AlphaFold 3 élargit l'IA à toute la chimie du vivant

Le 8 mai 2024, Google DeepMind et Isomorphic Labs, deux filiales d'Alphabet, présentent AlphaFold 3, décrit le même jour dans un article de la revue Nature. Trois ans et demi après AlphaFold 2, qui avait appris à une machine à prédire la forme d'une protéine isolée, la nouvelle version franchit un cap différent : elle ne modélise plus seulement la forme d'un objet, mais la manière dont plusieurs molécules du vivant s'assemblent et se lient. Protéines, ADN, ARN, petites molécules appelées ligands, ions, résidus chimiquement modifiés : AlphaFold 3 prédit la structure conjointe de ces ensembles dans un même cadre. Pour la découverte de médicaments, qui repose précisément sur la compréhension de la façon dont une molécule candidate vient se loger dans une protéine cible, ce déplacement du champ de vision n'est pas anodin. Il touche l'endroit exact où la biologie structurale rencontre la pharmacie. Pour saisir ce que représente ce moment, il faut regarder de près ce qui a été annoncé, ce que la recherche savait faire juste avant, et ce que cette extension a ouvert.

Ce que c'était : une IA qui prédit l'assemblage des molécules du vivant

AlphaFold 3 est un système d'apprentissage profond dont l'objet dépasse la protéine seule. Là où ses prédécesseurs se concentraient sur le repliement d'une chaîne d'acides aminés en une forme tridimensionnelle, la version de 2024 prédit la structure d'un complexe, c'est-à-dire l'agencement dans l'espace de plusieurs molécules qui interagissent. Concrètement, on lui fournit la composition d'un système biologique — par exemple une protéine, un brin d'ADN, un ion métallique et une petite molécule — et il renvoie un modèle tridimensionnel de la manière dont ces éléments s'organisent les uns par rapport aux autres.

Cette capacité couvre un éventail large de constituants du vivant. AlphaFold 3 modélise les protéines, mais aussi les acides nucléiques que sont l'ADN et l'ARN, les ligands (les petites molécules, catégorie à laquelle appartiennent de très nombreux médicaments), les ions, ainsi que des modifications chimiques que les protéines subissent après leur fabrication, comme la phosphorylation. Le point remarquable est l'unification : plutôt que d'employer un outil spécialisé pour chaque type d'interaction, un seul modèle traite l'ensemble dans un cadre commun.

Pour les interactions des protéines avec d'autres types de molécules, nous observons une amélioration d'au moins 50 % par rapport aux méthodes de prédiction existantes.

Cette phrase, tirée de l'annonce conjointe de Google DeepMind et d'Isomorphic Labs, résume la promesse chiffrée du système. Elle mérite d'être lue avec précision : l'amélioration annoncée porte sur les interactions entre protéines et autres molécules, pas sur la prédiction d'une protéine isolée, domaine où AlphaFold 2 était déjà remarquable. C'est bien le terrain des assemblages, le plus utile pour concevoir des traitements, qui progresse.

À retenir. Le « au moins 50 % d'amélioration » ne porte pas sur la prédiction d'une protéine isolée — domaine déjà maîtrisé par AlphaFold 2 — mais sur les interactions entre molécules. C'est précisément à cet endroit que se joue la conception d'un médicament.

L'article de Nature et ses auteurs

Le fondement scientifique de l'annonce est un article publié dans Nature, intitulé « Accurate structure prediction of biomolecular interactions with AlphaFold 3 », signé par Josh Abramson, John Jumper et de nombreux coauteurs des équipes de DeepMind et d'Isomorphic Labs. L'article a été reçu par la revue le 19 décembre 2023, accepté le 29 avril 2024, et publié dans le volume 630, pages 493 à 500. Sa mise en ligne le 8 mai 2024 a coïncidé avec l'ouverture au public d'un service en ligne permettant d'utiliser le modèle.

Selon les auteurs, AlphaFold 3 obtient une précision nettement supérieure aux outils spécialisés existants sur plusieurs fronts. Pour les interactions entre protéines et ligands, il dépasse les logiciels d'amarrage moléculaire (le docking) qui faisaient référence. Pour les interactions entre protéines et acides nucléiques, il surpasse les prédicteurs conçus spécifiquement pour les acides nucléiques. Pour les complexes anticorps-antigène, sa précision est sensiblement plus élevée que celle d'AlphaFold-Multimer, la variante d'AlphaFold 2 dédiée aux assemblages de plusieurs protéines. Ce dernier point compte particulièrement pour l'immunologie et la conception d'anticorps thérapeutiques.

