Sur l’écran, la protéine ressemble à un ruban savamment noué. Une petite molécule paraît se glisser dans une cavité : peut-être le début d’un médicament. Au laboratoire, pourtant, tout reste à démontrer. La molécule s’accroche-t-elle réellement ? Modifie-t-elle le bon mécanisme ? Peut-elle atteindre sa cible sans provoquer trop de dégâts ? AlphaFold transforme la manière de poser ces questions, pas l’obligation d’y répondre. À l’horizon de septembre 2026, la promesse mérite donc d’être examinée au-delà des images spectaculaires : que gagne la recherche, et où commence l’épreuve du réel ?
Une révolution de la carte, pas encore du traitement
Le premier basculement est désormais historique. En 2020, AlphaFold 2, développé par DeepMind, impressionne lors de CASP, une évaluation internationale de prédiction des structures protéiques. Sa publication scientifique en 2021, puis l’ouverture d’une vaste base avec l’Institut européen de bio-informatique, changent l’accès à l’information structurale. En 2022, cette ressource dépasse les 200 millions de prédictions. Le prix Nobel de chimie 2024, partagé entre David Baker, Demis Hassabis et John Jumper, consacre notamment cette avancée.
Pourquoi est-ce important pour les médicaments ? Parce qu’une protéine n’est pas seulement une suite d’acides aminés. Sa forme contribue à déterminer ce qu’elle reconnaît, transforme ou transmet. Pour bloquer une enzyme ou agir sur un récepteur, connaître ses reliefs aide à choisir où intervenir. Auparavant, obtenir cette carte pouvait exiger un travail expérimental considérable. Une prédiction fournit désormais un point de départ rapide, notamment pour des protéines peu étudiées. Elle ne rend pas inutiles la cristallographie, la résonance magnétique nucléaire ou la cryomicroscopie électronique.
AlphaFold 3 rapproche la prédiction de la pharmacologie
Présenté dans Nature en mai 2024 par Google DeepMind et Isomorphic Labs, AlphaFold 3 élargit le terrain. Il ne s’intéresse plus uniquement au repliement des protéines : il prédit aussi des assemblages impliquant notamment ADN, ARN, petites molécules et ions. Pour la découverte de médicaments, cette extension est essentielle. La question devient moins « à quoi ressemble la cible ? » que « comment pourrait-elle interagir avec ce composé ? ». C’est un rapprochement avec les problèmes quotidiens de la chimie médicinale.
Il faut néanmoins séparer trois notions souvent confondues. Une pose plausible n’est pas une mesure d’affinité, et une affinité élevée n’est pas une preuve d’efficacité thérapeutique. Un modèle peut proposer la bonne orientation d’une molécule sans dire précisément combien de temps elle restera liée, à quelle concentration elle agira ou si elle modifiera la fonction recherchée. Les performances publiées sur des jeux d’évaluation constituent un progrès méthodologique ; elles ne garantissent pas une réussite sur chaque nouvelle cible.
Ce que gagne concrètement une équipe
Imaginons une équipe travaillant sur une enzyme impliquée dans une maladie. Il s’agit ici d’un scénario illustratif, pas du récit d’un essai clinique. Une structure prédite peut révéler une poche intéressante, suggérer quels fragments chimiques tester ou aider à interpréter une mutation. Associée au criblage virtuel et à d’autres outils, elle permet de hiérarchiser des hypothèses. Au lieu de traiter toutes les pistes comme équivalentes, les chercheurs disposent d’arguments supplémentaires pour engager leurs premières expériences.
Le bénéfice se prolonge après les premiers résultats. Si un composé agit faiblement, le modèle peut suggérer une modification destinée à améliorer son contact avec la protéine. Le chimiste synthétise une nouvelle série, le biologiste la teste, puis l’équipe confronte les observations aux prédictions. La valeur est dans cette boucle entre calcul et expérience. Elle peut raccourcir certains détours et rendre des projets accessibles à des équipes moins équipées en biologie structurale. Elle peut aussi faire abandonner plus tôt une hypothèse fragile.
La cellule ne ressemble pas à une image figée
Première difficulté : les protéines bougent. Elles alternent entre plusieurs conformations, interagissent avec leur environnement et subissent des modifications chimiques. Une poche visible dans un modèle peut être rarement accessible en conditions physiologiques. À l’inverse, une cavité exploitable peut n’apparaître que dans un état particulier. Les indicateurs de confiance aident à repérer certaines incertitudes structurales, mais ils ne résument pas toute cette dynamique. Une région prédite avec assurance n’est pas automatiquement une cible facile à médicamenter.
Deuxième difficulté : l’environnement moléculaire compte. L’eau, les charges électriques, les membranes et les partenaires de la protéine influencent les interactions. Une molécule prometteuse peut aussi se fixer à plusieurs protéines proches et provoquer des effets indésirables. Les outils de simulation, les mesures biophysiques et les structures expérimentales restent donc complémentaires. Leur rôle n’est pas simplement de tamponner une proposition algorithmique : ils peuvent révéler que le mécanisme imaginé est incomplet, voire faux.
Les expériences qui font tomber les illusions
Le parcours expérimental comporte plusieurs filtres, dont l’ordre varie selon les projets. Aucun ne suffit seul à établir qu’une piste deviendra un traitement :
- Confirmer la liaison : vérifier par des mesures adaptées que le composé interagit réellement avec la cible, sans artefact de détection.
- Mesurer la fonction : déterminer s’il inhibe, active ou modifie le mécanisme recherché, avec une sélectivité suffisante.
- Tester dans les cellules : vérifier qu’il entre au bon endroit et produit l’effet attendu dans un environnement biologique.
- Évaluer son devenir et sa sécurité : étudier notamment absorption, métabolisme, exposition et toxicité avant puis pendant le développement clinique.
Une excellente liaison peut ainsi déboucher sur une impasse : composé insoluble, rapidement éliminé, toxique ou incapable d’atteindre le tissu visé. Plus fondamentalement, la cible elle-même peut être mal choisie. Modifier une protéine associée à une maladie ne suffit pas nécessairement à améliorer l’état des patients. AlphaFold éclaire une pièce du mécanisme biologique ; il ne démontre ni la causalité de toute une maladie ni l’intérêt clinique d’une intervention.
Comment juger les promesses industrielles ?
Les accords annoncés en 2024 entre Isomorphic Labs et les laboratoires Eli Lilly et Novartis témoignent d’un intérêt industriel réel. Mais un partenariat n’est pas un résultat thérapeutique. Pour évaluer les progrès, mieux vaut rechercher des comparaisons prospectives : les prédictions ont-elles été produites avant les expériences ? Avec quelle méthode de référence ? Combien de pistes ont échoué ? Un gain sur une étape doit aussi être distingué d’une réduction du coût ou du délai total de développement.
Et maintenant ? La perspective la plus crédible n’est pas celle d’un laboratoire remplacé par une intelligence artificielle, mais d’un laboratoire mieux orienté. Les progrès pourraient venir de modèles intégrant davantage la dynamique moléculaire et de boucles expérimentales mieux automatisées. Cette trajectoire reste prospective : elle devra être jugée sur des résultats reproductibles, puis sur des bénéfices pour les patients. Le véritable succès ne sera pas de dessiner davantage de molécules convaincantes, mais de découvrir plus tôt lesquelles méritent réellement d’être développées.
