En 2020, un programme informatique a résolu un problème qui résistait aux biologistes depuis un demi-siècle : prédire, à partir de sa seule séquence d’acides aminés, la forme tridimensionnelle qu’adopte une protéine. Cet exploit, signé AlphaFold, n’était que le premier signe d’un basculement plus profond. Six ans plus tard, l’intelligence artificielle ne se contente plus d’assister la recherche biomédicale : elle en redéfinit les méthodes, du laboratoire de chimie computationnelle jusqu’au chevet du patient.
Ce que l’on appelle désormais la biologie computationnelle n’est pas une simple mise à jour technologique. C’est une nouvelle manière de poser les questions du vivant, où l’hypothèse naît parfois d’un modèle statistique avant d’être vérifiée à la paillasse. En 2026, comprendre comment fonctionne cette révolution — ce qu’elle permet réellement et ce qu’elle ne peut pas encore faire — devient indispensable pour saisir l’avenir de la médecine. Voici un état des lieux rigoureux, entre avancées spectaculaires et prudence nécessaire.
La protéine, ce problème vieux d’un demi-siècle
Pour comprendre l’onde de choc provoquée par l’IA en biologie, il faut revenir à une question fondamentale : pourquoi la forme d’une protéine compte-t-elle tant ? Les protéines sont les ouvrières du vivant. Elles catalysent les réactions chimiques, transportent l’oxygène, déclenchent les réponses immunitaires, transmettent les signaux entre cellules. Or leur fonction dépend presque entièrement de leur forme tridimensionnelle — la manière dont la longue chaîne d’acides aminés se replie sur elle-même.
Ce repliement obéit à des lois physiques, mais le nombre de configurations possibles est si vertigineux qu’aucun calcul direct ne pouvait l’anticiper. C’est ce que le biochimiste Cyrus Levinthal avait formalisé dès 1969 : si une protéine explorait toutes ses conformations au hasard, elle mettrait plus de temps que l’âge de l’univers à trouver la bonne. Pourtant, dans la cellule, le repliement s’accomplit en quelques millisecondes. Ce paradoxe a hanté la biologie structurale pendant des décennies.
Jusqu’aux années 2010, déterminer une structure protéique relevait de l’exploit expérimental. Il fallait cristalliser la molécule, la bombarder de rayons X, puis interpréter les figures de diffraction — un travail de plusieurs mois, parfois infructueux. Les mêmes principes de régulation moléculaire qui gouvernent l’expression de nos gènes, étudiés notamment dans le champ de l’épigénétique et de l’interaction entre gènes et environnement, reposent en dernier ressort sur des protéines dont la forme conditionne l’action. Connaître ces structures, c’est donc accéder aux rouages les plus intimes de la biologie.
AlphaFold : quand l’IA résout le repliement des protéines
En 2020, lors de la compétition internationale CASP — qui évalue à l’aveugle les méthodes de prédiction structurale —, le système AlphaFold conçu par la société DeepMind a obtenu des résultats si proches des structures réelles que les organisateurs ont parlé d’une solution au problème du repliement pour de nombreuses protéines. L’approche reposait sur l’apprentissage profond : un réseau de neurones entraîné sur les structures déjà connues, capable de généraliser à des séquences jamais vues.
L’année suivante, DeepMind a publié le code et, surtout, a ouvert une base de données contenant les structures prédites de la quasi-totalité des protéines humaines connues, puis de centaines de millions d’autres issues de tous les règnes du vivant. Cette mise à disposition publique a transformé le quotidien des laboratoires : un chercheur peut désormais consulter en quelques secondes une prédiction qui aurait exigé des années de travail expérimental.
En 2024, la version AlphaFold3 a élargi le champ d’action : au-delà des protéines isolées, elle prédit les interactions entre protéines, acides nucléiques (ADN et ARN) et petites molécules. Cette capacité à modéliser des complexes moléculaires ouvre la voie à l’étude des mécanismes cellulaires dans leur ensemble, et non plus pièce par pièce. La même année, le prix Nobel de chimie a récompensé les travaux fondateurs sur la prédiction et la conception des protéines, consacrant l’entrée de l’IA dans le panthéon des outils scientifiques majeurs.
Il faut toutefois rester mesuré. AlphaFold prédit des structures statiques, alors que les protéines réelles bougent, changent de conformation, interagissent dynamiquement. La prédiction reste une hypothèse de grande qualité, pas une vérité expérimentale définitive. Les biologistes le rappellent volontiers : le modèle oriente la recherche, il ne la remplace pas.