Une nouvelle architecture : le Pairformer et la diffusion

Le changement de capacités s'appuie sur une refonte de l'architecture. AlphaFold 2 reposait sur un module nommé Evoformer, qui faisait dialoguer les signaux d'évolution issus d'alignements de séquences et une représentation des relations entre paires d'acides aminés. AlphaFold 3 conserve l'esprit de cette approche mais la simplifie et la réorganise autour d'un module que l'article de Nature appelle le Pairformer. Ce bloc traite les représentations de paires et de séquences, tout en s'appuyant moins lourdement sur les alignements multiples que ne le faisait l'Evoformer.

La seconde innovation est le mode de génération de la structure finale. Plutôt que de construire directement les coordonnées atomiques par des modules géométriques dédiés, AlphaFold 3 confie cette étape à un réseau de diffusion. Cette famille de méthodes, devenue centrale dans l'IA générative d'images, procède par débruitage : elle part d'un nuage de positions atomiques désordonnées et le raffine progressivement jusqu'à obtenir un arrangement cohérent. Appliquée aux atomes d'un complexe moléculaire, la diffusion permet de produire des structures à l'échelle de l'atome pour des systèmes très variés, sans avoir à coder à la main les règles propres à chaque type de molécule.

Ce que la diffusion apporte ici, c'est une forme d'universalité : le même mécanisme de raffinement s'applique à une protéine, à un brin d'ADN ou à une petite molécule, là où il fallait autrefois un outil par catégorie. L'assemblage du vivant devient un seul problème géométrique.

À retenir. Le réseau de diffusion est emprunté à l'IA générative d'images. Partant d'un nuage d'atomes désordonné, il le raffine pas à pas jusqu'à une structure cohérente. Le même mécanisme sert pour une protéine, un brin d'ADN ou un ligand — là où il fallait autrefois un outil par catégorie.

Ce choix a une contrepartie que ses concepteurs ont documentée, et sur laquelle nous reviendrons : un réseau de diffusion peut, dans certaines régions, produire un arrangement plausible en apparence mais sans fondement dans les données, ce que la communauté nomme une hallucination. AlphaFold 3 intègre des parades pour limiter ce comportement, sans le supprimer entièrement.

L'AlphaFold Server, une porte d'entrée en ligne

À l'annonce, DeepMind a ouvert l'AlphaFold Server, une plateforme en ligne permettant à la communauté scientifique de soumettre ses propres systèmes moléculaires et d'obtenir une prédiction sans installer quoi que ce soit. L'accès est destiné à la recherche non commerciale et proposé sans coût pour cet usage. Au lancement, chaque compte pouvait soumettre un nombre limité de tâches par jour — de l'ordre d'une dizaine — un quota relevé par la suite à une vingtaine. Cette mise à disposition immédiate a permis à des chercheurs du monde entier d'essayer le modèle sur leurs propres questions dès le premier jour, sans attendre une installation locale.

Le contexte : d'une protéine seule à la danse des molécules

Pour mesurer la portée d'AlphaFold 3, il faut se rappeler d'où venait la lignée et pourquoi le passage à la prédiction des interactions constituait l'étape logique — mais réputée délicate — après la conquête du repliement.

AlphaFold 2 avait résolu la forme, pas l'assemblage

En 2020, AlphaFold 2 avait provoqué une onde dans la biologie en remportant le concours CASP14 avec une précision proche de celle des méthodes expérimentales, avant d'être détaillé dans Nature en 2021 et rendu accessible en libre accès. Nous avons raconté cet épisode dans un précédent article de cette chronique, « AlphaFold 2 résout le repliement des protéines (CASP14) ». Son apport était considérable : à partir de la seule séquence d'acides aminés, il prédisait la forme repliée d'une protéine avec une fidélité qui a transformé le travail quotidien des laboratoires. En s'associant à l'Institut européen de bio-informatique, DeepMind avait ensuite publié une base de données couvrant des centaines de millions de structures prédites, cartographiant la quasi-totalité du protéome connu.

