IA et découverte de médicaments : accélérer la recherche pharmaceutique

Concevoir un nouveau médicament ressemble à une longue traversée. On part d'une hypothèse biologique, on cherche une molécule capable d'agir précisément là où il faut, puis on la teste, on la corrige, on recommence. Ce parcours dure souvent plus d'une décennie et n'aboutit qu'une fois sur dix. Depuis quelques années, une nouvelle boussole s'est glissée dans les laboratoires : l'intelligence artificielle. Elle ne remplace ni la chimie, ni la biologie, ni les essais sur les patients, mais elle éclaire les premières étapes, celles où l'on tâtonne le plus. Comprendre comment l'IA aide à découvrir des médicaments, ce que cela change concrètement et ce qui reste à accomplir, c'est saisir l'un des chantiers scientifiques les plus prometteurs de la décennie.

L'objectif de cet article est double : expliquer simplement les mécanismes en jeu, et rester honnête sur l'état réel des choses. Car si les avancées sont spectaculaires côté recherche, très peu de traitements issus de l'IA ont franchi toutes les étapes qui mènent jusqu'à la pharmacie. Ce décalage n'a rien de décevant : il correspond à la temporalité incompressible de la médecine, où la prudence protège les patients. Suivons donc le fil, de la molécule imaginée par un algorithme jusqu'aux premiers résultats cliniques mesurés.

Pourquoi la recherche pharmaceutique est si longue

Avant de parler d'IA, il faut comprendre l'ampleur du problème qu'elle cherche à alléger. Mettre au point un médicament est probablement l'une des activités les plus exigeantes de l'industrie moderne. Le chemin commence par l'identification d'une cible : une protéine, un récepteur ou un mécanisme cellulaire impliqué dans une maladie. Il faut ensuite trouver une molécule capable de se fixer sur cette cible et de modifier son comportement dans le bon sens, sans perturber le reste de l'organisme.

Cette molécule idéale n'existe presque jamais du premier coup. Les chimistes explorent un espace immense : la base GDB-17 recense déjà plus de 166 milliards de petites molécules organiques chimiquement plausibles, et les estimations théoriques les plus citées du domaine évoquent un espace « drug-like » pouvant atteindre 10⁶⁰ combinaisons. On parle parfois d'un espace « astronomique » pour donner une idée de son étendue. Historiquement, les équipes testaient physiquement des dizaines ou des centaines de milliers de composés, une approche appelée criblage à haut débit, coûteuse en temps, en réactifs et en énergie.

Une fois une molécule prometteuse repérée, il reste à l'optimiser, à vérifier sa toxicité, sa stabilité, sa capacité à atteindre l'organe visé, puis à la tester chez l'animal, enfin chez l'humain à travers trois phases cliniques successives. À chaque étape, la majorité des candidats sont écartés. Selon les analyses les plus citées, environ neuf projets sur dix qui entrent en phase clinique n'atteignent jamais l'autorisation de mise sur le marché.

La difficulté n'est pas de trouver une molécule active. C'est de trouver celle qui soit active, sûre, absorbable, stable et fabricable, le tout en même temps. Chaque contrainte supplémentaire réduit le champ des possibles.

Sur le plan économique, l'ordre de grandeur longtemps retenu est colossal. Une étude de référence du Tufts Center for the Study of Drug Development, conduite par l'économiste Joseph DiMasi, chiffrait à environ 2,6 milliards de dollars le coût moyen d'un médicament approuvé, en incluant tous les échecs financés au passage. Ce chiffre fait débat : une analyse de la RAND Corporation publiée en 2025 avance une médiane bien plus basse, autour de 708 millions de dollars, selon une méthodologie différente. Peu importe le montant exact retenu : dans tous les cas, on parle de centaines de millions à plusieurs milliards, et de dix à quinze ans de travail. C'est précisément sur cette longueur et cette incertitude que l'IA promet un gain.

Où l'IA intervient dans le parcours

Une idée reçue voudrait que l'IA « invente des médicaments » de bout en bout. La réalité est plus fine et, à bien y regarder, plus intéressante. L'intelligence artificielle intervient surtout en amont, là où la recherche est la plus exploratoire et la plus coûteuse en tâtonnements. On peut distinguer plusieurs points d'entrée.