De la structure à la cible : repenser la découverte de médicaments
Connaître la forme d’une protéine n’a pas qu’un intérêt académique. C’est le point de départ de la conception rationnelle de médicaments. La plupart des traitements agissent en se liant à une protéine cible — une enzyme, un récepteur — pour en modifier l’activité. Mieux on connaît la structure de cette cible, mieux on peut concevoir une molécule qui s’y emboîte, à la manière d’une clé dans une serrure.
Le développement d’un nouveau médicament reste l’un des processus les plus longs et coûteux de la science : on évoque souvent plus d’une décennie de travail et des coûts se chiffrant en milliards. Une grande partie de cet effort se perd dans des impasses — des molécules prometteuses qui échouent tardivement à cause d’une toxicité imprévue ou d’une efficacité décevante. L’enjeu de l’IA est précisément de réduire ce gâchis en amont, en éliminant plus tôt les pistes vouées à l’échec.
Le criblage virtuel illustre bien ce changement d’échelle. Là où un laboratoire pouvait tester physiquement quelques milliers de composés, un modèle informatique en évalue des millions, voire des milliards, en simulant leur affinité pour la cible. Les candidats les plus prometteurs sont ensuite synthétisés et testés réellement. Cette présélection algorithmique ne garantit pas le succès, mais elle concentre les ressources sur les pistes les plus crédibles.
Identifier la bonne cible avant de chercher la molécule
Une difficulté souvent sous-estimée précède toute cette chaîne : choisir la bonne cible biologique. Une molécule parfaitement conçue ne sert à rien si la protéine qu’elle vise ne joue aucun rôle causal dans la maladie. L’IA intervient ici aussi, en analysant des réseaux d’interactions entre gènes, protéines et voies métaboliques pour repérer les nœuds réellement déterminants d’une pathologie. Cette identification de cibles, longtemps fondée sur l’intuition et l’expérience accumulée, devient progressivement une démarche guidée par les données. Les modèles croisent des informations issues de la génétique, de la biologie cellulaire et des dossiers cliniques pour suggérer des cibles que l’on n’aurait pas soupçonnées. Là encore, la prudence s’impose : une corrélation statistique entre un gène et une maladie n’établit pas un lien de cause à effet, et de nombreuses cibles séduisantes sur le papier se révèlent inopérantes en pratique.
Les modèles génératifs : inventer des molécules qui n’existent pas
L’étape la plus spectaculaire est sans doute la conception générative. Plutôt que de chercher la meilleure molécule dans un catalogue existant, certains modèles génèrent de toutes pièces des structures chimiques optimisées pour un objectif donné — se lier à telle protéine, traverser telle barrière biologique, rester stable dans l’organisme.
Le principe est analogue à celui des intelligences artificielles qui produisent des images ou du texte, transposé à l’espace des molécules. Le modèle apprend la grammaire de la chimie organique à partir de millions de composés connus, puis explore des combinaisons inédites. Certaines de ces molécules, jamais synthétisées auparavant, possèdent des propriétés que la recherche humaine n’aurait pas spontanément imaginées.
Plusieurs candidats-médicaments issus de telles approches sont entrés en phase d’essais cliniques au cours des dernières années, notamment dans les domaines de la fibrose, de l’oncologie et des maladies infectieuses. Il serait prématuré d’en tirer des conclusions définitives : la majorité des molécules, qu’elles soient conçues par l’humain ou par la machine, échouent en cours de route. Mais le simple fait qu’elles franchissent les premières étapes témoigne d’une maturité nouvelle. Comme dans la recherche sur le vieillissement, où l’on explore par exemple les composés sénolytiques ciblant les cellules sénescentes, l’IA devient un partenaire de génération d’hypothèses thérapeutiques inédites.
La biologie computationnelle : un nouveau langage du vivant
Au-delà des protéines et des médicaments, c’est toute la biologie qui se reformule en langage de données. Le séquençage à haut débit produit des quantités d’information que l’esprit humain ne peut appréhender seul : génomes, transcriptomes, protéomes, données d’imagerie cellulaire. La biologie computationnelle consiste à donner du sens à ces océans de chiffres.
Les modèles apprenants détectent dans ces données des motifs invisibles à l’œil humain : des signatures génétiques associées à une maladie, des sous-types de tumeurs qui répondent différemment aux traitements, des cellules rares au sein d’un tissu. Cette capacité de reconnaissance transforme le diagnostic, la classification des pathologies et la médecine de précision. Elle nourrit aussi des disciplines comme les neurosciences et l’étude du cerveau humain, où la cartographie des milliards de connexions neuronales dépasse de loin les capacités d’analyse manuelle.