Mais AlphaFold 2 raisonnait, pour l'essentiel, sur une protéine à la fois. Or, dans la cellule, presque rien ne fonctionne isolément. Les protéines s'associent entre elles, se fixent sur l'ADN pour lire ou réguler les gènes, reconnaissent des brins d'ARN, capturent des ions métalliques indispensables à leur activité, et interagissent avec une foule de petites molécules — nutriments, cofacteurs, médicaments. Connaître la forme d'une protéine isolée, c'est disposer d'une pièce d'un puzzle sans savoir comment elle s'emboîte avec les autres. La biologie du vivant est faite de rencontres et d'ajustements ; c'est cette dimension relationnelle qu'AlphaFold 2 laissait largement de côté.

Pourquoi les interactions sont le nerf de la découverte de médicaments

La conception rationnelle d'un traitement suit une logique bien établie. On identifie une protéine impliquée dans une affection ; on cherche à connaître sa structure, en particulier le relief des cavités où une molécule pourrait venir se fixer ; puis on conçoit ou l'on sélectionne un composé capable de s'y loger pour bloquer ou moduler l'action de la protéine. À chaque étape, tout repose sur une question d'interaction : comment cette petite molécule se place-t-elle dans cette poche protéique, avec quelle orientation, quelle solidité, quels contacts ?

Prédire cet ajustement par ordinateur, c'est précisément l'objet de l'amarrage moléculaire, une discipline ancienne mais imparfaite. Les logiciels d'amarrage classiques peinent lorsque la protéine change de forme en accueillant la molécule, ou lorsque le système comporte plusieurs partenaires. En portant l'approche d'AlphaFold sur ce terrain, DeepMind visait le maillon le plus stratégique de la chaîne pharmaceutique : la prédiction fiable de la manière dont un candidat-médicament se lie à sa cible. Voilà pourquoi l'extension aux ligands, aux acides nucléiques et aux complexes multi-partenaires n'était pas un simple raffinement technique. C'était un déplacement vers l'endroit où se décide l'efficacité d'un traitement.

Isomorphic Labs, la biologie vue comme un problème d'information

La présence d'Isomorphic Labs aux côtés de DeepMind éclaire l'intention. Fondée en 2021 et dirigée par Demis Hassabis, cette filiale d'Alphabet a pour objet explicite la conception de médicaments assistée par l'intelligence artificielle. Son nom même exprime une vision : celle d'un isomorphisme, d'une correspondance de structure profonde, entre les motifs du vivant et ceux que l'apprentissage automatique sait capturer. AlphaFold 3 n'est pas un projet purement académique isolé ; il s'inscrit dans une ambition affichée de transformer la découverte de traitements. Cette double filiation, recherche fondamentale d'un côté et application pharmaceutique de l'autre, explique aussi certaines tensions autour de l'ouverture du code, sur lesquelles nous reviendrons avec honnêteté.

Ce que ça a changé : un cadre unifié pour la chimie du vivant

L'apport d'AlphaFold 3 tient moins à un chiffre spectaculaire qu'à une bascule de méthode : l'idée qu'un modèle unique puisse traiter des interactions qui exigeaient jusque-là un arsenal d'outils distincts.

Un seul modèle là où il en fallait plusieurs

Avant AlphaFold 3, un chercheur voulant modéliser un système complexe devait souvent enchaîner des logiciels spécialisés : un outil pour replier chaque protéine, un autre pour l'amarrage d'un ligand, un troisième pour une interaction avec de l'ADN, chacun avec ses conventions, ses limites et ses erreurs propres. Assembler ces pièces relevait de la couture patiente. AlphaFold 3 propose au contraire de décrire l'ensemble du système et d'obtenir une prédiction conjointe, où les partenaires sont modélisés ensemble et non séparément puis rapprochés. Cette cohérence interne est précieuse : la forme d'une protéine peut dépendre de ce à quoi elle est liée, et un modèle qui traite le tout d'un bloc capture mieux ces influences mutuelles.

