Google DeepMind a franchi une nouvelle étape avec AlphaFold 3, publié en mai 2024 dans Nature. Le système ne se contente plus de prédire la structure des protéines : il modélise les interactions entre protéines, ADN, ARN et molécules médicamenteuses. Une avancée qui pourrait transformer la découverte de médicaments.
- D'AlphaFold 2 à AlphaFold 3 : ce qui change
- Impact sur la découverte de médicaments
- Applications concrètes en cours
- Limites et défis
- AlphaFold Server : l'accès pour tous
- Questions fréquentes
- AlphaFold 3 peut-il remplacer les essais cliniques ?
- AlphaFold Server est-il vraiment gratuit pour les chercheurs ?
- Quelles maladies pourraient bénéficier en premier des avancées d AlphaFold 3 ?
- Sources
D’AlphaFold 2 à AlphaFold 3 : ce qui change
AlphaFold 2, qui avait valu le prix Nobel de chimie à Demis Hassabis et John Jumper en 2024, prédisait la structure 3D des protéines individuelles avec une précision quasi expérimentale. AlphaFold 3 va plus loin :
- Prédiction des interactions entre protéines et autres molécules biologiques (ADN, ARN, ligands).
- Modélisation des complexes moléculaires complets, pas seulement des protéines isolées.
- Prédiction de la liaison entre une molécule médicamenteuse et sa cible protéique.
En termes de précision, AlphaFold 3 améliore de 50 % la prédiction des interactions protéines-ligands par rapport aux meilleures méthodes existantes, selon l’article publié dans Nature.
Impact sur la découverte de médicaments
Le développement d’un médicament prend en moyenne 10 à 15 ans et coûte plus de 2 milliards de dollars. L’essentiel de ce coût et de ce temps est consacré aux phases de découverte et d’optimisation, où les chercheurs testent des milliers de molécules pour trouver celle qui interagit correctement avec la cible thérapeutique.
AlphaFold 3 pourrait comprimer cette phase en permettant de simuler in silico les interactions médicament-cible. Des laboratoires pharmaceutiques comme Isomorphic Labs (filiale de Google DeepMind) et des partenaires comme Eli Lilly et Novartis utilisent déjà cette technologie dans leurs pipelines de recherche.
Applications concrètes en cours
| Domaine | Application | Statut |
|---|---|---|
| Oncologie | Design de molécules ciblant des protéines spécifiques aux tumeurs | Phase préclinique |
| Maladies infectieuses | Identification de cibles pour de nouveaux antibiotiques | Recherche active |
| Maladies rares | Comprendre les mécanismes moléculaires de maladies peu étudiées | Recherche fondamentale |
| Agriculture | Conception de protéines pour améliorer la résistance des cultures | Recherche active |
Limites et défis
- Les prédictions d’AlphaFold 3 doivent encore être validées expérimentalement. Le système prédit des structures, pas leur comportement biologique réel.
- L’accès au code source complet est limité (contrairement à AlphaFold 2, le code d’entraînement n’a pas été entièrement publié).
- La dynamique des protéines (comment elles bougent et changent de forme) n’est que partiellement capturée.
AlphaFold Server : l’accès pour tous
Google DeepMind a lancé AlphaFold Server, un outil gratuit permettant aux chercheurs du monde entier de générer des prédictions de structures moléculaires. Plus de 2 millions de chercheurs dans 190 pays utilisent la base de données AlphaFold, qui contient désormais les structures prédites de plus de 200 millions de protéines.
AlphaFold peut-il vraiment accélérer la découverte de médicaments, ou les défis biologiques restent-ils trop complexes pour l’IA ?
Questions fréquentes
AlphaFold 3 peut-il remplacer les essais cliniques ?
Non. AlphaFold 3 prédit des structures moléculaires et des interactions in silico, mais ces résultats doivent être confirmés par des expériences en laboratoire puis des essais cliniques. Le système accélère la phase de découverte en réduisant le nombre de molécules candidates à tester, sans éliminer la validation biologique et réglementaire.
AlphaFold Server est-il vraiment gratuit pour les chercheurs ?
Oui, Google DeepMind met AlphaFold Server à disposition gratuitement pour la recherche académique. Les chercheurs peuvent soumettre des séquences protéiques et obtenir des prédictions de structures. En revanche, les applications commerciales passent par Isomorphic Labs, la filiale dédiée de Google DeepMind.
Quelles maladies pourraient bénéficier en premier des avancées d AlphaFold 3 ?
Les maladies pour lesquelles les cibles protéiques sont déjà identifiées mais les médicaments manquent sont les premières concernées. L oncologie, les maladies infectieuses résistantes aux antibiotiques et certaines maladies rares figurent parmi les domaines où les laboratoires partenaires concentrent leurs efforts.
Sources
À lire aussi
→ Comprendre ce terme dans notre glossaire IA
