Transcription

• Speaker #0

  Bienvenue dans TechCareLab by IA. On le sait, entre l'actualité, les posts, les breaking news et les piles d'articles qui s'accumulent, ça devient difficile de passer à côté d'une news pertinente ou de distinguer ce qui impressionne de ce qui est réellement utile. Ici on fait le tri entre la promesse et la preuve, sans bruit, sans hype, mais avec exigence. Avec l'aide de l'IA, on vous présente des articles en podcast qu'on trouve éclairants, intéressants. Dans chaque épisode, on décrypte l'actualité et la littérature, de la santé digitale à l'intelligence artificielle, en passant par le care et les soins palliatifs. Avec une seule question simple, qu'est-ce qui change vraiment pour l'humain ? Pour les patients, pour les équipes, pour le soin, pour nos décisions au quotidien ? Bienvenue dans notre laboratoire sonore, bienvenue dans TechCareLab by IA. Il y a quelques jours, je suis tombé sur une news importante. Le 24 avril 2026, Mark Jaderberg, président d'Isomorphic Labs, à la conférence annuelle de Wired Health, s'est levé dans une salle de chercheurs et de cliniciens pour annoncer « Nous nous préparons à entrer en clinique » . La filière de Google résumait en six mots simples la portée de six années de transformation scientifique à la limite de la science-fiction. Des essais médicamenteux, conçus par l'IA de DeepMind Google vont bientôt commencer chez l'humain. Ça m'a forcément mis la puce à l'ovrail et je me suis penché sur le sujet. J'avais la vague notion qu'une IA pourrait s'intéresser à explorer les champs moléculaires de la recherche. Je me suis un peu plongé dans tout ça et finalement cette news, c'est l'aboutissement de l'odyssée des AlphaFold, des programmes qui explorent les protéines, leur conformation et leur interaction. Et là, Google DeepMind va bientôt commencer ses essais chez l'humain, avec des médicaments conçus... grâce à l'intelligence artificielle, et tout ça c'est pas une info banale. Du coup j'ai pu identifier 4-5 articles, pivots, qui marquent les moments clés de développement et les points d'étape de la construction. La première étape c'est AlphaFold, premier du nom. Et c'est exactement par là qu'il faut commencer pour bien comprendre. Tout ce qui se passe en biologie c'est une histoire de formes et d'emboîtements. Une protéine c'est une chaîne, une succession de petites briques, des acides aminés, mais cette chaîne elle est pas droite, elle se replie, s'enroule et forme des structures 3D complexes. qui peuvent changer. Et cette question de la structure 3D à partir d'une chaîne linéaire, c'est une question qui occupe les biologistes depuis les années 70. Pourquoi ? Parce que si on comprend la forme, on comprend la fonction. Et si on comprend la fonction, on peut intervenir, modifier et voir soigner. En 50 ans, ces projétées sont passées au cripe par des cristallographes et des rayons X. C'était rigoureux, c'était exigeant, mais c'était très long. Et puis, DeepMind arrive avec AlphaFold, et soudain, c'est les machines qui peuvent prédire comment une protéine se replie à partir de sa simple séquence d'acides aminés. Pas en années, en quelques minutes. La deuxième étape, c'est Afafold 2, en 2021. Meilleur, beaucoup plus puissant. Le résultat, DeepMind publie et identifie la structure prédite