Voici, résumées, les catégories d'interactions que le modèle prend en charge dans un cadre commun :

Les assemblages de plusieurs protéines, avec une précision supérieure à celle d'AlphaFold-Multimer selon les auteurs.
Les interactions entre protéines et petites molécules (ligands), au cœur de la conception de médicaments.
Les interactions entre protéines et acides nucléiques, l'ADN comme l'ARN.
Les ions et les résidus chimiquement modifiés après la synthèse de la protéine.
Les complexes anticorps-antigène, essentiels à l'immunologie et à la conception d'anticorps.

Cette polyvalence explique l'accueil attentif de la communauté. Non que chaque prédiction soit parfaite — nous verrons qu'elles ne le sont pas —, mais parce qu'un point de départ unifié et de bonne qualité change la manière d'aborder un projet. On ne bricole plus une chaîne d'outils hétérogènes ; on part d'une hypothèse d'ensemble, que l'expérience viendra ensuite affiner.

La précision annoncée, et comment la lire

Le chiffre d'une amélioration d'au moins 50 % pour les interactions entre protéines et autres molécules a beaucoup circulé. Il faut le manier avec le soin qu'il mérite. D'abord, il s'agit d'une amélioration relative par rapport à des méthodes de référence sur des jeux de tests précis, et non d'une garantie de justesse absolue sur n'importe quel système. Ensuite, la comparaison porte sur des familles d'interactions particulières : selon l'article de Nature, AlphaFold 3 devance nettement les outils d'amarrage sur les couples protéine-ligand, les prédicteurs dédiés sur les couples protéine-acide nucléique, et AlphaFold-Multimer sur les complexes de protéines. Ces gains sont réels et documentés, mais ils décrivent une tendance statistique, pas une infaillibilité cas par cas.

Cette nuance n'amoindrit pas l'avancée ; elle la situe. Un outil qui améliore substantiellement la prédiction des interactions, tout en fournissant des indices de confiance pour signaler ses propres incertitudes, offre un levier considérable à la recherche — à condition d'être utilisé comme une hypothèse graduée et non comme un verdict. C'est cette posture, héritée d'AlphaFold 2, qui a permis une adoption raisonnée.

Aspect	AlphaFold 2 (2020-2021)	AlphaFold 3 (2024)
Objet prédit	Forme d'une protéine isolée (et complexes de protéines via Multimer)	Complexes : protéines, ADN, ARN, ligands, ions, résidus modifiés
Module central	Evoformer	Pairformer
Génération de la structure	Modules géométriques dédiés	Réseau de diffusion (débruitage progressif)
Publication	Nature, 15 juillet 2021	Nature, 8 mai 2024 (vol. 630, p. 493-500)
Accès au lancement	Code en libre accès dès la publication	Service en ligne uniquement au lancement ; code et poids non publiés dans un premier temps, en attente de décision de DeepMind
Terrain de gain principal	Repliement (précision proche de l'expérience)	Interactions moléculaires (jusqu'à +50 % annoncé sur certaines)

Sources : DeepMind, Isomorphic Labs, Nature (2021 et 2024). D'AlphaFold 2 à AlphaFold 3, de la forme à l'assemblage.

Des usages qui touchent la santé et le vivant

Les domaines d'application se recoupent avec les grands chantiers de la biologie contemporaine. En pharmacie, la prédiction des couples protéine-ligand renforce l'étape de sélection des molécules candidates : avant de synthétiser et de tester physiquement un composé, on peut estimer la façon dont il se placerait dans la cible, et concentrer l'effort sur les pistes les plus prometteuses. En immunologie, la meilleure précision sur les complexes anticorps-antigène ouvre des perspectives pour la conception d'anticorps et la compréhension des mécanismes de reconnaissance. En biologie fondamentale, la capacité à modéliser les interactions entre protéines et acides nucléiques éclaire la régulation des gènes, la manière dont certaines protéines se posent sur l'ADN pour l'activer ou le mettre en veille.

Il faut rester juste sur l'ampleur de ces effets. Une prédiction, aussi bonne soit-elle, ne remplace pas la validation expérimentale ; elle l'oriente. Le gain se situe au début de la chaîne de recherche, à l'endroit où l'on décide où porter l'attention. En rendant cette étape plus rapide et mieux informée, AlphaFold 3 agit comme un accélérateur, pas comme un substitut au travail de paillasse. C'est ainsi que ses concepteurs l'ont présenté, et c'est ainsi que la communauté l'a majoritairement adopté.

