AlphaFold 3 : La fin de la biologie par essais et erreurs

La biologie a un problème de « rendu ».

Pendant 50 ans, le dogme central de la découverte de médicaments était « la serrure et la clé ». Si l’on veut guérir une maladie, il faut trouver la protéine responsable (la serrure) et concevoir une molécule qui s’y intègre parfaitement (la clé). Le problème ? Le « verrou » est microscopique, bancal et invisible. Trouver la clé a été un jeu de chimie aveugle, coûtant environ 2 milliards de dollars et 10 ans par médicament.

En 2024, Google DeepMind a lancé AlphaFold 3. Cela n’a pas seulement résolu le problème du repliement des protéines (encore une fois) ; cela a résolu le problème d’interaction.

Cela marque le passage de la « biologie statique » à la « biologie dynamique ». Et cela va faire chuter le coût de la découverte de médicaments.

De l’Evoformer à la Diffusion : le changement d’architecture

Pour comprendre pourquoi AlphaFold 3 (AF3) est un bond en avant par rapport à AlphaFold 2 (AF2), il faut regarder le moteur.

AlphaFold 2 s’appuyait sur l’architecture Evoformer. Il s’agissait d’un modèle « exigeant beaucoup d’attention » qui examinait l’histoire de l’évolution (alignements de séquences multiples, ou MSA) pour trianguler l’emplacement des atomes. Il était brillant pour prédire les structures protéiques statiques. Si vous lui avez donné une séquence, cela vous a donné une forme. Mais c’était rigide.

AlphaFold 3 en jette une grande partie. Au lieu de cela, il utilise un réseau de diffusion, similaire aux modèles d’IA qui génèrent des images (comme Midjourney ou Stable Diffusion).

Comment fonctionne la diffusion biologique

Imaginez une structure protéique sous la forme d’une image nette et claire.

1. Processus direct (bruit) : vous ajoutez lentement de l’électricité statique (bruit gaussien) aux coordonnées de chaque atome jusqu’à ce que la molécule ressemble à un nuage de chaos aléatoire.
2. Processus inverse (Denoise) : Vous entraînez une IA à examiner ce chaos et à “halluciner” la structure pour qu’elle revienne à l’existence, étape par étape.

AF3 prend un nuage d’atomes aléatoires et les « débruit » en un complexe protéine-ligand parfaitement replié. Cela lui permet de gérer l’incertitude générative. Contrairement à AF2, qui génère une seule réponse statique, AF3 comprend que les molécules sont flexibles. Ils respirent.

Le module Pairformer : réduire la dépendance au MSA

L’une des faiblesses critiques d’AlphaFold 2 était sa forte dépendance aux alignements de séquences multiples (MSA). Il lui fallait observer des milliers de protéines « cousines » à travers l’histoire de l’évolution pour déterminer la forme de la cible. Cela signifiait qu’il échouait sur les « protéines orphelines » (protéines sans parents connus) ou sur les anticorps synthétiques.

AlphaFold 3 introduit le module Pairformer. Ce mécanisme d’attention actualisé traite les contraintes chimiques des atomes eux-mêmes plutôt que simplement leur histoire évolutive. Il se concentre sur les relations « par paires » entre les atomes – essentiellement les lois de la physique et de la chimie (forces de Van der Waals, électrostatique).

This shift makes AF3 significantly better at predicting antibody-antigen interactions, a domain where evolutionary data is often sparse or irrelevant.

La machine à “tout”

La limitation d’AlphaFold 2 était qu’il ne parlait que « Protéine ». Mais la biologie est multilingue.

• ADN/ARN : Le code d’instruction.
• Ligands : petites molécules (médicaments) qui se lient aux protéines.
• Ions : Particules chargées (zinc, magnésium) qui agissent comme des piles ou des interrupteurs.
• Modifications post-traductionnelles : calcul de la manière dont la phosphorylation modifie la forme d’une protéine.

AF3 est le premier modèle unifié. Il prédit la structure de complexes comprenant des protéines, des acides nucléiques, des petites molécules, des ions et des résidus modifiés.

L’impact de la découverte de médicaments

C’est le « Saint Graal » pour l’industrie pharmaceutique. La plupart des médicaments agissent en liant une petite molécule (ligand) à une protéine. AF2 pourrait vous dire à quoi ressemblait la protéine, mais il ne pourrait pas vous dire si votre médicament y adhérerait. AF3 can.

Benchmarks show a 50% improvement in accuracy for protein-ligand interactions over traditional physics-based docking software (like energetic docking). Cela remplace efficacement la cristallographie en laboratoire humide pour la phase de sélection initiale. Au lieu de tester 10 000 composés dans un laboratoire physique, les chercheurs peuvent tester 10 millions de composés dans un ranch de serveurs.

Mesures de confiance : déterminer la vérité par rapport à l’hallucination

Dans un modèle de diffusion, l’hallucination est une fonctionnalité et non un bug. Pour lutter contre cela, AF3 génère des scores de confiance tout aussi importants que la structure elle-même.