de plus de 200 millions de protéines, soit la quasi-totalité des protéines. Et dans un geste extraordinaire, Google dit, on vous le donne, c'est cadeau. Tout est ouvert, le code est ouvert, l'accès est gratuit. Ça a un effet dingue. Les labos du monde entier, en Chine, en Inde, au Canada, partout, commencent à l'utiliser. Les bases de données de protéines explosent, la recherche s'accélère. C'est un peu l'apogée de la science ouverte. C'est beau, c'est collaboratif. C'est la science qu'on imagine, un peu parfaite, libre, partagée pour tous, pour le bien de tous. Et puis en 2023, un autre AlphaFold surpasse les précédents. AlphaFold 3. Ils modélisent plus seulement les protéines, ils modélisent des interactions. Des interactions protéines-protéines. Comment elles se reconnaissent, se lient, se parlent presque ? Protéines ARN et protéines ADN, comment elles se connectent au génome ? Et puis surtout le tournant, c'est les protéines ligands. Le ligand c'est une petite molécule, pas une protéine, une toute petite molécule qui vient se glisser dans une protéine, un peu comme une clé dans une serrure. Et quand la clé tourne, elle peut activer la protéine, la désactiver, la modifier, la contrôler. Et là on s'approche du médicament. Alors AlphaFol3 apprend à prédire précisément comment ces petites molécules se lient aux protéines malades. Pas juste théoriquement, avec une précision expérimentale. On peut commencer à concevoir des molécules thérapeutiques. Du coup, le comité Nobel, en 2024, reconnaît cette découverte importante et remet à Jumper, Baker et Assabis le Nobel de chimie. Alpha-Foltror et puis Open Source. Mais non. La recherche fondamentale, ça se partage, c'est de la science, c'est fait pour avancer ensemble. Mais quand on commence à avoir la connaissance d'un médicament, c'est un exercice complètement différent. Il y a des essais cliniques, de la réglementation. des années de travail, des milliards d'euros, des brevets, de la propriété intellectuelle. Donc Google crée Isomorphic Labs, une filière pharmaceutique. DeepMind prend la technologie d'AlphaFold et dit « Maintenant on va la mettre au service du médicament. » Bien sûr, il y a des partenariats avec les Big Pharma, Eli, Lily, Exienta, RoiVent, les grands noms de la pharma. AlphaFold 3 devient propriétaire, accès contrôlé, web server limité. C'est un changement de stratégie. Les big tech deviennent incontournables dans l'ensemble de notre vie, jusque dans le médicament. Du coup, des médicaments qui auraient pris 15 ans à être conçus, maintenant, peut-être qu'on va s'approcher de 2-3 ans, et peut-être moins. Google n'avait pas besoin d'entrer en pharma pour être puissante. C'était déjà le cas. Mais maintenant, avec cette technologie, elle devient un acteur incontournable du médicament. Les start-up biotech, elles vont devoir collaborer avec Google, ou avec Isomorphic Labs. utilisait leurs outils. Bref, elles sont devenues incontournables dans la santé. Et tout ça, ça s'est déroulé en 6 ans. Ça va très très vite. Ça laisse songeur et je vous laisse découvrir dans le détail les études-principes qui ont conduit à cette news du 24 février 2026. Nous nous préparons à rentrer en clinique. Je vous souhaite une bonne écoute de ce nouvel épisode de Téquin Lab by IA. Le rendez-vous du jeudi.

