3 vaccins développés par IA : ce que les labos n'avouent pas encore

Un vaccin conçu en 48 heures. Pas par un chercheur. Par une machine.

En 2020, il a fallu onze mois pour mettre au point les premiers vaccins ARNm contre la COVID-19 — un exploit historique. Aujourd'hui, certains laboratoires parlent de quelques semaines, voire de quelques jours pour atteindre des résultats équivalents à des années de recherche classique. Ce n'est pas de la science-fiction. C'est ce qui se passe discrètement dans les couloirs de la bioinformatique mondiale, loin des projecteurs.

La question n'est plus de savoir si l'intelligence artificielle va transformer la médecine préventive. Elle l'a déjà fait. La vraie question, c'est : jusqu'où cela peut-il aller, et à quel prix ?

Comment l'IA conçoit un vaccin, concrètement

Un vaccin classique repose sur un principe simple : présenter au système immunitaire une forme inoffensive d'un pathogène pour qu'il apprenne à le reconnaître. Le défi, c'est d'identifier quel fragment de ce pathogène déclenchera la meilleure réponse immunitaire — sans provoquer d'effets indésirables.

C'est précisément là que l'IA excelle. Voici ce qu'elle fait, étape par étape :

• Analyse des séquences génomiques : en quelques heures, un modèle comme AlphaFold (DeepMind) prédit la structure 3D des protéines virales à partir de leur séquence ADN, une tâche qui prenait des années en laboratoire.
• Sélection des épitopes : l'IA identifie les fragments antigéniques les plus susceptibles de déclencher une réponse immunitaire forte et durable, en s'appuyant sur des bases de données de milliards de réactions immunitaires humaines.
• Simulation et filtrage : des millions de candidats-vaccins sont testés in silico — c'est-à-dire par simulation numérique — avant même qu'un seul essai physique ne soit conduit.
• Optimisation de la formulation : l'IA ajuste les adjuvants, les vecteurs et les doses pour maximiser l'efficacité tout en minimisant les risques.

Ce pipeline réduit le temps de développement préclinique de plusieurs années à quelques mois. Parfois moins.

3 exemples concrets qui ont changé les règles

1. Le vaccin contre la grippe de Moderna

Moderna utilise depuis 2022 une plateforme d'IA propriétaire pour concevoir ses candidats-vaccins contre la grippe. Résultat : l'entreprise a pu tester plus de 1 000 séquences ARNm candidates en quelques semaines, contre une poignée par an avec les méthodes traditionnelles. Le candidat retenu est actuellement en phase d'essais cliniques avancés.

2. Le vaccin personnalisé contre le cancer de BioNTech

BioNTech, en partenariat avec Genentech (Roche), développe des vaccins néo-antigéniques personnalisés contre certains cancers du pancréas et du poumon. L'IA analyse la tumeur de chaque patient, identifie ses mutations spécifiques et conçoit un vaccin sur mesure en moins de six semaines. Les résultats préliminaires publiés dans Nature en 2023 sont suffisamment prometteurs pour que les phases III soient lancées.

3. La réponse éclair contre la variante Omicron

Lors de l'émergence d'Omicron fin 2021, des équipes de l'Université d'Oxford et du MIT ont utilisé des modèles de deep learning pour prédire en 72 heures quelles régions de la protéine Spike resteraient stables malgré les mutations — et donc quelles cibles vaccinales resteraient efficaces. Cette information a directement guidé la reformulation des rappels.

Les limites que personne ne veut vraiment nommer

L'enthousiasme est légitime. Mais plusieurs points méritent une attention honnête.

D'abord, l'IA optimise ce qu'on lui demande d'optimiser. Si les données d'entraînement sont biaisées — sous-représentation de certaines populations, manque de diversité génétique — les prédictions le seront aussi. Un vaccin "optimal" sur des données majoritairement caucasiennes peut s'avérer sous-performant en Afrique subsaharienne ou en Asie du Sud-Est.

Ensuite, la boîte noire reste un problème réglementaire. La FDA et l'EMA exigent une compréhension mécanistique des décisions scientifiques. Quand un algorithme choisit une séquence parce que "les données le suggèrent", cela ne satisfait pas encore les exigences de traçabilité scientifique. Des efforts d'IA explicable (explainable AI) sont en cours, mais loin d'être aboutis.

Enfin, la rapidité crée une pression sur les essais cliniques. Aucune IA ne peut remplacer les phases I, II et III qui testent la sécurité sur des êtres humains réels. Le risque de vouloir aller trop vite existe, et il est réel.

Ce que cela change pour vous, demain

Dans les cinq prochaines années, les implications concrètes pour le grand public seront significatives :

• Des vaccins mis à jour chaque saison — contre la grippe, le COVID, voire le RSV — en temps quasi réel, adaptés aux variants circulants.
• Des vaccins anticancéreux personnalisés accessibles dans les hôpitaux publics, pas seulement dans les essais cliniques privés.
• Une réponse aux pandémies émergentes compressée à quelques semaines, pas plusieurs mois.

Ces perspectives ne sont pas spéculatives. Elles sont dans les feuilles de route officielles de l'OMS, de la Commission européenne et des NIH américains.

La médecine préventive entre dans une nouvelle ère

L'IA ne remplace pas le chercheur, le médecin ou le régulateur. Elle leur donne un outil d'une puissance sans précédent pour explorer un espace de possibilités que le cerveau humain seul ne peut pas parcourir. Ce n'est pas une promesse abstraite : c'est une transformation déjà en cours, mesurable en nombre d'essais cliniques ouverts, en vies potentiellement sauvées, en maladies qui n'auront peut-être plus le temps de devenir des pandémies.

La vraie question, maintenant, est celle de la gouvernance : qui décide quels vaccins l'IA doit optimiser en priorité ? Quels pays auront accès à ces outils ? Qui contrôle les données qui les entraînent ? Ces questions ne sont pas techniques. Elles sont politiques. Et elles nous concernent tous.

— Reservoir Live