Comprendre la cible biologique

Tout part de la structure. Pour concevoir une molécule qui se fixe sur une protéine, il faut connaître la forme en trois dimensions de cette protéine, ses creux, ses reliefs, ses sites d'accroche. Or déterminer expérimentalement une structure protéique, par cristallographie aux rayons X ou cryo-microscopie électronique, demandait souvent des mois de travail, parfois des années, et échouait pour de nombreuses protéines.

C'est là qu'AlphaFold, développé par le laboratoire Google DeepMind, a changé la donne. Ce système prédit la structure tridimensionnelle d'une protéine à partir de sa simple séquence d'acides aminés. En 2022, en partenariat avec l'Institut européen de bioinformatique (EMBL-EBI), DeepMind a mis en accès ouvert une base contenant les structures prédites de plus de 200 millions de protéines, soit la quasi-totalité des protéines connues. Cette ressource, consultable librement, est aujourd'hui utilisée par plus de trois millions de chercheurs dans plus de 190 pays, selon le bilan des cinq ans d'AlphaFold publié par Google DeepMind fin 2025.

Cribler virtuellement des molécules

Une fois la cible connue en détail, l'ordinateur peut évaluer, sans manipulation physique, comment des millions de molécules candidates viendraient s'y fixer. C'est le criblage virtuel. Plutôt que de synthétiser et tester chaque composé en laboratoire, on classe les molécules par affinité prédite pour la cible, et l'on ne retient que les plus prometteuses pour une validation expérimentale. Le laboratoire ne teste plus des centaines de milliers de composés à l'aveugle, mais une poignée de candidats déjà présélectionnés.

Concevoir de nouvelles molécules

L'étape la plus créative est la conception générative. Ici, l'IA ne se contente pas de trier des molécules existantes : elle en imagine de nouvelles, jamais synthétisées, en respectant des contraintes définies par les chercheurs — se lier à telle cible, éviter tel effet indésirable, rester fabricable. Ces modèles génératifs jouent en chimie un rôle comparable à celui des générateurs d'images en création visuelle : à partir d'un cahier des charges, ils proposent des structures inédites que les chimistes affinent ensuite.

Anticiper toxicité et propriétés

Enfin, des modèles prédictifs estiment très tôt la toxicité potentielle, la solubilité, la stabilité ou la manière dont une molécule sera absorbée et éliminée par l'organisme. Repérer un problème sur ordinateur plutôt qu'après des mois de synthèse et de tests évite des impasses coûteuses. On échoue plus tôt, donc moins cher, et l'on réoriente les efforts vers les pistes réellement viables.

Étape	Approche traditionnelle	Apport de l'IA
Structure de la cible	Cristallographie, cryo-microscopie (mois à années)	Prédiction par AlphaFold en quelques heures
Recherche de molécules	Criblage physique de centaines de milliers de composés	Criblage virtuel, présélection des candidats
Conception de molécules	Chimie médicinale itérative manuelle	Modèles génératifs proposant des structures inédites
Filtres précoces	Tests toxicologiques tardifs	Prédiction de toxicité et de propriétés en amont

AlphaFold : la carte du vivant en accès ouvert

S'il fallait retenir une seule avancée fondatrice, ce serait celle-là. Le repliement des protéines — la façon dont une chaîne d'acides aminés adopte spontanément une forme tridimensionnelle précise — a été l'une des grandes énigmes de la biologie pendant un demi-siècle. Prédire cette forme à partir de la séquence relevait presque de l'exploit théorique. AlphaFold 2 a démontré qu'un système d'apprentissage pouvait y parvenir avec une précision proche de celle des méthodes expérimentales, ce qui a été salué comme une percée majeure lors de la compétition scientifique CASP en 2020.

Pour la découverte de médicaments, l'effet est direct. Connaître la forme d'une cible, c'est pouvoir dessiner une molécule qui s'y emboîte comme une clé dans une serrure. Des protéines longtemps considérées comme inaccessibles, faute de structure connue, sont devenues abordables. Et parce que la base AlphaFold est ouverte, un petit laboratoire académique dispose désormais du même point de départ qu'un grand groupe pharmaceutique.