• Speaker #1

  Aujourd'hui dans TechCareLab by IA, le rendez-vous du jeudi dans la série IA et Préthique Médicale, nous nous intéressons à l'épopée AlphaFold. Pour bien commencer cette analyse, imaginez devoir plier une feuille de papier pour en faire, disons, une grue en origami d'une complexité inouïe.

• Speaker #2

  D'accord, je visualise.

• Speaker #1

  Sauf que vous avez les yeux bandés, vous portez des péganes de ski et chaque tentative pour trouver le bon pliage vous prend environ 5 ans.

• Speaker #2

  Oui, c'est tout de suite moins facile.

• Speaker #1

  C'est ça. Et c'est d'une certaine manière la situation exacte dans laquelle se trouvait la biologie fondamentale face au défi du repliement des protéines. Mais aujourd'hui, nous n'avons plus les yeux bandés.

• Speaker #2

  Non, absolument plus.

• Speaker #1

  Justement, l'annonce faite le 16 avril 2026 au Wired Health à Londres par Isomorphic Lab marque une bascule, enfin une bascule vraiment définitive. Des médicaments conçus de bout en bout par l'intelligence artificielle s'apprêtent à entrer en essai clinique chez l'humain.

• Speaker #2

  Oui, l'ampleur de cette annonce est vraiment saisissante. Parce que nous parlons d'une biotech issue de Google DeepMind qui ne se limite plus du tout à la recherche académique ou exploratoire.

• Speaker #1

  Il passe au concret quoi.

• Speaker #2

  Exactement. Isomorphic Labs a consolidé un portefeuille clinique très concret. Il cible des pathologies lourdes, notamment en oncologie et en immunologie. Demis Hassabis l'avait d'ailleurs anticipé. Il prédisait ses essais pour la fin 2025.

• Speaker #1

  Et nous y sommes.

• Speaker #2

  Voilà, nous franchissons ce cap. Ce qui se joue ici. Pour les personnes qui suivent de près ces sujets, c'est vraiment le passage d'une ère d'observation artisanale à une ère de création thérapeutique prédictive.

• Speaker #1

  Et c'est là qu'il faut, je pense, poser les bases pour bien comprendre pourquoi cette annonce est un séisme scientifique. La biologie dicte une règle assez simple au fond. La forme tridimensionnelle d'une protéine détermine sa fonction.

• Speaker #2

  C'est la règle d'or, oui.

• Speaker #1

  Si la protéine est mal pliée, elle ne fonctionne pas, ou pire, elle provoque des maladies comme Alzheimer ou certains cancers. Et historiquement, pour voir cette forme, on utilisait la cristallographie. On forçait les protéines à former des cristaux, puis on les bombardait de rayons X.

• Speaker #2

  Une méthode atrocement longue et très chère, il faut le rappeler.

• Speaker #1

  Et parfois même impossible, non.

• Speaker #2

  Ah bah, complètement impossible pour certaines d'entre elles. Certaines protéines refusent tout simplement de cristalliser. Nous étions donc face à un gouleux d'étranglement majeur. Le séquençage de l'adène nous donnait la liste des ingrédients, la séquence linéaire des acides aminés, mais pas la recette de leur assemblage. en 3D.

• Speaker #1

  Et sans cette architecture, concevoir un médicament, ça revenait un peu à essayer d'éteindre un feu sans savoir où se trouvent les portes du bâtiment.

• Speaker #2

  C'est une excellente analogie.

• Speaker #1

  Pendant longtemps, quand on parlait de concevoir ces molécules, on utilisait la fameuse métaphore de la clé et de la serrure. La protéine est la serrure et le médicament est la clé.

• Speaker #2

  Oui, on l'a tous apprise à l'école, celle-là.

• Speaker #1

  Mais en épluchant la documentation sur les avancées d'AlphaFold pour notre plongée d'aujourd'hui, on réalise que cette analogie est complètement dépassée. Ce n'est pas une serrure métallique statique.

• Speaker #2

  Non, pas du tout.

• Speaker #1

  C'est plutôt comparable au développement d'un moteur physique de jeux vidéo ultra réaliste. L'IA ne se contente plus de dessiner la forme externe, elle calcule comment la molécule va plier, réagir, vibrer. Alors, la grande question c'est, comment une IA à l'origine entraînée pour reconnaître des images a-t-elle appris la biochimie avec une telle précision ?

• Speaker #2

  Eh bien, la réponse se trouve dans une évolution architecturale fascinante. Ça a commencé autour de 2018 et ça a vraiment explosé en 2020 avec AlphaFold 1. Le terrain d'essai de cette technologie, c'était le CASP.

• Speaker #1

  Le concours CASP, oui.

• Speaker #2

  C'est ça, c'est l'étalon hors mondial, une évaluation à l'aveugle. En gros, on donne au laboratoire la séquence d'une protéine dont la structure 3D vient d'être découverte en laboratoire mais qui est gardée secrète. Le but est de la deviner.

