Science : AlphaFold 4 de Google DeepMind prédit les structures de toutes les protéines de transport connues
La nouvelle version du réseau neuronal a modélisé la forme 3D de plus de 50 000 protéines de transport membranaire humaines qui résistaient auparavant à la cristallisation. Cela accélérera le développement de médicaments contre l'épilepsie et le cancer ciblant les canaux ioniques.
Article d'analyse : DeepMind brise la barrière de l'« incristallisable » — ce qu'AlphaFold 4 signifie vraiment pour l'industrie pharmaceutique
[L'essentiel] : Ce qui se passe vraiment
L'annonce qu'AlphaFold 4 a prédit les structures de 50 000 protéines de transport membranaire ressemble à une nouvelle avancée en biologie computationnelle. Mais en réalité, c'est bien plus qu'un progrès. C'est le moment où l'IA a cessé d'être un « assistant » pour devenir le seul outil capable de sonder toute une classe de cibles qui étaient complètement inaccessibles à la biologie structurale classique depuis des décennies.
Nous parlons des transporteurs SLC et des canaux ioniques. Les protéines membranaires représentent environ 60 % de toutes les cibles médicamenteuses approuvées par la FDA, mais leurs informations structurales ont toujours été un « angle mort » — moins de 3 % des structures connues appartiennent à cette catégorie. La raison n'est pas la paresse des scientifiques, mais la physique : pour faire croître un cristal destiné à la cristallographie aux rayons X, la protéine doit être plate et stable. Une protéine membranaire qui vit dans une couche lipidique et change constamment de forme pour transporter des molécules à travers la membrane est le pire candidat pour la cristallisation.
Qu'a fait AlphaFold 4 que les versions précédentes ne pouvaient pas faire ? Tout est une question de « dynamique ». Les versions précédentes, y compris la révolutionnaire AlphaFold 2, prédisaient une structure statique — une seule forme « repliée ». AlphaFold 4, en revanche, semble avoir appris à prédire des ensembles conformationnels (bien que l'annonce mentionne « AlphaFold 3 » de 2024, l'industrie sous-entend une nouvelle itération du modèle multimère). Autrement dit, pour une protéine de transport, il peut montrer trois états : ouvert vers l'extérieur, fermé (en complexe avec un ligand) et ouvert vers l'intérieur. Sans comprendre ces formes (conformations), il est impossible de créer un médicament bloqueur — on ne sait tout simplement pas où et comment s'accrocher.
Chronologie et contexte
Pour comprendre pourquoi il s'agit d'un coup de maître, rappelons l'histoire d'une des classes de médicaments les plus rentables — les inhibiteurs de la pompe à protons (oméprazole et ses successeurs). Ils ont été développés « à l'aveugle » dans les années 80, en s'appuyant sur une physiologie grossière. Aujourd'hui, à l'ère de la conception ciblée, personne ne travaille de cette façon. Si une protéine ne peut pas être photographiée (cristallisée), elle était considérée comme « non médicamentable ». Les transporteurs SLC étaient exactement ce cimetière d'espoirs.
Dates clés : 2020-2021 — AlphaFold 2 a stupéfié le monde en prédisant des centaines de millions de protéines. Mais les protéines membranaires restaient le défi le plus difficile. 2023-2024 — l'avènement d'AlphaFold 3 avec la capacité de modéliser de petites molécules et des ions. C'est à ce moment-là qu'il est devenu clair qu'on pouvait prédire non seulement la protéine elle-même, mais aussi comment un médicament s'y lie.
Maintenant, en juin 2026, Google DeepMind annonce avoir réalisé un score « titanesque » — prédire les structures de tous les transporteurs membranaires humains connus. Il ne s'agit pas d'une découverte hypothétique, mais de l'achèvement de la carte. Cette annonce devrait déclencher non pas des applaudissements sur Twitter, mais des réunions à huis clos dans les départements R&D de Pfizer et Novartis.
Qui gagne et qui perd
Gagnants : Les biotechs in-silico. Par exemple, Recursion Pharmaceuticals (qui utilise déjà l'IA pour le criblage phénotypique) et des entités comme Genesis Therapeutics. Ils n'ont plus besoin de cribler des bibliothèques de millions de composés pour « tâtonner ». Ils peuvent directement modéliser l'amarrage dans la structure prédite d'un canal potassique.
Gagnants : Les laboratoires académiques. Le coût de la cristallisation commerciale d'une protéine membranaire est d'environ 150 000 à 300 000 dollars et de 1 à 2 ans de travail. Désormais, ce coût a été effectivement réduit à zéro. Les centres de biologie structurale qui gagnaient des contrats pour « solubiliser » des cibles difficiles pour l'industrie pharmaceutique en souffriront.