La version suivante, AlphaFold 3, dévoilée en 2024, va plus loin : elle ne prédit plus seulement la forme d'une protéine isolée, mais aussi la manière dont elle interagit avec d'autres molécules, notamment de petites molécules candidates au statut de médicament. Là où la génération précédente ne saisissait pas les changements de conformation induits par la fixation d'un ligand, la nouvelle prédit directement la structure du complexe protéine-ligand. C'est exactement l'information dont un chimiste a besoin pour affiner un candidat.

Passer de la séquence à la structure, puis de la structure à l'interaction : chaque saut rapproche la modélisation informatique de la réalité biologique. Ce n'est pas de la magie, c'est une accumulation patiente de données et de méthode.

Il faut néanmoins nuancer. Ces prédictions restent des modèles, à valider expérimentalement. Des travaux récents publiés dans la revue Chemical Science soulignent qu'AlphaFold 3 obtient d'excellents résultats de classement de composés sur certains jeux de données de référence, tout en rappelant que ses capacités de criblage doivent être évaluées cas par cas. La prudence scientifique demeure de mise : un modèle performant en moyenne peut se tromper sur une cible particulière.

Des molécules nées d'un algorithme

Passons du principe aux exemples concrets, en gardant toujours le souci de la rigueur. Plusieurs cas illustrent bien ce que l'IA sait déjà faire, et là où elle en est réellement.

Des antibiotiques inédits repérés par apprentissage profond

En 2020, une équipe du MIT a entraîné un réseau de neurones à reconnaître les molécules capables d'inhiber la croissance bactérienne. Le modèle a passé au crible plus de 107 millions de composés issus d'une base chimique appelée ZINC15. Il a mis en évidence une molécule structurellement très différente des antibiotiques classiques, baptisée halicine, active contre un large éventail de bactéries, y compris certaines résistantes aux traitements existants. Son efficacité a été confirmée sur des modèles animaux.

La même équipe a récidivé avec l'abaucine, un antibiotique à spectre étroit ciblant Acinetobacter baumannii, une bactérie particulièrement difficile à combattre. Ces travaux, publiés dans Nature et Nature Chemical Biology, ont valeur de démonstration : l'IA peut identifier, dans un océan de molécules, des candidats que l'intuition humaine seule aurait mis très longtemps à repérer, voire manqués.

Le premier candidat médicament dont la cible et la molécule ont été conçues par IA

L'exemple le plus abouti à ce jour vient de la société Insilico Medicine. Son candidat, le rentosertib (précédemment identifié sous le code INS018_055 ou ISM001-055), est un inhibiteur d'une protéine nommée TNIK, conçu contre la fibrose pulmonaire idiopathique, une maladie pulmonaire progressive au pronostic sévère. Sa particularité : la cible biologique et la molécule ont toutes deux été proposées par la plateforme d'IA générative de l'entreprise.

Les résultats de l'essai clinique de phase IIa ont été publiés dans Nature Medicine en juin 2025 et présentés au congrès de l'American Thoracic Society. L'étude, menée sur 71 patients répartis sur 22 sites en Chine, avait pour objectif principal d'évaluer la sécurité et la tolérance, critères que le candidat a remplis avec un profil d'effets indésirables jugé maîtrisé. Sur le plan de l'efficacité, les patients recevant la dose de 60 mg une fois par jour ont montré une amélioration moyenne de la capacité vitale forcée de 98,4 mL à douze semaines, quand le groupe placebo enregistrait un déclin moyen de 20,3 mL. Dès février 2023, la Food and Drug Administration américaine lui avait accordé le statut de médicament orphelin pour cette indication, un signal réglementaire favorable précoce.

C'est la première fois qu'une molécule dont la cible et la structure ont été proposées par une intelligence artificielle démontre un signal d'efficacité clinique chez l'humain. Un jalon, non un aboutissement : il reste des phases à franchir avant une éventuelle autorisation.