• Speaker #1

  Et avant AlphaFold, les méthodes étaient un peu rudimentaires, si je ne me trompe pas. On prenait des morceaux de protéines connues et on essayait de les coller ensemble au hasard.

• Speaker #2

  Ouais, on appelait ça l'assemblage stochastique de fragments. Et on utilisait beaucoup d'algorithmes basés sur le recuit simulé.

• Speaker #1

  Attendez, le recuit simulé, il faut qu'on clarifie ça. C'est un terme qui vient directement de la métallurgie, n'est-ce pas ?

• Speaker #2

  Absolument. En métallurgie, on chauffe un métal à blanc pour agiter ses atomes. Puis on le refroidit très lentement pour qu'il s'organise dans la structure la plus stable possible. En bioinformatique, c'est une métaphore algorithmique.

• Speaker #1

  D'accord.

• Speaker #2

  On prend un modèle de la protéine, on simule une température élevée en introduisant beaucoup de changements aléatoires, puis on baisse progressivement cette température numérique pour forcer le modèle à converger vers un état d'énergie minimal.

• Speaker #1

  C'était ingénieux.

• Speaker #2

  Ingénieux, oui, mais atrocement lent et le taux d'erreur restait massif, surtout pour les nouvelles protéines.

• Speaker #1

  Et c'est là qu'AlphaFold 1... change la donne, en 2020. Dans leur article publié dans Nature, ils décrivent une approche basée sur le distogramme. Ils utilisent des réseaux de neurones convolutifs. Ce sont bien ceux qui nous permettent de reconnaître des Ausha sur des photos, non ?

• Speaker #2

  C'est exactement la même famine d'algorithmes, oui. Mais au lieu de chercher des pixels, l'IA cherchait à prédire des probabilités de distance entre certains atomes. Le système se concentrait sur les atomes de carbone bêta.

• Speaker #1

  Les carbone bêta, d'accord. Vous pouvez nous vulgariser ça rapidement ?

• Speaker #2

  Bien sûr. Si vous imaginez la chaîne d'acides aminés comme une colonne vertébrale, le carbone bêta est, disons, la première articulation qui relie cette colonne aux membres de la protéine, ces chaînes latéraux.

• Speaker #1

  Je vois.

• Speaker #2

  Le réseau analyse la séquence linéaire et croise cela avec des alignements de séquences multiples. Il regarde comment cette protéine a évolué chez des milliers d'espèces différentes au fil du temps.

• Speaker #1

  C'est un point que j'ai trouvé fascinant dans les sources. Si je comprends bien, l'IA observe que si un acide aminé mute en position 10 chez une espèce, et qu'un autre mute systématiquement en même temps en position 50, ça veut dire qu'ils sont probablement collés l'un à l'autre dans l'espace 3D.

• Speaker #2

  Ouais, c'est le principe de la coévolution. À partir de là, AlphaFold1 générait ce fameux distogramme qui est essentiellement une carte de probabilité des distances entre toutes ces paires.

• Speaker #1

  Alors là, je vais me faire l'avocat du diable une seconde. Prédire une carte de distance basée sur l'évolution, n'est-ce pas au fond une simple corrélation statistique très avancée ? Est-ce que l'algorithme comprend réellement la physique ou fait-il juste des probabilités ?

• Speaker #2

  C'est une excellente question. Et c'est la critique majeure qui a été formulée à l'époque. Mais la prédiction statistique n'était que la première étape.

• Speaker #1

  Ah d'accord.

• Speaker #2

  L'algorithme convertissait ensuite ces probabilités en un champ de force sur mesure, un potentiel d'énergie qu'ils appelaient V total. Le système ajoutait des contraintes physiques fondamentales, comme l'impossibilité pour deux atomes d'occuper le même espace.

• Speaker #1

  Les collisions stériques, comme s'assurer que deux objets dans un jeu vidéo ne se traversent pas comme des fantômes.

