Première application de l'intelligence artificielle pour prédire la structure de toutes les protéines connues (AlphaFold DB)
Google DeepMind et l'EMBL-EBI ont peuplé une base de données de plus de 200 millions de structures protéiques prédites, accélérant radicalement le développement de médicaments et la compréhension des mécanismes moléculaires des maladies.
Introduction
En 2020, lors de la conférence CASP14 (Critical Assessment of protein Structure Prediction), un événement attendu depuis près d'un demi-siècle par les biologistes et les pharmacologues s'est produit. AlphaFold 2 de Google DeepMind a prédit la structure tridimensionnelle des protéines à partir de leurs séquences d'acides aminés avec une précision comparable aux méthodes expérimentales. Cela a été salué comme « la résolution du problème des protéines vieux de 50 ans ».
Deux ans plus tard, en juillet 2022, DeepMind et l'Institut européen de bioinformatique EMBL-EBI ont franchi une étape supplémentaire, non moins significative que la victoire scientifique elle-même. Ils ont ouvert l'accès gratuit à la base de données de structures protéiques AlphaFold (AlphaFold DB), contenant plus de 200 millions de structures protéiques prédites — pratiquement toutes les protéines connues de la science issues du catalogue UniProt.
En 2024, cette avancée a été couronnée par le prix Nobel de chimie, décerné à Demis Hassabis et John Jumper. Et déjà en 2025-2026, le monde a vu comment les prédictions de structures se transforment en véritables médicaments entrant en essais cliniques. Cet article explique comment une seule base de données a radicalement changé le paysage de la science biomédicale.
Détails de l'événement et chronologie
Étape 1 : Révolution dans la prédiction (2020)
Lors de CASP14, AlphaFold 2 a atteint un score GDT médian (mesure de la précision de prédiction) supérieur à 90 %, ce que les experts ont considéré comme équivalent à une résolution expérimentale. Cela signifiait que désormais, une structure protéique pouvait être déterminée en heures au lieu de mois ou d'années de travail en laboratoire.
Étape 2 : Création de la base de données (2021-2022)
En 2021, DeepMind et l'EMBL-EBI ont lancé la première version d'AlphaFold DB, contenant 350 000 structures pour 20 organismes biologiquement significatifs. La deuxième version a élargi la collection à près d'un million de modèles.
Le moment clé est survenu le 28 juillet 2022. L'EMBL-EBI a annoncé une version qui a fait passer la base de données de moins d'un million à 214 684 311 structures tridimensionnelles prédites. Comme l'a alors déclaré Ewan Birney, directeur adjoint de l'EMBL-EBI : « À partir d'aujourd'hui, la base de données est passée d'un million à plus de 200 millions de structures, couvrant presque tout UniProt. »
Étape 3 : AlphaFold 3 et au-delà (2024-2025)
En mai 2024, DeepMind et Isomorphic Labs ont publié AlphaFold 3. Le nouveau système est allé au-delà des protéines uniques — il a appris à prédire la structure de complexes d'ADN, d'ARN, d'ions, de ligands et de modifications post-traductionnelles. Dans le test PoseBusters (évaluant la précision de la liaison protéine-ligand), AlphaFold 3 a montré une amélioration de 50 % par rapport aux meilleures méthodes traditionnelles.
Étape 4 : Reconnaissance et premiers médicaments (2024-2026)
En octobre 2024, Hassabis et Jumper ont reçu le prix Nobel. Et en avril 2026, lors de la conférence WIRED Health, Max Jaderberg, président d'Isomorphic Labs, a annoncé : l'entreprise prépare les premiers médicaments conçus par IA pour des essais cliniques humains.
Impact et importance
Pour le monde scientifique
AlphaFold DB a changé la façon même de travailler des biologistes structuraux :
- Échelle : Plus de 3 millions de chercheurs de 190 pays ont utilisé la base de données, dont plus d'un million de scientifiques de pays à revenu faible ou intermédiaire.
- Vitesse de découverte : Les chercheurs utilisant AlphaFold sont 40 % plus actifs dans la publication de nouvelles structures expérimentales, et ces structures se situent plus souvent dans des domaines inexplorés auparavant.
- Impact des citations : Les articles liés à AlphaFold sont cités dans des articles cliniques deux fois plus souvent que les travaux typiques de biologie structurale.
Les exemples d'applications concrètes sont impressionnants :
- En Europe, AlphaFold a aidé à comprendre la structure de la protéine Vitellogénine chez les abeilles — utilisée dans des programmes de sauvetage des populations menacées.
- Pendant des années, les scientifiques n'ont pas pu obtenir la structure de l'apolipoprotéine B100, une protéine clé du « mauvais » cholestérol (LDL). AlphaFold 2 a révélé sa forme « cellulaire » complexe, donnant aux pharmacologues un plan atomique pour créer de nouvelles thérapies contre l'athérosclérose.