Isomorphic Labs : industrialiser la démarche

Née de DeepMind, la société Isomorphic Labs incarne l'ambition d'appliquer les enseignements d'AlphaFold à la conception de médicaments à grande échelle. Elle a noué des partenariats de recherche avec de grands laboratoires comme Novartis, Eli Lilly et Johnson & Johnson, et développe en parallèle son propre portefeuille de candidats, notamment en oncologie et en immunologie. Après une première levée de fonds externe de 600 millions de dollars en mars 2025, l'entreprise a poursuivi son financement. Ses premiers essais cliniques sont désormais attendus autour de la fin 2026 — un calendrier décalé d'environ un an par rapport aux annonces initiales, ce qui rappelle utilement que même les acteurs les mieux dotés composent avec le rythme de la biologie.

Concevoir des protéines entièrement nouvelles

Au-delà des petites molécules, un autre pan de la recherche explore la conception de protéines inédites. Plutôt que de modifier des protéines existantes, l'idée est d'en créer de toutes pièces, avec des fonctions choisies : se lier à une cible précise, neutraliser un agent pathogène, catalyser une réaction. Cette discipline, appelée conception de protéines de novo, a connu un essor remarquable grâce à l'apprentissage automatique.

La reconnaissance de ces travaux a été éclatante. Le prix Nobel de chimie 2024 a récompensé David Baker pour la conception de protéines, aux côtés de Demis Hassabis et John Jumper de Google DeepMind pour la prédiction de leur structure. Cette distinction, saluant simultanément la lecture et l'écriture du langage des protéines, marque une reconnaissance historique du rôle de l'IA dans les sciences du vivant.

L'outil emblématique du laboratoire de David Baker, baptisé RFdiffusion, s'inspire des mêmes principes que les modèles générateurs d'images : il « dessine » des protéines à partir d'un cahier des charges fonctionnel. Les applications thérapeutiques envisagées sont vastes : concevoir des liants très spécifiques pour aider le système immunitaire à repérer une maladie, ou s'attaquer à des cibles réputées inaccessibles aux médicaments classiques. On reste, là encore, au stade de la recherche et des validations expérimentales, mais la direction est prometteuse.

Lire la structure des protéines avec AlphaFold, écrire de nouvelles protéines avec des outils de conception : la biologie dispose désormais des deux versants d'un même langage. C'est cette symétrie que le Nobel 2024 a consacrée.

Donner une seconde vie aux médicaments existants

Toutes les applications de l'IA ne consistent pas à créer des molécules inédites. L'une des plus élégantes, et des plus rapides à porter ses fruits, est le repositionnement : trouver une nouvelle indication pour un médicament déjà autorisé. L'avantage est considérable. Un traitement existant a déjà passé les étapes de sécurité, sa fabrication est maîtrisée, son profil est documenté. S'il s'avère utile contre une autre maladie, le chemin jusqu'aux patients s'en trouve nettement raccourci.

Le cas le plus emblématique remonte au début de la pandémie de Covid-19. La société BenevolentAI a construit un vaste graphe de connaissances, une carte reliant maladies, gènes, protéines et médicaments, alimentée par la lecture automatique de dizaines de millions d'articles scientifiques recensés dans PubMed. En interrogeant cette carte, ses chercheurs ont émis l'hypothèse qu'un anti-inflammatoire déjà utilisé contre la polyarthrite rhumatoïde, le baricitinib, pourrait réduire à la fois l'inflammation excessive et la réplication virale caractéristiques des formes sévères de la maladie.

Cette intuition, née d'un raisonnement assisté par la machine, a ensuite été validée cliniquement. L'essai randomisé de phase III ACTT-2, puis l'étude COV-BARRIER, ont confirmé un bénéfice, et le médicament a reçu aux États-Unis une autorisation d'urgence (novembre 2020), puis une approbation (mai 2022) pour certains patients hospitalisés. L'histoire est exemplaire : l'IA n'a pas remplacé l'essai clinique, elle a formulé une hypothèse pertinente que la médecine a ensuite éprouvée selon ses règles habituelles.

Le repositionnement illustre bien la juste place de l'IA : elle relie des points que l'immensité de la littérature scientifique rendait invisibles à un œil humain seul, puis passe la main aux essais cliniques pour trancher.

Cette approche est particulièrement précieuse pour les maladies rares et pour les situations d'urgence sanitaire, où le temps compte et où concevoir une molécule entièrement nouvelle serait trop long. En parcourant systématiquement les traitements existants, l'IA aide à repérer des pistes que personne n'aurait songé à explorer.