• Speaker #2

  Exactement. Et ensuite, l'algorithme appliquait une véritable descente de gradient. Il modifiait physiquement les coordonnées spatiales pour trouver la structure la plus stable.

• Speaker #1

  Mais visiblement, ça ne suffisait pas. Parce qu'à l'étape suivante, lors du concours CASP14 en 2021 avec AlphaFold2, ils ont jeté cette architecture à la poubelle.

• Speaker #2

  Ouais, ils ont fait table rase. Ils ont réalisé que l'IA faisait encore des erreurs physiques dans les détails. AlphaFold2 a introduit une rupture. rupture technologique majeure avec le module EvoFormer.

• Speaker #1

  L'EvoFormer.

• Speaker #2

  Au lieu de traiter les données évolutives et les paires d'acides aminés séparément, l'EvoFormer les fait communiquer en permanence. Si une information de distance contredit l'histoire évolutive, le système se corrige de manière bilatérale.

• Speaker #1

  Et c'est là qu'intervient ce terme très technique qui revient sans cesse, la tension équivariante. Je vous avoue que ce concept m'a donné quelques sueurs froides pendant mes recherches.

• Speaker #2

  C'est normal, c'est très abstrait.

• Speaker #1

  L'attention, dans l'IA on connaît, avec chat GPT, ça permet de se concentrer sur les mots importants. Mais équivariante, je...

• Speaker #2

  Pour le visualiser simplement, imaginez que vous tenez une maquette de chaise. Que vous la regardiez de face, de dos ou à l'envers, vous savez toujours que les pieds sont attachés à l'assise. Les relations spatiales internes ne changent pas.

• Speaker #1

  D'accord, l'objet reste le même, peu importe l'angle.

• Speaker #2

  Voilà. L'attention équivariante donne cette faculté à l'algorithme. Il opère directement sur un nuage de points tridimensionnels en comprenant intrinsèquement leur géométrie relative sans se perdre dans des coordonnées arbitraires.

• Speaker #1

  Et les conséquences ont été immédiates. DeepMind s'est associé à l'Institut européen de bioinformatique. En un clin d'œil, on est passé de 180 000 protéines cataloguées en un demi-siècle à la prédiction de 98,5% de l'ensemble du protéome humain.

• Speaker #2

  Et ensuite à des centaines de millions de structures. Le volume donne le vertige.

• Speaker #1

  Mais au milieu de tout ça, l'IA doit quand même avouer ses faiblesses. Et c'est là qu'entrent en jeu les scores de confiance, le PLDDT et la PAE.

• Speaker #2

  C'est un impératif absolu en science. Une prédiction sans marge d'erreur est inutile. Le score PLDDT, gradué de 0 à 100, juge la précision locale, atome par atome. Au-dessus de 90, la structure est une précision expérimentale.

• Speaker #1

  Sauf que parfois, sur la base de données, on voit des régions qui ressemblent à des spaghettis flottant au vent, avec des scores très bas, en dessous de 50. La première réaction, c'est de se dire, l'IA a planté ici.

• Speaker #2

  Et c'est là que le génie de la biologie se révèle. Les chercheurs ont démontré que ces scores inférieurs à 50 ne sont pas des échecs. Ils sont fortement corrélés au désordre intrinsèque.

• Speaker #1

  Le désordre intrinsèque ? Vous voulez dire que la protéine n'a pas de forme fixe ?

• Speaker #2

  Tout à fait. Une grande partie de nos protéines sont flexibles. Elles se comportent comme des tentacules molles jusqu'à ce qu'elles rencontrent leur cible. En donnant un score très bas, l'IA nous dit, ici, c'est le chaos. Par nature, il n'y a pas de structure fixe à prédire.

• Speaker #1

  L'IA modélise donc l'incertitude du vivant. C'est fascinant. Mais une protéine parfaite et isolée, ça ne sert à rien. Elle interagit avec l'ADN, avec des médicaments. Et ça nous amène à AlphaFold3 en 2024. Le modèle devait comprendre l'interaction globale.

