La conception de protéines par IA redessine discrètement l’économie de la biotech

La conception de protéines par IA est devenue, sans bruit, l’actualité IA la plus importante de la semaine, et elle n’a rien à voir avec les chatbots. L’enquête du MIT Technology Review sur les modèles de machine learning qui aident les chercheurs à concevoir de nouvelles protéines confirme ce que des acteurs de la biotech disent depuis des mois : le cycle interminable et hors de prix qui transforme une cible biologique en médicament est en train de se comprimer, grâce à des outils qui fonctionnent réellement au laboratoire. Mon avis : c’est cette actualité IA que les dirigeants biotech et pharma de taille intermédiaire devraient lire ce week-end, pas la dernière sortie de chatbot.

Commençons par le chiffre que personne ne conteste : la plupart des candidats-médicaments échouent, et ceux qui réussissent peuvent mettre dix ans et largement plus d’un milliard d’euros à atteindre une pharmacie. Ce cycle épuisant et gourmand en capital est le vrai sujet de l’actualité IA la plus importante de la semaine, et elle n’a rien à voir avec les chatbots.

Ce que la conception de protéines par IA résout vraiment

L’enquête récente du MIT Technology Review pose le problème sans détour : les médicaments biologiques sont fabriqués à partir de protéines conçues sur mesure, pas de chimie de synthèse, et trouver celle qui se lie à la bonne cible, reste stable dans le corps humain et peut être produite à grande échelle revient à fouiller un espace de molécules possibles presque inconcevable. Cette recherche était jusqu’ici lente, coûteuse et largement manuelle.

Deux ruptures ont changé la donne. AlphaFold2 a résolu le problème de la prédiction de la structure 3D d’une protéine à partir de sa séquence, un travail qui a valu à Demis Hassabis et John Jumper la moitié du prix Nobel de chimie 2024. L’autre moitié est allée à David Baker, de l’université de Washington, dont le laboratoire a inversé le problème : plutôt que de prédire des structures déjà présentes dans la nature, ses modèles génératifs de diffusion conçoivent des protéines entièrement nouvelles, taillées sur mesure pour une cible thérapeutique précise.

C’est cette seconde capacité qui bouleverse réellement l’économie du secteur. Le Jameel Clinic du MIT a publié en octobre 2025 BoltzGen, un modèle génératif open source capable de concevoir des protéines liantes pour une cible biologique donnée, développé, semble-t-il, par un seul doctorant, Hannes Stärk, en environ sept mois. Les grands laboratoires l’ont remarqué : la présidente de la recherche biomédicale de Novartis, Fiona Marshall, a expliqué à C&EN qu’elle attend de son partenariat avec Isomorphic Labs une réduction d’environ 30 % du délai entre l’idée et le candidat-médicament, ce qui veut dire des candidats habituellement obtenus en trois ans désormais prêts pour le laboratoire en 18 à 24 mois. Une revue scientifique évaluée par des pairs a par ailleurs constaté que les candidats conçus par IA arrivés en phase I fin 2023 réussissaient à un taux de 80 à 90 %, contre environ 40 % historiquement, et PitchBook évoque la possibilité que l’IA double à peu près la probabilité globale d’approbation, d’environ 8 % à 18 %.

Pourquoi la vraie histoire, c’est un avantage concurrentiel qui rétrécit

Voici ma thèse, et la raison pour laquelle je pense que ce sujet mérite plus d’attention que la prochaine sortie de chatbot : pendant des décennies, le principal avantage dans les biologiques n’était pas une meilleure idée, c’était un bilan plus solide. Les grands laboratoires pouvaient se permettre d’échouer neuf fois sur dix parce qu’ils avaient le capital et la patience pour mener des centaines de programmes en parallèle. Une petite biotech avec une seule cible prometteuse et dix-huit mois de trésorerie ne pouvait pas jouer à ce jeu-là. La conception de protéines par IA n’efface pas cette asymétrie, mais elle la resserre : les années d’essais-erreurs en laboratoire autrefois nécessaires pour trouver une poignée de liants viables parmi des millions de possibilités peuvent désormais être présélectionnées par le calcul, avant la moindre expérience.

Imaginons une biotech fictive de 30 personnes, installée à Lyon ou à Boston, qui travaille sur une cible d’anticorps pour une maladie rare jugée trop peu rentable par les grands laboratoires. Il y a cinq ans, le chemin réaliste consistait à lever des dizaines de millions d’euros, passer deux à trois ans sur l’identification de candidats, et espérer qu’il reste assez de budget pour financer un essai de phase I. Aujourd’hui, cette même équipe peut générer et cribler par le calcul des milliers de candidats liants en quelques semaines, puis n’envoyer au laboratoire que la poignée présentant la meilleure stabilité et affinité de liaison prédites. Cela ne réduit en rien le coût de l’essai clinique lui-même, et ne change rien à la montée en échelle de production ni à l’examen réglementaire — ces étapes restent réellement difficiles et lentes. Ce que cela permet, c’est à une petite équipe bien financée de survivre assez longtemps pour tenter sa chance en clinique, un privilège autrefois quasi réservé aux entreprises disposant de budgets de R&D à neuf chiffres.