L'IA jusque dans les essais cliniques

Le rôle de l'intelligence artificielle ne s'arrête pas à la découverte. Elle commence à s'inviter dans la conduite même des essais cliniques, l'étape la plus longue et la plus coûteuse du parcours. Ici, l'enjeu n'est pas d'inventer des molécules mais de rendre les études plus rapides, plus fiables et moins pénibles pour les participants.

Plusieurs usages se dessinent. L'IA peut aider à identifier les patients susceptibles de bénéficier d'un traitement et correspondant aux critères d'une étude, en analysant les dossiers médicaux de façon structurée. Elle peut assister l'interprétation d'examens complexes, apportant une régularité que la variabilité entre experts humains ne garantit pas toujours. Elle contribue aussi à l'analyse de biomarqueurs, ces indicateurs biologiques qui renseignent sur l'évolution d'une maladie.

Un jalon réglementaire mérite d'être signalé. Fin 2025, la Food and Drug Administration américaine a qualifié son premier outil d'IA destiné au développement de médicaments : une plateforme aidant les pathologistes à évaluer les biopsies du foie dans les essais portant sur une maladie hépatique appelée MASH. En harmonisant ces évaluations, l'outil réduit les délais de plusieurs semaines à quelques jours. Au-delà de son usage précis, cette qualification a valeur de symbole : elle marque une reconnaissance formelle de l'IA au cœur du processus clinique, sous le contrôle du régulateur.

Accélérer un essai clinique sans jamais transiger sur sa rigueur : c'est peut-être là que l'IA rendra, à terme, l'un de ses plus grands services aux patients.

Restons honnêtes sur l'état réel des choses

Voici le point le plus important de cet article, et le plus souvent escamoté. À la date de rédaction (juin 2026), à notre connaissance, aucun médicament entièrement conçu par intelligence artificielle n'avait encore obtenu d'autorisation de mise sur le marché de la FDA. Les percées décrites plus haut concernent les phases précoces — découverte, conception, premiers essais — pas la ligne d'arrivée.

Ce constat ne relève pas d'un aveu d'échec, mais d'une lecture lucide du calendrier. Un médicament doit franchir trois phases cliniques, dont la phase III, longue et coûteuse, menée sur de larges populations. Entre la première publication d'un candidat prometteur et une éventuelle approbation, plusieurs années s'écoulent inévitablement. Les molécules issues de l'IA les plus avancées ne sont, pour l'essentiel, entrées en clinique qu'assez récemment. Le temps qu'elles complètent leur parcours est donc encore devant nous.

Un signal chiffré mérite toutefois d'être relevé avec prudence. Selon des analyses de la presse spécialisée en découverte de médicaments, le nombre de programmes issus de l'IA en développement clinique a fortement augmenté, passant d'une poignée fin 2023 à plusieurs dizaines aujourd'hui. Certaines de ces analyses avancent un taux de réussite en phase I supérieur à la moyenne historique. Ces observations sont encourageantes, mais elles portent sur des échantillons encore réduits et sur des étapes précoces : il serait imprudent d'en tirer des conclusions définitives. La seule preuve qui vaille, en médecine, reste l'essai clinique de grande ampleur mené jusqu'à son terme.

• Ce qui est établi : l'IA accélère et enrichit la découverte et la conception de candidats médicaments.
• Ce qui émerge : les premiers candidats issus de l'IA franchissent des phases cliniques avec des signaux positifs.
• Ce qui reste à démontrer : qu'un médicament conçu par IA aille jusqu'à l'autorisation et bénéficie durablement aux patients.

La boucle : concevoir, synthétiser, tester, apprendre

Pour bien saisir la valeur de l'IA, il faut comprendre que la découverte d'un médicament n'est pas une ligne droite mais un cycle. Les chimistes parlent d'une boucle « concevoir – synthétiser – tester – analyser ». On imagine une molécule, on la fabrique, on mesure son comportement, on tire les enseignements de ce résultat, puis on recommence avec une version améliorée. Chaque tour affine le candidat. Traditionnellement, ce cycle est lent : synthétiser une molécule prend du temps, et chaque itération repose largement sur l'intuition et l'expérience du chimiste.

