Sur un écran, une molécule peut sembler idéale. Elle épouse sa cible, présente un profil encourageant et mérite, selon l’algorithme, d’être fabriquée. Dans le corps d’un patient, l’histoire se complique : absorption insuffisante, effets indésirables, maladie plus hétérogène que prévu. Le véritable test des médicaments issus de l’intelligence artificielle commence là où s’arrête la démonstration informatique. Les trajectoires d’Insilico Medicine et de Recursion éclairent cet écart entre vitesse de découverte et preuve médicale. À l’horizon de septembre 2026, les résultats déjà publiés donnent des raisons d’espérer, mais certainement pas un permis de conclure.
Une découverte accélérée n’est pas une guérison accélérée
Concevoir un médicament suppose plusieurs paris successifs. Il faut identifier un mécanisme biologique pertinent, trouver une substance capable de le modifier, vérifier qu’elle atteint le bon tissu et déterminer une dose supportable. Il faut ensuite démontrer que cette intervention améliore réellement la santé. L’IA peut intervenir à chaque étape, mais les preuves obtenues ne sont pas interchangeables.
Un modèle performant pour prédire la fixation d’une molécule sur une protéine ne sait pas nécessairement prédire une hospitalisation évitée. Une expérience réussie sur des cellules ne reproduit ni le vieillissement, ni les traitements associés, ni toute la complexité immunitaire d’un malade. Accélérer la sélection d’un candidat réduit un délai de recherche ; cela ne valide pas automatiquement l’hypothèse thérapeutique.
Le vocabulaire entretient parfois la confusion. « Médicament conçu avec l’IA » peut désigner une structure chimique générée par un modèle, une cible repérée dans des données biologiques ou une molécule existante orientée vers une nouvelle indication. Ces démarches ont des intérêts différents. Les réunir sous une même étiquette facilite la communication, moins l’évaluation scientifique.
Insilico : un candidat emblématique face à la fibrose pulmonaire
Insilico Medicine illustre l’approche associant découverte de cible et génération de molécules. Son candidat rentosertib, précédemment connu sous le nom INS018_055, vise TNIK, une kinase impliquée dans des mécanismes liés à la fibrose. L’entreprise l’a développé contre la fibrose pulmonaire idiopathique, maladie progressive dans laquelle le tissu pulmonaire se dégrade et la respiration devient difficile.
Le programme est particulièrement suivi parce qu’il matérialise une promesse longtemps abstraite : faire passer une proposition algorithmique du laboratoire à l’être humain. L’IA a contribué à sélectionner la cible puis à concevoir le candidat. Cela constitue une réussite de développement, sans démontrer à soi seul que le traitement changera durablement l’évolution de la maladie.
Des résultats de phase IIa publiés en 2025 dans Nature Medicine ont apporté un premier signal clinique encourageant. Cette étude, de taille limitée et de courte durée, examinait principalement la sécurité et la tolérance, tout en explorant notamment la fonction respiratoire. Les observations justifient de poursuivre les recherches ; elles ne remplacent pas une démonstration confirmatoire sur une population plus large.
Dans cette maladie, une variation favorable de la capacité vitale forcée — le volume d’air expiré lors d’une manœuvre respiratoire — mérite attention. Mais il faut savoir si l’effet persiste, s’il résiste à une analyse statistique robuste et comment il s’articule avec les traitements disponibles. La qualité de vie, les aggravations et la tolérance prolongée comptent également. Une petite étude ne peut pas répondre solidement à toutes ces questions.
Recursion : cartographier la biologie plutôt que dessiner seulement des molécules
Recursion emprunte une voie différente, même si les approches convergent. L’entreprise combine expérimentation automatisée, imagerie cellulaire et apprentissage automatique. Son ambition : observer comment des cellules réagissent à des perturbations génétiques ou chimiques, puis repérer des relations susceptibles d’ouvrir une piste thérapeutique. L’algorithme sert ici à lire une immense carte expérimentale du vivant.
Le rapprochement avec Exscientia, finalisé en 2024, a associé cette approche à des compétences de conception moléculaire assistée par l’IA. L’objectif industriel est compréhensible : relier plus étroitement la découverte biologique, la chimie et le développement clinique. Mais assembler des plateformes ne prouve pas encore que les médicaments qui en sortiront réussiront davantage leurs essais.
Le cas de REC-994 rappelle aussi pourquoi il faut examiner chaque programme séparément. Évaluée contre les malformations caverneuses cérébrales, cette molécule n’est pas une création entièrement nouvelle d’une IA générative. Recursion a annoncé en 2024 que son étude de phase II avait atteint son objectif principal de sécurité et de tolérance, avec des observations exploratoires issues notamment de l’imagerie. Atteindre un objectif de sécurité n’équivaut pas à démontrer une efficacité clinique.
Pour les patients concernés, la question décisive reste celle des conséquences de ces lésions : symptômes, handicap ou événements neurologiques. Un changement radiologique peut orienter les recherches sans constituer, isolément, une preuve suffisante de bénéfice. Les développements ultérieurs de tels programmes doivent donc être jugés sur leurs résultats publiés, et non déduits des performances annoncées de la plateforme.
Pourquoi les essais restent le passage obligé
Un essai clinique bien conçu organise une comparaison que les impressions individuelles ne permettent pas. La randomisation limite les différences initiales entre groupes. L’aveugle réduit certaines influences sur l’évaluation. Un critère principal défini à l’avance empêche de choisir après coup le résultat le plus flatteur parmi des dizaines de mesures.
Trois questions permettent de décoder les annonces :
- Que devait démontrer l’étude ? La tolérance, une dose adaptée ou un bénéfice thérapeutique ne constituent pas le même objectif.
- Quelle est la solidité du résultat ? Taille de l’échantillon, groupe comparateur, durée et incertitude statistique déterminent sa portée.
- Qu’est-ce qui change pour le patient ? Un biomarqueur encourageant ne vaut pas toujours une amélioration perceptible ou durable.
L’IA peut aider à recruter, à identifier certains profils de patients ou à exploiter des données complexes. Elle peut aussi introduire des biais si ses recommandations reposent sur des populations peu représentatives. Ces outils doivent être validés pour l’usage envisagé. Ils ne dispensent ni d’un protocole rigoureux ni d’une surveillance attentive des effets indésirables.
Le vrai bilan se mesurera sur plusieurs programmes
Une première autorisation serait un jalon majeur, pas la preuve universelle de la supériorité de l’IA. Inversement, l’échec d’un candidat ne condamnerait pas toutes les méthodes. Pour évaluer leur apport, il faudra comparer des ensembles de projets : temps gagné, dépenses engagées, qualité des candidats et probabilité de franchir les étapes cliniques.
Ce bilan devra inclure les impasses. Une plateforme peut créer de la valeur en abandonnant plus tôt une mauvaise piste, avant un essai coûteux. Encore faut-il rendre ces abandons visibles. Le chronomètre de découverte souvent mis en avant raconte une partie de l’histoire ; le coût complet d’un médicament efficace raconte l’autre.
Et maintenant ? La perspective la plus crédible pour septembre 2026 et au-delà n’est pas celle d’essais devenus superflus, mais de candidats mieux sélectionnés et d’études mieux préparées. Insilico et Recursion devront convertir leurs avantages technologiques en bénéfices reproductibles chez les malades. L’IA aura réellement changé la pharmacie lorsqu’elle aidera à produire, plus efficacement, des traitements dont l’utilité résiste à la comparaison clinique.
