la plupart des chercheurs académiques mais continue de susciter des critiques de la part des défenseurs de la science ouverte, qui notent que la formation fondamentale d'AlphaFold s'est appuyée sur des décennies de données de biologie structurale financées par des fonds publics.
L'impact pratique sur les calendriers de découverte de médicaments est réel et mesurable — pas dans le cadre de la « guérison du cancer demain » qui a accompagné la couverture précoce, mais dans une compression authentique des phases d'identification de hits et d'optimisation des leads qui représentent historiquement des années de travail préclinique. Ce qu'AlphaFold 3 achète n'est pas la certitude, mais un point de départ considérablement meilleur — et dans la découverte de médicaments, un meilleur point de départ vaut énormément.