L'IA agit sur ce cycle de deux façons complémentaires. D'une part, elle enrichit l'étape de conception en proposant, à chaque tour, des candidats plus pertinents à explorer. D'autre part, elle apprend des résultats de chaque test pour affiner ses propositions suivantes. Le cercle devient vertueux : plus on teste, plus le modèle s'améliore, plus les propositions gagnent en qualité. On passe d'une exploration guidée par l'intuition à une exploration guidée par les données, sans jamais évacuer le jugement humain qui reste aux commandes.

Cette logique explique pourquoi les annonces de gains de temps portent presque toujours sur la phase de découverte préclinique. C'est là que les itérations sont les plus nombreuses et que l'accélération se fait le plus sentir. Certaines équipes évoquent le passage d'années à quelques mois pour identifier un candidat solide. Il convient de prendre ces chiffres avec mesure, car ils varient selon les projets et les cibles, mais la tendance de fond est réelle et cohérente d'un acteur à l'autre.

Une image pour comprendre : la clé et la serrure

La métaphore la plus utile pour saisir l'action d'un médicament reste celle de la clé et de la serrure. La protéine cible est la serrure ; la molécule thérapeutique, la clé. Pour agir, la clé doit épouser précisément la forme de la serrure, se loger dans ses reliefs, et la verrouiller ou la déverrouiller selon l'effet recherché. Toute la difficulté consiste à dessiner une clé qui n'ouvre que cette serrure, sans agir par erreur sur les milliers d'autres présentes dans l'organisme, ce qui provoquerait des effets indésirables.

C'est ici que la prédiction de structure prend tout son sens. Connaître la forme exacte de la serrure permet de dessiner la clé sur mesure, plutôt que d'essayer des milliers de clés au hasard. Et lorsque l'IA parvient à prédire non seulement la serrure, mais aussi la façon dont une clé donnée s'y insère, elle offre au chimiste un aperçu précieux avant même la moindre synthèse en laboratoire.

Ce que l'IA ne fait pas, et ne fera pas seule

Il serait tentant d'imaginer une chaîne entièrement automatisée, de la maladie au comprimé. La réalité des laboratoires est plus collaborative. L'IA propose, mais l'humain dispose — et surtout valide. Plusieurs limites structurelles méritent d'être rappelées, sans rien retirer à l'enthousiasme légitime.

D'abord, une prédiction n'est pas une preuve. Qu'un modèle estime qu'une molécule se fixera fortement sur une cible ne garantit ni qu'elle le fera dans une cellule vivante, ni qu'elle sera sûre, ni qu'elle atteindra l'organe visé. Toute proposition algorithmique doit être synthétisée, testée en laboratoire, puis sur l'animal, avant même d'envisager l'humain. L'IA raccourcit la phase d'exploration ; elle ne supprime pas la phase de vérification.

Ensuite, la qualité des modèles dépend de la qualité et de la quantité des données d'entraînement. En biologie, les données sont parfois rares, hétérogènes, ou biaisées vers les cibles les plus étudiées. Un modèle brillera sur les familles de protéines bien documentées et sera plus incertain ailleurs. C'est pourquoi les meilleures équipes couplent systématiquement prédiction informatique et expérimentation, dans une boucle où chaque test réalimente le modèle.

L'intelligence artificielle est un formidable réducteur d'incertitude en amont. Elle transforme une recherche à l'aveugle en une exploration guidée. Mais c'est toujours la paillasse, puis la clinique, qui tranchent.

Enfin, la sécurité des patients impose une temporalité qu'aucune technologie ne saurait compresser sans risque. Les phases cliniques existent précisément pour détecter les effets indésirables rares ou tardifs qu'aucun modèle ne peut anticiper avec certitude. Vouloir aller trop vite serait contraire à l'intérêt même des malades. La lenteur relative de la médecine n'est pas un défaut à corriger : c'est une garantie.

Ce que cela change concrètement pour la recherche

Au-delà des cas emblématiques, l'IA modifie en profondeur la manière de travailler dans les laboratoires. Le changement le plus tangible tient à la vitesse des premières étapes. Là où la découverte d'un candidat viable pouvait mobiliser des équipes pendant plusieurs années, certaines plateformes annoncent réduire cette phase initiale à quelques mois. Le gain n'est pas seulement chronologique : en explorant plus large et plus vite, on augmente les chances de tomber sur des molécules originales, chimiquement éloignées des sentiers battus.