Une avancée lucide : ce que le modèle ne fait pas encore

Célébrer une avancée sans en taire les limites, c'est lui rendre justice. AlphaFold 3 est un pas important, et c'est justement parce qu'il compte qu'il faut décrire précisément ce qu'il maîtrise et ce qui reste ouvert. Ses propres concepteurs, ainsi que la communauté qui l'a évalué, ont documenté plusieurs bornes.

Des hallucinations dans les régions désordonnées

Le recours à un réseau de diffusion a une contrepartie connue : dans certaines régions, le modèle peut produire une structure d'apparence ordonnée là où la protéine est en réalité désordonnée, c'est-à-dire dépourvue de forme fixe. Ces régions intrinsèquement désordonnées jouent un rôle biologique bien réel, et leur souplesse fait partie de leur fonction. AlphaFold 3 tend parfois à leur inventer une rigidité qu'elles n'ont pas — un comportement que la communauté appelle hallucination. Pour l'atténuer, l'équipe a entraîné le modèle avec des exemples spécifiques et s'appuie sur ses indices de confiance, qui signalent en général les zones peu fiables. La vigilance reste de mise : un modèle très net dans une région désordonnée doit être lu comme une hypothèse à vérifier, non comme une observation.

Chiralité, collisions et structures figées

D'autres limites ont été relevées. La chiralité, cette propriété qui distingue une molécule de son image dans un miroir et qui peut changer radicalement l'effet biologique d'un composé, n'est pas toujours respectée par le modèle : selon le jeu de tests PoseBusters cité par les concepteurs, le taux de violation de la chiralité s'établit à 4,4 %. Par ailleurs, le modèle peut, dans certains cas, prédire des atomes qui se chevauchent, une configuration physiquement impossible qu'il faut corriger. Enfin, AlphaFold 3 prédit des structures statiques : il donne une photographie plausible d'un assemblage, mais ne décrit pas le mouvement, les états intermédiaires ni la dynamique par laquelle les molécules changent de forme au fil d'une réaction. Or beaucoup de fonctions biologiques résident précisément dans ce mouvement.

Un modèle statique de haute qualité est un point de départ remarquable, pas une fin. Il fige un instant d'une chorégraphie moléculaire faite de mouvement. Savoir cela, c'est utiliser l'outil pour ce qu'il donne — une hypothèse solide — sans lui prêter ce qu'il ne prétend pas offrir.

À retenir. Trois limites documentées par les concepteurs eux-mêmes : (1) des hallucinations dans les régions intrinsèquement désordonnées, où le modèle invente une rigidité inexistante ; (2) des violations de chiralité dans 4,4 % des cas (benchmark PoseBusters) ; (3) des structures statiques qui ne captent ni le mouvement ni les états intermédiaires. À utiliser comme hypothèse, pas comme verdict.

Ces réserves ne diminuent pas la portée d'AlphaFold 3 ; elles en dessinent le mode d'emploi honnête. La bonne pratique, largement partagée, consiste à traiter ses prédictions comme des hypothèses de très bonne qualité, accompagnées d'indices de confiance à lire avec discernement, et à réserver l'expérience aux points où elle tranche. C'est cette lucidité collective qui a permis à l'outil de se diffuser sans être surestimé.

La question de l'ouverture : une histoire à raconter telle qu'elle s'est déroulée

Un point mérite une transparence complète, car il a marqué la réception d'AlphaFold 3 et il illustre une tension propre à la recherche adossée à des intérêts industriels. Contrairement à AlphaFold 2, dont le code avait été mis en libre accès dès la publication en 2021, AlphaFold 3 est d'abord arrivé sans code ni poids publics. Seul l'AlphaFold Server, en ligne, permettait de l'utiliser, avec des quotas et un cadre non commercial.

Un débat sur la reproductibilité

Ce choix a suscité une réaction nourrie dans la communauté scientifique. Pour de nombreux chercheurs, la reproductibilité — la possibilité de refaire et de vérifier une expérience à partir de la méthode décrite — est un pilier de la démarche scientifique, et l'accès au seul service en ligne ne suffisait pas à l'assurer pleinement. Une lettre ouverte, signée par plus d'un millier de scientifiques, a exprimé cette préoccupation et demandé la publication du code. La revue Nature, qui avait publié l'article, a elle-même accompagné le débat, et a précisé par la suite que le terme « open source » ne s'appliquait pas au sens strict au modèle tel que d'abord diffusé.

