Un moment charnière pour la biologie numérique
Lors d'une annonce déterminante au Forum économique mondial de Davos en janvier dernier, Demis Hassabis, PDG de Google DeepMind et d'Isomorphic Labs, a confirmé que le premier médicament contre le cancer conçu par intelligence artificielle (Artificial Intelligence - IA) devrait entrer en essais cliniques de phase 1 au début de l'année 2026. Ce jalon marque une transition significative pour l'industrie pharmaceutique, passant de modèles d'IA théoriques à des applications concrètes capables de sauver des vies. S'adressant à un public de dirigeants mondiaux et d'experts de l'industrie, Hassabis a décrit l'ère actuelle comme l'aube d'un « âge d'or de la découverte scientifique », où l'IA non seulement accélère la recherche, mais modifie fondamentalement l'économie et le calendrier des percées médicales.
L'annonce se concentre sur les progrès d' Isomorphic Labs, la filiale commerciale de DeepMind chargée d'appliquer la technologie révolutionnaire AlphaFold de l'entreprise à la découverte de médicaments dans le monde réel. Bien que la cible moléculaire spécifique du médicament contre le cancer reste confidentielle pour des raisons de sensibilité commerciale, le calendrier indique que les tests de sécurité précliniques rigoureux — souvent le « fossé de la mort » pour les nouveaux composés — ont été franchis avec succès grâce à des modèles de prédiction pilotés par l'IA. Ce développement valide l'hypothèse de longue date selon laquelle la biologie basée sur le silicium (silicon-based biology) peut réduire considérablement le temps nécessaire pour proposer de nouvelles thérapies aux patients.
Isomorphic Labs et le pipeline de 17 projets
Bien que le titre se concentre sur l'essai imminent contre le cancer, Hassabis a révélé la portée plus large des ambitions d'Isomorphic Labs. L'entreprise gère actuellement un pipeline de 17 programmes de développement de médicaments actifs. Ces projets couvrent plusieurs domaines thérapeutiques critiques, notamment l'oncologie, l'immunologie et les maladies cardiovasculaires. Ce portefeuille diversifié suggère que l'approche par l'IA n'est pas une solution de niche pour des structures protéiques spécifiques, mais un moteur généralisable pour la conception de médicaments.
Crucialement, Isomorphic Labs n'opère pas de manière isolée. L'entreprise a conclu des partenariats stratégiques avec les géants pharmaceutiques Eli Lilly et Novartis. Ces collaborations combinent les prouesses computationnelles d'Isomorphic avec les bases de données biologiques massives et l'infrastructure d'essais cliniques des leaders pharmaceutiques établis. L'accord avec Eli Lilly et Novartis, évalué à près de 3 milliards de dollars en paiements d'étapes potentiels, souligne la confiance de l'industrie dans l'approche de DeepMind. En intégrant l'IA dès la phase de découverte, ces partenariats visent à filtrer les candidats médicaments viables avec une plus grande précision, permettant potentiellement d'économiser des milliards de dollars dans des essais de phase terminale infructueux.
De AlphaFold aux remèdes du monde réel
Le pilier technologique de cette avancée est AlphaFold, le système d'IA de DeepMind qui a résolu le « problème du repliement des protéines » vieux de 50 ans. En prédisant la structure 3D de presque toutes les protéines connues, AlphaFold a fourni la carte ; Isomorphic Labs construit maintenant les véhicules pour y naviguer. La transition d'AlphaFold 2 vers l'AlphaFold 3, plus avancé, a encore renforcé la capacité à modéliser les interactions non seulement entre les protéines, mais aussi entre les protéines et les petites molécules (médicaments), l'ADN et l'ARN.
Hassabis a souligné que la méthode traditionnelle du « laboratoire humide » (wet lab) pour la découverte de médicaments est empreinte d'inefficacité. Les scientifiques passent souvent des années à synthétiser et à tester des composés qui finissent par échouer. En revanche, l'approche d'Isomorphic simule efficacement l'interaction entre un médicament et une cible pathologique dans un environnement numérique. Cela permet aux chercheurs de passer au crible des millions de molécules potentielles et d'optimiser leurs propriétés chimiques — telles que la solubilité et la toxicité — avant même qu'un échantillon physique ne soit synthétisé.
Comparaison entre la découverte traditionnelle et la découverte pilotée par l'IA
Le tableau suivant illustre le changement structurel que l'IA introduit dans le processus de R&D pharmaceutique :
| Caractéristique | Découverte de médicaments traditionnelle | Approche pilotée par l'IA (Isomorphic Labs) |
|---|---|---|
| Calendrier de découverte | 4 à 6 ans pour atteindre les essais cliniques | 1 à 2 ans pour atteindre les essais cliniques |
| Coût par médicament | 2,6 milliards de dollars (moyenne) | Significativement réduit (prévision d'économies >50 %) |
| Taux de réussite | ~10 % entrent en Phase 1 | Probabilité plus élevée grâce au filtrage prédictif |
| Méthodologie | « Essais et erreurs » itératifs en laboratoires humides | Modélisation prédictive et simulation numérique |
| Utilisation des données | Limitée aux ensembles de données expérimentaux | Intègre les bases de données biologiques mondiales (AlphaFold) |
Au-delà de la biologie : l'essor de l'intelligence physique
Bien que l'attention immédiate à Davos se soit portée sur les soins de santé, Hassabis a également utilisé cette tribune pour prévoir la prochaine grande frontière pour DeepMind : intelligence physique (physical intelligence). Il a prédit que dans les 18 prochains mois, le domaine connaîtra une percée en robotique comparable au « moment ChatGPT » pour les grands modèles de langage.
L'« intelligence physique » fait référence à la capacité d'une IA à comprendre et à interagir avec le monde physique, dépassant la génération de texte et d'images pour gérer des tâches cinétiques complexes. Hassabis a noté que les mêmes architectures d'apprentissage qui alimentent Gemini et AlphaFold sont actuellement adaptées pour le contrôle robotique. Cela suggère un avenir où les robots pourront apprendre des tâches par l'observation et la simulation plutôt que par un codage rigide ligne par ligne. Pour le secteur de la santé, cela pourrait éventuellement signifier l'automatisation des laboratoires par l'IA, où des robots effectuent les expériences physiques nécessaires pour valider les conceptions numériques générées par Isomorphic Labs, créant ainsi un système de découverte en boucle fermée.
Naviguer dans la géopolitique de l'IA
Les discussions de Davos ont également abordé le paysage réglementaire et géopolitique entourant ces technologies puissantes. Dans un panel intitulé « Le jour d'après l'IA générale (Artificial General Intelligence - AGI) », Hassabis a échangé avec d'autres leaders de l'industrie sur la nécessité d'une coopération internationale concernant la sécurité de l'IA. Il a reconnu la tension entre la vitesse de l'innovation — stimulée par une concurrence intense entre les États-Unis et la Chine — et le besoin de garde-fous de sécurité rigoureux.
Malgré ces défis, Hassabis est resté ferme dans son optimisme. Il a soutenu que les avantages de l'IA dans des domaines tels que la santé et la science des matériaux sont trop profonds pour être retardés. Le lancement des essais cliniques au début de 2026 sert de preuve tangible que la technologie passe du stade de curiosité expérimentale à celui de moteur de la longévité humaine. Alors qu'Isomorphic Labs se prépare à administrer la dose au premier patient, le monde observe non seulement l'arrivée d'un nouveau médicament contre le cancer, mais aussi la validation d'un nouveau paradigme dans la façon dont l'humanité résout ses problèmes biologiques les plus complexes.