Deuxième effet, une démocratisation partielle. Parce que des outils comme la base AlphaFold sont en accès ouvert, des équipes académiques modestes accèdent à des capacités hier réservées aux grands groupes. Cela nourrit une recherche plus diverse, susceptible de s'intéresser à des maladies négligées, moins rentables, mais tout aussi importantes pour la santé mondiale.

Troisième effet, un déplacement du goulot d'étranglement. En accélérant la découverte, l'IA reporte la contrainte principale vers l'expérimentation et les essais cliniques. On peut désormais proposer davantage de candidats que ce que les laboratoires et les hôpitaux peuvent tester. Le défi de demain sera donc autant organisationnel que scientifique : comment valider expérimentalement, avec rigueur et à un rythme soutenable, l'abondance de pistes que génèrent ces modèles.

Quelques repères pour lire l'actualité sans se tromper

Le domaine étant très médiatisé, il est utile de garder en tête quelques réflexes pour distinguer l'annonce marketing de l'avancée solide.

• Distinguer l'étape. Une molécule « découverte par IA » en phase préclinique n'a pas la même valeur de preuve qu'un candidat ayant réussi une phase II documentée dans une revue à comité de lecture.
• Chercher la publication. Un résultat publié dans une revue scientifique reconnue, avec un protocole détaillé, vaut mieux qu'un communiqué enthousiaste sans données.
• Regarder les effectifs. Un signal observé sur quelques dizaines de patients demande confirmation sur de plus larges cohortes avant toute conclusion.
• Se méfier du raccourci « conçu par IA ». Beaucoup de projets combinent IA et méthodes classiques ; le rôle exact de l'algorithme mérite d'être précisé.

À retenir

L'intelligence artificielle est en train de transformer les premières étapes de la recherche pharmaceutique, celles qui étaient les plus longues et les plus incertaines. Elle prédit la forme des protéines, crible virtuellement des millions de molécules, en conçoit de nouvelles et anticipe leurs propriétés. Des exemples concrets — antibiotiques inédits repérés par apprentissage profond, premier candidat dont la cible et la molécule ont été proposées par IA à montrer, en phase IIa, un profil de sécurité acceptable et un premier signal d'efficacité — montrent que ces promesses se traduisent déjà en résultats mesurables.

Il faut cependant garder la tête froide et le propos juste : à ce jour, aucun médicament entièrement conçu par IA n'est encore commercialisé après approbation complète. Nous sommes au début d'une histoire, pas à sa conclusion. Les prochaines années diront si les candidats les plus avancés franchissent la ligne d'arrivée. L'enjeu véritable n'est pas de remplacer les chercheurs, les chimistes et les médecins, mais de leur offrir une boussole plus fine pour explorer un territoire immense. Utilisée avec rigueur et patience, cette boussole pourrait bien contribuer à faire arriver plus vite, jusqu'aux patients, des traitements qui auraient autrement tardé — ou n'auraient jamais vu le jour.

Sources

• Nature Medicine — A generative AI-discovered TNIK inhibitor for idiopathic pulmonary fibrosis: a randomized phase 2a trial (rentosertib)
• Isomorphic Labs — Partenariats (Novartis, Eli Lilly, Johnson & Johnson)
• Fortune — Isomorphic Labs prépare ses premiers essais cliniques
• AlphaFold Protein Structure Database (DeepMind / EMBL-EBI) — À propos
• Google DeepMind — AlphaFold révèle la structure de l'univers des protéines
• MIT News — Une IA identifie un nouvel antibiotique (halicine)
• Nature Chemical Biology — Découverte par apprentissage profond d'un antibiotique ciblant Acinetobacter baumannii (abaucine)
• Chemical Science (RSC) — Potentiel d'AlphaFold 3 pour le criblage virtuel
• Tufts Center for the Study of Drug Development — Coût du développement d'un médicament
• BenevolentAI — Validation clinique de l'hypothèse baricitinib pour la Covid-19
• FDA — Qualification du premier outil d'IA pour le développement de médicaments (essais MASH)
• HHMI — David Baker, prix Nobel de chimie 2024 pour la conception de protéines de novo