- Des étudiants turcs de premier cycle, sans formation préalable en biologie structurale, ont appris grâce aux tutoriels d'AlphaFold et ont ensuite publié 15 articles scientifiques.
Pour l'industrie pharmaceutique
AlphaFold est devenu un catalyseur pour la découverte de médicaments :
- Environ 40 % des nouvelles structures déposées dans la Protein Data Bank (PDB) entre 2024 et 2025 ont été obtenues à l'aide de méthodes d'IA.
- Isomorphic Labs, une spin-off de DeepMind, a levé 600 millions de dollars d'investissements et a formé des partenariats avec Eli Lilly et Novartis.
- Un moteur propriétaire, IsoDDE, a été développé, dont l'entreprise affirme qu'il double la précision d'AlphaFold 3 dans la conception de médicaments.
Pour la société
La principale promesse d'AlphaFold est d'accélérer la création de médicaments pour des maladies difficiles à traiter. « Les molécules que nous avons conçues sont très efficaces, peuvent être prises à des doses plus faibles et ont moins d'effets secondaires », a déclaré Jaderberg. La mission d'Isomorphic Labs, énoncée comme « guérir toutes les maladies », ne semble plus relever de la science-fiction.
Cependant, des chercheurs de l'Université de l'Illinois préviennent : « AlphaFold prédit la structure, mais pas la fonction de la protéine ni son comportement dans une cellule vivante. Aucun médicament basé sur l'IA n'a encore été créé ; de l'idée à la clinique, le chemin est long. »
Réactions des acteurs clés
Google DeepMind et la communauté scientifique. Pour DeepMind, cela est devenu la principale preuve que l'IA peut faire progresser la science fondamentale. L'équipe continue de développer des modèles connexes : AlphaMissense et AlphaGenome pour l'analyse des mutations, AlphaProteo pour concevoir des liants protéiques contre le cancer et le diabète.
Éditeurs et bases de données. Paradoxalement, le succès d'AlphaFold DB a créé un problème de « vieillissement des données ». Comme la base de données n'a pas été mise à jour depuis 2022, tandis que la bibliothèque UniProt continue d'être éditée et affinée, des divergences sont apparues. En juin 2025, sur 20 504 structures humaines dans AlphaFold DB, 631 contredisaient l'entrée actuelle d'UniProt. Pour la souris, les divergences étaient de 2,4 %, et pour le poisson zèbre, de près de 43 % en raison d'un nettoyage massif du protéome. La revue Nature Structural & Molecular Biology avertit directement : les chercheurs doivent vérifier les dernières versions des séquences.
Critiques. Le scientifique américain Sarfraz Niazi, dans plusieurs publications (dont une acceptée par Nature), soutient que le prix Nobel pour AlphaFold 2 a été décerné prématurément. Selon lui, le modèle ne peut pas prédire la structure d'une séquence d'acides aminés entièrement nouvelle et ne reflète pas la dynamique des protéines dans des conditions physiologiques. Bien que de nombreux collègues contestent le caractère catégorique de ses conclusions, le simple fait du débat souligne que l'IA en biologie n'en est qu'au début de son parcours.
Prévisions et conclusions
Ce que nous avons en 2026 :
- Une base de données de plus de 200 millions de structures, changeant l'approche pour résoudre des problèmes allant de l'agriculture à la cardiologie.
- Un prix Nobel légitimant l'IA comme méthode à part entière en chimie et en biologie.
- Les premières molécules conçues par IA se préparant pour des essais humains.
Principaux défis :
- Mise à jour de la base de données. AlphaFold DB a besoin d'une version 2.0 avec une synchronisation en temps réel avec UniProt, sinon la valeur de la ressource diminuera.
- De la prédiction au médicament. Le pourcentage de conceptions par IA qui passeront les trois phases d'essais cliniques est encore inconnu. L'histoire connaît de nombreuses technologies prometteuses qui se sont heurtées à la réalité du corps humain.
- Dynamique et états multiples. AlphaFold 3 a encore du mal à prédire les transitions conformationnelles des protéines et peut « halluciner » dans les régions non structurées.
Conclusion : AlphaFold DB n'est pas la fin de la biologie structurale, mais son nouveau commencement. Les expériences (cristallographie, RMN, cryo-microscopie électronique) n'ont pas disparu. Au contraire, en 2025-2026, la PDB enregistre un nombre record de nouvelles structures confirmées expérimentalement — en partie parce que l'IA aide les biologistes à choisir les cibles les plus prometteuses. Ce que nous vivons n'est pas le remplacement du laboratoire par l'ordinateur, mais la multiplication de l'intelligence humaine par les capacités de la machine. Et si les prévisions d'Isomorphic Labs sont correctes, dans les 5 à 10 prochaines années, nous verrons les premiers médicaments nés de prédictions numériques.
— Editorial Team