Je nuancerais quand même fortement quiconque en conclut que « l’IA a résolu la découverte de médicaments ». Les chiffres de phase I ci-dessus sont encourageants mais précoces, et potentiellement biaisés par la sélection : les équipes qui mènent aujourd’hui des programmes conçus par IA sont souvent bien financées et travaillent sur des cibles choisies en partie parce qu’elles se prêtent bien aux modèles. Personne n’a démontré que l’IA améliore systématiquement les chances sur l’ensemble de la biologie des maladies, ni dans un essai de phase III achevé. La validation clinique est encore en train de rattraper les avancées de modélisation — considérez les chiffres actuels comme un signal précoce vraiment prometteur, pas comme un verdict définitif.

Ce que cela change pour votre feuille de route R&D

Si vous dirigez ou conseillez une biotech de taille intermédiaire, un CDMO spécialisé ou une équipe R&D pharma, l’enjeu n’est pas d’acheter un outil à la mode mais de savoir où placer un budget rare :

• Cartographiez votre vrai goulot d’étranglement avant d’acheter de l’IA. Si votre programme bloque à l’identification de candidats, la conception générative de protéines peut vraiment aider ; s’il bloque à la montée en production ou à la stratégie réglementaire, une licence de conception de protéines ne changera rien.
• Les données et l’adéquation au domaine comptent plus que la marque. Un modèle ouvert ajusté sur votre classe de cibles peut surpasser une plateforme propriétaire coûteuse mal adaptée à votre biologie — testez sur vos propres données de validation, pas sur la présentation d’un fournisseur.
• Budgétez le laboratoire, pas seulement le calcul. Chaque candidat généré par IA a encore besoin d’une confirmation expérimentale ; sacrifier la validation en laboratoire pour financer plus de calculs ne produit que des échecs plus rapides.
• Envisagez cela comme une capacité pluriannuelle, pas un pilote. Les entreprises qui accumulent un avantage construisent une boucle de rétroaction entre résultats de laboratoire et réentraînement des modèles, plutôt que de lancer une preuve de concept isolée.

Il y a aussi une leçon plus large ici, pour toute entreprise de taille intermédiaire hors biotech : l’IA qui comprime la partie coûteuse et itérative d’un processus technique difficile, tout en laissant intactes les étapes finales les plus réglementées, se retrouve bien au-delà de la pharma. Si une partie de votre cycle de développement produit ressemble à « générer beaucoup de candidats, tester les rares qui survivent », il vaut la peine de se demander où une étape de tri assistée par IA pourrait raccourcir votre propre parcours.

FAQ

La conception de protéines par IA remplace-t-elle les essais cliniques ?

Non, et quiconque vous dit le contraire essaie de vous vendre quelque chose. L’IA comprime la découverte et l’optimisation précoce — trouver et affiner des molécules candidates — mais les essais de phase I, II et III se déroulent toujours sur de vrais patients, selon les mêmes délais réglementaires qu’avant. Ce qui change, c’est le nombre de candidats viables que vous pouvez vous permettre d’amener à ce point de départ, pas la vitesse du point de départ lui-même.

Une biotech petite ou moyenne peut-elle vraiment se payer ces outils de conception de protéines par IA ?

Plus que vous ne le pensez. Des modèles open source comme BoltzGen du MIT réduisent le coût d’accès à la couche de modélisation elle-même, si bien que la vraie dépense se déplace vers les talents capables de bien utiliser ces outils et vers le travail de laboratoire nécessaire pour valider les résultats. C’est une structure de coûts différente, pas nécessairement moins chère globalement — mais une équipe bien financée de 20 à 50 personnes peut désormais y jouer un rôle crédible.

Dans combien de temps les médicaments conçus par IA arriveront-ils vraiment aux patients ?

Plus vite côté découverte, inchangé côté réglementaire. Les programmes utilisant la conception de protéines par IA entrent en phase I et II plus rapidement et, pour l’instant, avec de meilleurs taux de réussite précoces que les moyennes historiques — mais un médicament doit encore franchir tout le processus clinique et réglementaire, une affaire d’années, pas de mois.

Si ce schéma — l’IA qui réécrit discrètement la courbe de coût d’un processus lent, coûteux et itératif — vous rappelle votre propre R&D ou vos opérations, c’est généralement le signe qu’une vraie conversation vaut mieux qu’un webinaire de plus. Jetez un œil à ce que nous construisons pour les équipes de taille intermédiaire, ou si vous préférez en discuter directement, parlez-nous de votre situation.

Sources

• How AI helps scientists design the next generation of medicines — MIT Technology Review
• MIT scientists debut a generative AI model, BoltzGen — MIT News
• New AI model could cut the costs of developing protein drugs — MIT News
• ‘We are in the century of the protein’ — C&EN
• AI In Action: Redefining Drug Discovery and Development — PMC
• AI-Enabled Clinical Improvements Confirm Biotech Hype as Success Rates Rise — BioSpace

Partager sur LinkedIn