AlphaFold a résolu en 18 mois ce que 80 ans de recherche n'ont pas trouvé

Un problème vieux de 80 ans. Résolu en 18 mois.

En 1972, Christian Anfinsen reçoit le prix Nobel de chimie pour avoir posé une question simple en apparence : si on connaît la séquence d'acides aminés d'une protéine, peut-on prédire sa forme en 3D ? Pendant huit décennies, les meilleurs biologistes de la planète ont buté sur cette question. Puis, en 2020, une intelligence artificielle a rendu le problème presque trivial.

Ce n'est pas une métaphore. C'est ce qui s'est passé — et cela change fondamentalement notre façon de comprendre ce que peut faire une machine.

Pourquoi prédire la forme d'une protéine était si difficile

Une protéine, c'est une longue chaîne de molécules qui se replie sur elle-même pour prendre une forme précise. Cette forme détermine sa fonction : comment elle interagit avec d'autres cellules, comment un médicament peut s'y accrocher, pourquoi elle peut devenir défectueuse dans une maladie.

Le problème : une chaîne de 100 acides aminés peut théoriquement adopter un nombre astronomique de configurations. Les calculer toutes, même avec les superordinateurs les plus puissants, prendrait plus de temps que l'âge de l'univers. Les chercheurs utilisaient des méthodes expérimentales longues et coûteuses — cristallographie aux rayons X, cryo-microscopie électronique — pour déterminer ces structures une par une.

Résultat : après 80 ans d'efforts collectifs, la science avait cartographié environ 170 000 structures protéiques. Un chiffre impressionnant… sauf que le corps humain en contient potentiellement des millions.

Ce qu'AlphaFold a fait que personne n'attendait

En novembre 2020, DeepMind présente AlphaFold 2 lors du concours CASP14 — la compétition internationale de référence pour la prédiction de structures protéiques. Les équipes concurrentes, composées de chercheurs humains parmi les meilleurs du monde, obtiennent des scores autour de 70 sur 100. AlphaFold atteint 92,4 sur 100. La plupart des experts pensaient qu'un tel score était impossible avant au moins une décennie.

En juillet 2022, DeepMind et l'EMBL publient une base de données ouverte contenant les structures prédites de 200 millions de protéines — couvrant pratiquement tous les organismes vivants connus. Ce que la science avait mis 80 ans à produire en partie, l'IA venait de compléter en quelques mois.

Ce n'est pas un cas isolé

AlphaFold n'est que l'exemple le plus médiatisé d'un phénomène plus large. Les IA scientifiques multiplient les percées dans des domaines très différents :

• Mathématiques : en 2023, le modèle FunSearch de DeepMind a découvert de nouvelles solutions à des problèmes combinatoires ouverts depuis des décennies.
• Physique des matériaux : GNoME, également de DeepMind, a prédit la stabilité de 2,2 millions de nouveaux matériaux cristallins — dont 380 000 considérés comme stables et potentiellement utilisables en technologie.
• Médecine : des modèles d'IA ont identifié une nouvelle classe d'antibiotiques capables de tuer des bactéries résistantes, en analysant des millions de molécules en quelques heures.

Comment l'IA fait de la science différemment

Il serait faux de dire que l'IA "pense" comme un chercheur humain. Elle ne formule pas d'hypothèses en se posant des questions existentielles. Ce qu'elle fait, c'est explorer des espaces de solutions d'une ampleur que le cerveau humain ne peut tout simplement pas parcourir.

Un chercheur humain travaille par intuition, par expérience accumulée, par analogie. Il est brillant dans les espaces restreints et bien définis. L'IA, elle, excelle à reconnaître des patterns dans des données massives et à optimiser dans des espaces à millions de dimensions — là où l'intuition humaine s'égare.

Ce n'est pas une compétition. C'est une complémentarité. AlphaFold n'a pas remplacé les biologistes : il leur a donné un outil qui leur permet de se concentrer sur les questions vraiment intéressantes, plutôt que sur la résolution d'un problème de plomberie moléculaire.

Ce que cela implique concrètement

Pour les professionnels de la santé, de la recherche fondamentale, de l'industrie pharmaceutique ou des matériaux : le rythme de la découverte scientifique va s'accélérer. Des maladies qui semblaient intouchables parce qu'on ne comprenait pas les mécanismes protéiques impliqués deviennent soudainement attaquables. Des mat��riaux pour les batteries ou les panneaux solaires de demain pourraient sortir d'une base de données générée par une IA.

Pour le grand public : cela signifie que certains médicaments arriveront plus vite en clinique, que des solutions à des problèmes énergétiques pourraient émerger de façon inattendue, et que la frontière entre "ce que la science sait" et "ce qu'elle ignore encore" va se déplacer bien plus vite qu'on ne l'anticipait.

La vraie question n'est pas "l'IA va-t-elle remplacer les scientifiques ?"

Cette question est la mauvaise. La vraie question est : quels problèmes scientifiques restés ouverts depuis des décennies vont être résolus dans les cinq prochaines années — et sommes-nous prêts à agir sur ces réponses ?

AlphaFold nous a montré que les machines peuvent débloquer des verrous que l'intelligence humaine seule ne pouvait pas forcer. Le défi qui nous appartient désormais en propre : décider quoi faire de ces clés.

— Reservoir Live