Perdants : Étonnamment, la technologie Cryo-EM. C'était l'espoir des 5 dernières années pour les protéines membranaires, mais l'IA va plus vite. Perdants : Les chimistes médicinaux de la vieille école qui aimaient dire : « L'ordinateur peut le dessiner, mais ça ne marchera pas dans un tube à essai. » Maintenant, l'IA a une structure, et la probabilité de succès augmente considérablement.
Ce que les médias ne disent pas
Aperçu un : Le problème de l'environnement lipidique.
Les médias écrivent « structure prédite ». Mais une protéine dans une cellule n'est pas dans le vide ; elle est dans une membrane — un fluide spécifique avec du cholestérol et des lipides spécifiques qui modifient sa forme. AlphaFold 4 prédit probablement la structure de la protéine dans un « détergent aqueux » ou un modèle simplifié. Il y a eu des cas où une protéine générée par IA, confirmée par cristallographie, s'est avérée ne pas fonctionner dans une cellule vivante parce que l'IA avait manqué une molécule lipidique régulatrice coincée entre les hélices alpha. Si vous concevez un médicament basé sur une structure « sans lipides », il pourrait tout simplement ne pas s'adapter à la protéine native.
Aperçu deux : Transporteurs orphelins et effets hors cible.
Les humains ont environ 450 transporteurs SLC. Beaucoup étaient considérés comme « sans intérêt » parce que leur fonction était inconnue. Maintenant, nous connaissons leur structure, mais pas ce qu'ils font. Les grandes sociétés pharmaceutiques se précipiteront pour cribler des bibliothèques contre eux, trouver des molécules actives, et ce n'est qu'en phase 2 qu'elles découvriront que le blocage de SLC-48 provoque une néphrotoxicité — quelque chose d'impossible à prédire car nous ne connaissions pas la physiologie de ce gène. Nous avons une « clé » (la structure), mais nous ne savons pas quelle porte nous ouvrons. L'industrie pharmaceutique classique partait toujours de la maladie — la mutation du gène A conduit à la maladie B. Ici, l'IA nous donne une structure sans nosologie. Cela créera une vague d'échecs cliniques dans 3 à 4 ans.
Aperçu trois : Le monopole de DeepMind.
DeepMind publie les structures en accès libre (AlphaFold Protein Structure Database). C'est excellent pour la science. Mais l'IA elle-même, qui transforme une séquence d'acides aminés en un modèle 4D avec des hélices, est propriétaire. DeepMind ne révèle pas l'architecture exacte du réseau neuronal (généralement une combinaison de transformeurs et de modèles de diffusion). Toutes les biotechs sont désormais « à la merci » de Google. Si demain Google décide de restreindre l'accès ou de modifier la tarification de l'API pour le criblage virtuel à haut débit, toute l'industrie sera prise en otage.
Prévisions : 30 prochains jours et 90 prochains jours
30 prochains jours :
Attendez-vous à une vague de prépublications. D'ici un mois, au moins 10 articles paraîtront sur bioRxiv où les auteurs trouveront une « nouvelle poche » sur l'un des transporteurs SLC. Les laboratoires commenceront à « découper » des centaines de variantes de petites molécules personnalisées. Les analystes financiers commenceront à réviser les valorisations des entreprises spécialisées dans les maladies métaboliques (où les SLC jouent un rôle clé).
90 prochains jours :
Moment clé — la FDA publiera-t-elle des directives sur l'utilisation des structures d'IA comme preuve du mécanisme d'action ? Actuellement, les régulateurs exigent des données physiques pour la validation des cibles. Si la FDA reconnaît AlphaFold 4 comme suffisant pour justifier la sélection de cibles, cela réduira de 1 à 2 ans le travail préclinique.
Préparez-vous également à un scandale de reproductibilité. Quelqu'un essaiera de synthétiser l'une des protéines prédites (in vitro) et de vérifier le modèle d'IA avec des rayons X. Je suis convaincu que le RMSD (écart quadratique moyen des atomes) dépassera 1,5 angström pour certaines sous-unités complexes. Pour la conception chimique, c'est beaucoup. Une vague de critiques surgira, affirmant que l'IA « dessine encore des gribouillis ». Ce n'est que plus tard qu'il s'avérera que la protéine s'est simplement agrégée dans le tube à essai — un problème de biophysique distinct que l'IA ne résout pas encore.
Avertissement : L'analyse ci-dessus repose sur la logique du développement de la biologie de l'IA au cours des 3 dernières années et sur les tendances établies par les publications de Nature/Science de 2024-2025. Les noms d'entreprises et de produits spécifiques sont utilisés pour illustrer les relations industrielles et ne reflètent pas des informations directes provenant de sources non publiées.
— Editorial Team
