Les médicaments conçus par l’IA d’Isomorphic Labs approchent les essais humains

Une annonce marquante à WIRED Health

Max Jaderberg, président d’Isomorphic Labs, a déclaré à WIRED Health à Londres que la société avait construit un « pipeline large et excitant de nouveaux médicaments ». Cette affirmation résume la conviction de l’entreprise que l’intelligence artificielle peut accélérer et diversifier la découverte de traitements. Points clés à retenir :

• Contexte : prise de parole lors d’un événement majeur de santé et technologie.
• Ambition : transformer des capacités computationnelles en molécules candidate.
• Ton : optimiste mais orienté vers la validation expérimentale.

Qui est Isomorphic Labs et quelle est sa mission ?

Isomorphic Labs est une société issue de l’écosystème DeepMind, fondée pour appliquer les avancées en IA à la découverte de médicaments, avec pour objectif de boucler la boucle du design à la validation préclinique. On y retrouve des compétences en biologie computationnelle, en apprentissage automatique et en chimie médicinale. Points saillants :

• Origines : spin‑out lié à DeepMind, forte expertise en prédiction structurale.
• Leadership : dirigeants issus de la recherche en IA et biotechnologie (Max Jaderberg cité comme président).
• Mission : passer de la prédiction moléculaire à des candidats médicaments testables.

Que recouvre un « pipeline large et excitant » ?

Un pipeline large signifie plusieurs programmes et approches parallèles, pas uniquement un seul candidat. Il peut inclure divers objectifs thérapeutiques, plateformes et modalités (petites molécules, peptides, anticorps, etc.). Exemples concrets de composantes d’un pipeline :

• Identification de cibles : analyses omiques et IA pour prioriser des protéines impliquées dans des pathologies.
• Conception de ligands : génération automatique de molécules candidates par modèles génératifs.
• Optimisation : évaluation in silico de l’affinité, de la solubilité et du profil ADME/Tox avant tests expérimentaux.

Méthodes et illustrations pratiques

Les technologies qui alimentent ce pipeline sont déjà documentées dans la littérature et l’industrie. Par exemple, la réussite d’AlphaFold (prédiction de structures protéiques) a changé la donne pour la modélisation structurale, et des modèles génératifs et de simulation permettent aujourd’hui d’explorer des milliers de variantes moléculaires rapidement. Exemples précis :

• AlphaFold (CASP14, 2020) : démonstration publique que la prédiction de structures peut atteindre une précision utile pour la conception.
• Modèles génératifs : utilisation de réseaux neuronaux pour proposer des scaffolds chimiques inédits et optimisables.
• Simulations : docking et dynamique moléculaire pour prioriser les hits avant criblage expérimental.

Obstacles réels à surmonter

Transformer des prédictions en médicaments approuvés reste complexe : nombreux programmes échouent en phase préclinique ou clinique pour des raisons de toxicité, pharmacocinétique ou inefficacité. Voici les principaux défis :

• Validation expérimentale : nécessité d’in vitro et in vivo robustes pour confirmer les prédictions.
• ADME/Tox : propriétés pharmacocinétiques souvent imprévisibles uniquement par calcul.
• Réglementation et essais cliniques : longs et coûteux, avec des exigences strictes de sécurité et d’efficacité.
• Données et biais : qualité et représentativité des données d’apprentissage conditionnent la fiabilité des modèles.

Impact attendu et éléments à surveiller

Si la promesse d’Isomorphic Labs se confirme, l’impact pourrait être large : réduction du temps et du coût de découverte, diversification des cibles thérapeutiques et nouveaux traitements pour des maladies jusqu’ici difficiles à aborder. À suivre dans les mois et années à venir :

• Premiers candidats : publications, dépôts de brevets et annonces d’essais précliniques/IND.
• Partenariats : collaborations industrielles ou académiques confirmant la transposition des résultats in silico en preuves expérimentales.
• Transparence scientifique : publications évaluées par les pairs et données ouvertes sur les méthodes et résultats.

Ces signaux permettront d’évaluer si ce « pipeline large et excitant » se traduit effectivement par des médicaments sûrs et efficaces accessibles aux patients.