Cette tension s'explique sans qu'il faille désigner un fautif. D'un côté, l'exigence légitime d'ouverture de la recherche fondamentale ; de l'autre, la présence d'Isomorphic Labs, filiale à visée pharmaceutique, et la valeur commerciale d'un modèle appliqué à la découverte de traitements. Le point d'équilibre n'allait pas de soi.

La question du code : une promesse d'engagement

Sous la pression de la communauté, DeepMind a pris un engagement public : publier le code source du modèle dans les mois à venir. À la date du lancement, cet engagement reste une promesse, dont la communauté scientifique attend la concrétisation. Quelles en seront les conditions — usage commercial ou restreint à la recherche, accès aux poids ou au seul code d'inférence — demeure à préciser. Le débat est ouvert, et son issue dira quelque chose d'important sur la manière dont la recherche fondamentale peut coexister avec des intérêts industriels affirmés.

La tension est nette : d'un côté, l'exigence légitime de reproductibilité de la recherche fondamentale ; de l'autre, la présence d'Isomorphic Labs et la valeur commerciale du modèle. Comment DeepMind la résoudra, et selon quelles conditions, reste la question en suspens de ce lancement.

À retenir. Contrairement à AlphaFold 2 (code en libre accès dès 2021), AlphaFold 3 est d'abord arrivé sans code ni poids publics — uniquement via l'AlphaFold Server en ligne. Une lettre ouverte signée par plus de 1 000 scientifiques a demandé la publication du code. DeepMind a pris l'engagement de le faire, sans en préciser les conditions.

Nommer cette tension n'enlève rien à la valeur scientifique du travail. Cela rappelle simplement que les grandes avancées se déploient dans un monde réel, où cohabitent l'ambition de partager la connaissance et les logiques d'un secteur industriel. C'est aussi cela, la vie d'un outil scientifique majeur au moment de son lancement.

Les perspectives : ce qu'AlphaFold 3 pourrait rendre possible

Au moment de son annonce, AlphaFold 3 apparaît déjà comme un jalon dans une trajectoire plus longue, celle d'une IA qui apprend à lire non seulement les objets du vivant, mais leurs interactions. Plusieurs prolongements se dessinent, qu'il faut évoquer avec prudence, car ils relèvent encore de l'attente plus que du constat. Nul ne sait, en ce printemps 2024, jusqu'où l'outil essaimera ni à quel rythme ; on peut seulement lire, dans ce qui vient d'être publié, les directions qu'il ouvre.

Une reconnaissance déjà sensible dans la communauté

Dès les premières heures qui suivent l'annonce, l'accueil des spécialistes témoigne du poids accordé à ces travaux. La lignée AlphaFold avait déjà transformé la biologie structurale avec sa deuxième version, saluée comme l'une des avancées marquantes de la discipline ; l'extension aux interactions moléculaires est reçue comme le prolongement attendu de cette percée. Des laboratoires de biologie, de chimie et de pharmacie s'emparent aussitôt de l'AlphaFold Server pour éprouver le modèle sur leurs propres systèmes. Cette adoption immédiate, sans campagne ni délai d'installation, dit quelque chose de la maturité perçue de l'outil : la communauté ne l'aborde pas comme une curiosité de laboratoire, mais comme un instrument de travail qu'elle intègre à ses questions du moment. Il est trop tôt pour mesurer l'ampleur des distinctions ou des consécrations que ces travaux pourraient susciter ; ce que l'on observe déjà, c'est une attention rare, à la hauteur d'un déplacement que les chercheurs jugent, dans l'ensemble, aussi net que rapide.

