Du Nobel de chimie au pari de résoudre toutes les maladies grâce à l'intelligence artificielle

En octobre 2024, l'Académie royale des sciences de Suède a annoncé les lauréats du prix Nobel de chimie de cette année-là : la moitié du prix a été attribuée à David Baker, de l'Université de Washington, « pour la conception computationnelle des protéines », et l'autre moitié, partagée entre Demis Hassabis et John Jumper, de Google DeepMind, « pour la prédiction de la structure des protéines ». Il convient de le souligner : le prix a été décerné aux trois scientifiques en tant que personnes physiques, et non à l'entreprise pour laquelle ils travaillent. Il n'est pas exact de dire que « Google a remporté le prix Nobel » — ce sont bien les chercheurs qui l'ont reçu, distingués individuellement par l'académie suédoise.

Pour comprendre pourquoi ces travaux ont été jugés si importants, il convient d'expliquer brièvement ce que sont les protéines. Ce sont des molécules formées de séquences d'acides aminés, une sorte d'« alphabet » chimique du vivant, et elles sont à l'origine de presque tout ce qui se produit à l'intérieur d'un organisme : digérer les aliments, transporter l'oxygène dans le sang, défendre le corps contre les infections. Le détail crucial est qu'une protéine ne fonctionne pas uniquement en raison de la séquence d'acides aminés qui la compose, mais surtout en raison de la forme tridimensionnelle qu'elle adopte en se repliant dans l'espace. Cette forme détermine la façon dont la protéine interagit avec d'autres molécules — et détermine donc sa fonction. Déterminer expérimentalement cette structure tridimensionnelle, par des techniques comme la cristallographie aux rayons X, pouvait autrefois demander des années de travail en laboratoire pour une seule protéine.

C'est dans ce contexte qu'est apparu AlphaFold, un système d'intelligence artificielle développé par Google DeepMind. En 2020, Hassabis et Jumper ont présenté AlphaFold2, un modèle d'IA qui a représenté une avancée significative dans la prédiction des structures des protéines, permettant de prédire avec une bonne précision les structures d'un grand nombre de protéines déjà répertoriées. Il est important de ne pas exagérer la portée de cette réussite : AlphaFold n'a pas « résolu toutes les protéines », ni éliminé le besoin d'expériences en laboratoire. Ce qu'il a fait, c'est offrir des prédictions computationnelles de structure d'une précision inédite, servant de point de départ et de complément à la recherche expérimentale — et non de substitut à celle-ci. Les structures prédites par l'IA continuent généralement d'être validées, ajustées et testées par des méthodes expérimentales traditionnelles.

Cette capacité à prédire les structures des protéines a un lien direct avec la découverte de médicaments. De nombreux médicaments fonctionnent précisément parce qu'ils s'emboîtent, comme une clé dans une serrure, dans des régions spécifiques de protéines cibles, bloquant ou activant leur fonction. Connaître avec plus de précision et de rapidité la forme tridimensionnelle de ces protéines peut aider les scientifiques à identifier, plus efficacement, quelles molécules ont le potentiel d'interagir avec elles à des fins thérapeutiques. Il s'agit d'une étape initiale, et importante, du long processus de développement d'un médicament — mais qui est loin de constituer le processus dans son ensemble.

C'est pour explorer ce potentiel que Demis Hassabis a fondé, en 2021, Isomorphic Labs, entreprise dont il est le fondateur et le directeur général, distincte de Google DeepMind, bien que liée à celui-ci par son origine et par le soutien d'Alphabet, la société mère de Google. L'entreprise se consacre spécifiquement à l'application de l'intelligence artificielle à la conception et à la découverte de nouveaux médicaments. Selon Isomorphic Labs, sa mission est d'utiliser les technologies d'IA pour accélérer et repenser le processus de découverte de médicaments « à partir des principes fondamentaux » — une ambition affichée par l'entreprise elle-même, et non un résultat déjà démontré.

Cette ambition a attiré des investissements considérables. En mars 2025, Isomorphic Labs a annoncé avoir levé 600 millions de dollars lors de son premier tour de financement externe, mené par Thrive Capital, avec la participation de GV (le bras d'investissement de Google) et un apport supplémentaire d'Alphabet elle-même, déjà investisseur de l'entreprise depuis sa création. Plus récemment, la société a annoncé un tour de financement de série B de 2,1 milliards de dollars, également mené par Thrive Capital, avec la participation d'investisseurs tels qu'Alphabet, GV, MGX, Temasek, CapitalG et l'UK Sovereign AI Fund, élargissant considérablement sa base de capital. Ces montants témoignent du degré de confiance que les investisseurs accordent au projet de l'entreprise — mais le volume des investissements ne garantit pas, en soi, le succès scientifique ou clinique.

C'est dans ce contexte que Hassabis a répété publiquement une phrase ambitieuse : celle selon laquelle la mission d'Isomorphic Labs est, selon ses propres mots et ceux de l'entreprise, de contribuer à « résoudre toutes les maladies » grâce à l'intelligence artificielle. Il est essentiel de comprendre cette affirmation pour ce qu'elle est — une vision à long terme, exprimée par le fondateur et par l'entreprise — et non comme une promesse tenue ou un résultat déjà atteint. Aucun médicament n'arrive sur le marché simplement parce qu'un algorithme a repéré une molécule prometteuse.

Même les candidats-médicaments identifiés à l'aide d'outils d'IA restent soumis à toutes les étapes traditionnelles et rigoureuses du développement pharmaceutique : recherche préclinique en laboratoire et sur des modèles biologiques, tests de sécurité, phases successives d'essais cliniques chez l'être humain, évaluation de l'efficacité par rapport aux traitements existants et, enfin, analyse et approbation par des autorités réglementaires telles que la FDA, aux États-Unis, ou l'EMA, en Europe. Ce processus prend généralement plusieurs années et présente des taux de réussite historiquement faibles — l'intelligence artificielle peut aider à optimiser certaines étapes initiales, mais elle n'élimine ni ne remplace ce parcours.

Près de deux ans après l'attribution du prix Nobel, ce qui existe de concret est ceci : une avancée technique réelle et reconnue par la communauté scientifique dans la prédiction computationnelle des structures des protéines ; une entreprise récemment créée, solidement financée, dédiée à l'application de ce type de technologie à la découverte de médicaments ; et une mission affichée, ambitieuse, encore en phase de démonstration pratique. Entre la promesse et le résultat thérapeutique avéré, il reste un long chemin fait de recherche expérimentale, d'essais cliniques chez l'être humain et de contrôle réglementaire. Néanmoins, la capacité de l'intelligence artificielle à accélérer certaines étapes initiales de la découverte de médicaments représente, en soi, un apport déjà significatif pour la biologie et pour la médecine.