1. pLDDT (Predicted Local Distance Difference Test) : ce score de 0 à 100 mesure la confiance locale. If a region has a low pLDDT (<50), it likely means that region is intrinsically disordered (floppy) in real life, not just that the model is confused.
2. PAE (Predicted Aligned Error) : Ceci mesure l’erreur entre différents domaines. Il répond : « La forme A est-elle correcte et la forme B est-elle correcte ? Plus important encore, le point d’attache entre elles est-il valide ?

Les sociétés pharmaceutiques utilisent ces mesures pour « filtrer » la production générative. Si AF3 prédit qu’un médicament se lie avec un niveau de confiance élevé (faible PAE), il est transféré au laboratoire humide. Si la confiance est faible, elle est rejetée.

Laboratoires isomorphes : le pari de 100 milliards de dollars

Google ne se contente pas de le proposer gratuitement. Ils ont créé Isomorphic Labs (dirigé par Demis Hassabis) pour le commercialiser.

Leur stratégie est « AI-First Drug Design ». Au lieu de concéder une licence pour l’outil à Pfizer (bien qu’ils aient des partenariats avec Eli Lilly et Novartis), Isomorphic agit comme une « biotechnologie numérique ». Ils identifient des cibles, conçoivent des médicaments in silico à l’aide d’AF3, puis vendent la molécule elle-même à des partenaires pharmaceutiques pour des milliards.

Le Modèle : “La pelle n’est pas à vendre. L’or est trouvé, la mine est cartographiée et les coordonnées GPS sont vendues.”

En conservant la version la plus avancée d’AF3 propriétaire (ou disponible uniquement via un serveur restreint), Isomorphic maintient un énorme fossé concurrentiel.

Le paysage concurrentiel : il n’y a pas que Google

Alors que Google fait la une des journaux, le domaine évolue rapidement.

• Chai-1 : publié par Chai Discovery, ce modèle à poids ouverts prétend égaler ou battre AF3 sur certains tests de liaison de ligands. Il fonctionne sur du matériel grand public.
• ESM3 (Evolutionary Scale Modeling) : Construit par EvolutionaryScale (anciens chercheurs de Meta), il s’agit d’un « modèle de base pour la biologie ». Il génère de nouvelles protéines à partir de zéro plutôt que de simplement replier celles existantes.
• BioNeMo : le framework de NVIDIA intègre efficacement ces modèles dans un service de niveau entreprise, devenant ainsi « l’AWS de la biologie ».

Le monopole de la biologie numérique a duré environ six mois. Aujourd’hui, c’est une course aux armements. Une dynamique clé à surveiller est la tension entre la Science ouverte et les Moats commerciaux. Alors que DeepMind publiait les méthodes pour AlphaFold 3, ils ont initialement retenu le code et les poids, rompant ainsi avec leur précédent avec AlphaFold 2. Cela a déclenché une réaction négative de la communauté scientifique, conduisant finalement à une publication partielle.

Ces frictions mettent en valeur la valeur commerciale de ces modèles. En 2021, le repliement des protéines était une curiosité scientifique. En 2025, c’est un secret commercial qui mérite d’être protégé avec la même vigueur que la formule Coca-Cola. L’apparition de concurrents open source compétents comme Chai-1 suggère que le « fossé » algorithmique pourrait être moins profond que ce que Google espère, obligeant Isomorphic Labs à rivaliser sur des données propriétaires (la boucle du laboratoire humide) plutôt que sur une simple architecture de modèle.

Le manque de données : pourquoi les laboratoires humides survivent

Malgré le battage médiatique, AlphaFold 3 n’est pas une baguette magique. Il souffre du problème du « déchets entrants, déchets sortants ».

1. Hallucinations : comme ChatGPT, AF3 peut prédire en toute confiance une structure qui défie la physique (par exemple, des atomes qui se chevauchent ou des angles de liaison non naturels). Un modèle de « diffusion » a tendance à rendre les choses plausibles plutôt que réelles.
2. Dynamique : Elle prédit un « instantané » d’une molécule. Mais les protéines s’optimisent entre différentes formes (conformations). AF3 manque souvent ces états « cachés » qui sont cruciaux pour la liaison des médicaments (sites allostériques).

Cela signifie que les laboratoires humides ne sont pas morts. Ils changent simplement de fonction. Au lieu de découverte, les laboratoires sont désormais destinés à la vérification.

Les perspectives 2026 : la biologie générative

L’industrie entre dans l’ère de la biologie générative.

Tout comme GPT-4 peut écrire du code, AlphaFold 3 génère des hypothèses biologiques. La prochaine étape (AlphaFold 4 ?) bouclera probablement la boucle : non seulement prédire la structure, mais prédire la fonction. “Concevoir une protéine qui mange du plastique” ou “Concevoir un liant qui neutralise la variante X de Spike Protein”.

Lorsque cela se produit, la biologie cesse d’être une science de découverte et devient une science d’ingénierie. Le code de vie devient littéralement un code.