Un écosystème de modèles qui pourrait se déployer

Si le code venait à être publié, même sous conditions, il pourrait nourrir tout un écosystème. Des équipes académiques et des développeurs seraient alors en mesure d'étudier l'architecture, de la reproduire, de la comparer, et de faire naître des variantes ou des outils inspirés du même principe. Déjà, avant même toute mise à disposition officielle, des efforts indépendants cherchent à retrouver les capacités décrites dans l'article, à partir des idées qu'il expose, pour diffuser l'approche des complexes moléculaires au-delà d'un seul laboratoire. Ce foisonnement, s'il se confirme, serait l'un des effets les plus féconds d'une avancée de référence : elle ne se contenterait pas d'exister, elle fixerait un cap que d'autres exploreraient. À ce stade, la description publiée fait déjà office de plan que la communauté examine avec attention.

La découverte de médicaments, terrain d'application privilégié

Si un secteur incarne l'espoir porté par AlphaFold 3, c'est la recherche de traitements. En améliorant la prédiction de la manière dont une molécule candidate se lie à une protéine cible, le modèle renforce l'étape amont de la conception rationnelle : identifier des cibles, estimer la fixation de composés, prioriser les pistes à tester. Isomorphic Labs, coauteur du travail, a précisément pour objet d'appliquer ces méthodes à la conception de médicaments, en s'associant à des acteurs pharmaceutiques pour porter des programmes de recherche.

Il faut garder la mesure, comme pour toute avancée de ce type. Entre l'identification d'un candidat prometteur et un traitement autorisé s'étendent des années d'essais, de vérifications de sûreté et d'ajustements. AlphaFold 3 n'abrège pas ce parcours ; il en améliore le tout début, l'étape où l'on décide où chercher. C'est un gain d'efficacité et de justesse à l'entrée de l'entonnoir, pas un raccourci vers le médicament fini. Présenté ainsi, sans surpromesse, l'apport reste substantiel : mieux commencer, c'est souvent la moitié du chemin dans une recherche longue et coûteuse.

Une méthode qui essaime au-delà de la biologie structurale

Au-delà de son domaine, AlphaFold 3 confirme une leçon déjà entrevue avec AlphaFold 2 : l'apprentissage profond, bien articulé à un problème scientifique bien posé et à des données de qualité, peut faire progresser une discipline fondamentale par bonds. L'emploi d'un réseau de diffusion pour générer des structures atomiques illustre aussi la circulation des idées entre sous-domaines de l'IA : une technique née pour la génération d'images trouve une seconde vie dans la modélisation moléculaire. Cette porosité féconde inspire d'autres champs, de la science des matériaux à la chimie, où l'on cherche à prédire des arrangements et des interactions à partir de représentations apprises.

D'AlphaFold 2 à AlphaFold 3, la question a changé de nature : hier, quelle est la forme de cet objet ? aujourd'hui, comment ces objets se rencontrent-ils ? La biologie s'écrit dans les interactions, et l'IA vient d'apprendre à en lire quelques phrases.

Ce que ce lancement laisse entrevoir

Dès son annonce, AlphaFold 3 se lit comme une étape lucide plutôt que comme un aboutissement. Ses forces sont nettes : un cadre unifié pour des interactions qui exigeaient un arsenal d'outils, une précision améliorée sur des couples décisifs pour la santé, une mise à disposition en ligne qui autorise une adoption rapide. Ses limites sont tout aussi documentées : hallucinations dans les régions désordonnées, imperfections de chiralité, structures statiques qui ne disent pas le mouvement, et une ouverture du code qui, au lancement, n'est encore qu'un engagement annoncé. Tenir les deux ensemble, c'est comprendre ce qu'est réellement une grande avancée scientifique : non pas une réponse définitive, mais un déplacement du front, qui ouvre plus de questions qu'il n'en clôt. Ce que les prochaines années en feront reste, à cette date, une page à écrire.

Ce qui restera, sans doute, c'est le changement de regard. Après AlphaFold 3, la modélisation des assemblages moléculaires a cessé d'être un empilement d'outils spécialisés pour devenir un problème que l'on peut aborder d'un seul tenant. Pour la découverte de médicaments comme pour la biologie fondamentale, disposer d'un point de départ cohérent sur la manière dont les molécules du vivant se lient est un acquis dont on mesure encore l'ampleur. Le 8 mai 2024 restera dans les mémoires comme le jour où l'IA a élargi son regard : de la forme d'une protéine à la chimie des rencontres qui font la vie — non pour remplacer le travail des chercheurs, mais pour leur rendre lisible ce qui, hier encore, se laissait difficilement modéliser.