• Speaker #2

  Le grand bon d'AlphaFold3, c'est de modéliser conjointement comment la protéine s'enroule autour de l'ADN, se lie à un ion de zinc et capture un ligand chimique en même temps. Et pour ça, ils ont intégré un modèle de diffusion.

• Speaker #1

  Un modèle de diffusion ? Comme les IA qui génèrent des images à partir d'un brouillard de pixels.

• Speaker #2

  Le principe conceptuel est le même, mais appliqué aux coordonnées atomiques. Le processus commence par un nuage de bruit complet dans l'espace 3D. Par itération successive, l'algorithme débruite la scène. Il rapproche les atomes, forme les liaisons.

• Speaker #1

  Ça met un terme au vieux docking alors. Avant, on jouait à Tetris avec des molécules rigides. AlphaFold 3 modélise une étreinte dynamique.

• Speaker #2

  Oui. Et l'impact sur la recherche fondamentale est énorme, surtout pour les maladies négligées. Avec ces bases de données, nous passons à la bioinformatique structurelle à haut débit. On peut explorer le protéome de bactéries résistantes depuis un ordinateur portable.

• Speaker #1

  Ce qui nous ramène de plein fouet à la réalité médicale et à Isomorphic Labs, aujourd'hui en 2026. Parce qu'ils n'utilisent pas juste AlphaFol3. Ils ont développé l'outil IsoDDE qui double la précision. Pourquoi a-t-on besoin de doubler la précision ?

• Speaker #2

  Parce que dans le médicament, l'approximation est mortelle. Historiquement, l'industrie lançait des millions de fléchettes à l'aveugle, ce qu'on appelle le criblage à haut débit. C'est empirique et le taux d'échec est faramineux. Avec IsoDE, la conception devient rationnelle.

• Speaker #1

  On dessine la molécule.

• Speaker #2

  Exactement. Et le plus crucial, c'est l'anticipation de la toxicité. IsoDE permet de modéliser les effets hors cible in silico, pour s'assurer que le médicament ne va pas, par accident, se lier à une protéine saine de votre cœur.

• Speaker #1

  On comprend mieux les partenariats titanesques et signés avec Novartis ou Elilili. L'enjeu sanitaire donne le vertir, surtout pour l'oncologie ou l'immunologie, où l'on veut agir plus tôt.

• Speaker #2

  C'est toute la stratégie de médecine préventive. Imaginez un patient avec une mutation génétique rare qui altère une kinase, annonçant un cancer. L'IA peut identifier les nouvelles poches de liaison créées par cette mutation avant même que la tumeur ne soit détectable.

• Speaker #1

  Nous entrons dans l'ingénierie moléculaire de précision préventive. C'est l'aboutissement d'une convergence entre la puissance de calcul et les lois de la physique. Et cela nous amende à une réflexion finale pour repousser encore un peu les limites.

• Speaker #2

  Je vous écoute.

• Speaker #1

  Si nous avons des réseaux capables de modéliser avec une précision atomique n'importe quelle interaction, pourrions-nous concevoir une veille algorithmique mondiale ? Une IA qui modéliserait en permanence les mutations d'un virus animal et qui testerait numériquement des traitements prophylactiques avant même que la maladie ne frappe le premier patient humain.

• Speaker #2

  Ce serait la naissance d'un véritable système immunitaire digital. Et vu la trajectoire actuelle, ce n'est plus de la science-fiction. Je suis tout à fait convaincue que nous nous dirigeons vers ça.

• Speaker #1

  Une avancée à suivre, qui nous rappelle que la science et le soin avancent main dans la main. C'était le podcast Bahia, une production TechCareLab, l'innovation numérique au service du care.

• Speaker #0

  J'espère que cet épisode vous a plu. N'hésitez pas à le commenter, à le liker et à vous abonner pour ne pas manquer le prochain. A bientôt sur TechCareLab.