Cette approche s’inscrit dans un mouvement plus large de partage de la culture scientifique et de la recherche en biosciences, que portent des initiatives de médiation comme la culture scientifique en région et les biosciences. Comprendre que la biologie est devenue, en partie, une science computationnelle n’est plus réservé aux spécialistes : c’est un savoir citoyen, à l’heure où ces outils décident en partie de nos traitements.
Les jumeaux numériques : simuler le vivant avant d’agir
Parmi les développements les plus prometteurs figurent les jumeaux numériques — des répliques virtuelles de systèmes biologiques, alimentées en continu par des données réelles. L’idée vient de l’industrie, où l’on simule des moteurs ou des avions avant de les construire. En santé, on l’applique désormais à des organes, voire à des patients.
Le jumeau numérique du cœur est l’un des plus avancés. À partir d’imageries et de mesures électriques, on reconstruit un modèle du cœur d’un patient, sur lequel on peut tester virtuellement une intervention contre une arythmie ou anticiper la pose d’un dispositif. De même, des jumeaux numériques de tumeurs visent à prédire la réponse d’un cancer à différentes chimiothérapies, afin de choisir le protocole le plus adapté. Cette logique de modélisation s’étend aussi à la dimension temporelle du vivant, à l’image de la manière dont la chronobiologie modélise nos rythmes circadiens pour comprendre comment l’organisme varie au fil des heures.
Une promesse encore partielle
Il faut cependant se garder de l’enthousiasme excessif. Un jumeau numérique n’est qu’un modèle, c’est-à-dire une simplification. Le corps humain est un système d’une complexité telle qu’aucune simulation ne le capture intégralement. La qualité d’un jumeau numérique dépend entièrement de la quantité et de la précision des données qui le nourrissent — et ces données sont souvent incomplètes ou biaisées. Les estimations suggèrent que ces outils deviendront cliniquement courants à mesure que les capteurs et les données médicales se multiplient, mais nous n’en sommes encore qu’aux prémices.
Limites techniques : la boîte noire et le mirage des données
L’enthousiasme ne doit pas masquer les fragilités. La première tient à l’opacité de nombreux modèles d’apprentissage profond. Un réseau de neurones peut fournir une prédiction excellente sans que l’on comprenne pourquoi — c’est le problème dit de la boîte noire. En médecine, où une décision engage une vie, cette absence d’explication pose un défi majeur de confiance et de responsabilité.
La deuxième limite concerne les données elles-mêmes. Un modèle n’est jamais meilleur que les informations sur lesquelles il a été entraîné. Si ces données proviennent majoritairement de certaines populations, le modèle reproduira et amplifiera les angles morts : une IA dermatologique entraînée surtout sur des peaux claires diagnostiquera moins bien d’autres carnations. Ces biais ne sont pas anecdotiques ; ils peuvent creuser les inégalités de santé.
Enfin, il existe un risque de surinterprétation. Une prédiction algorithmique impressionnante n’est pas une preuve biologique. Plusieurs travaux ont rappelé que des modèles peuvent exceller sur des jeux de données de test tout en échouant dans le monde réel, faute d’avoir appris la vraie causalité plutôt que des corrélations superficielles. La validation expérimentale demeure le juge de paix.
Enjeux éthiques : confidentialité, biais et double usage
La puissance de ces outils soulève des questions de société que la communauté scientifique prend de plus en plus au sérieux. La confidentialité des données génétiques et médicales est centrale : nos génomes sont les informations les plus intimes qui soient, et leur exploitation par des modèles soulève des inquiétudes légitimes sur leur protection et leur éventuelle réutilisation.
Le risque de double usage mérite une vigilance particulière. Les mêmes modèles génératifs capables de concevoir des molécules thérapeutiques pourraient, détournés, générer des composés toxiques. Des chercheurs ont publiquement alerté sur ce point, montrant qu’inverser l’objectif d’un modèle de découverte de médicaments pouvait produire des structures dangereuses. Cette ambivalence appelle des garde-fous, sans pour autant freiner la recherche bénéfique.
Se pose enfin la question de l’équité d’accès. Si les innovations issues de l’IA biomédicale ne profitent qu’à une minorité de patients ou de pays, elles aggraveront les fractures sanitaires existantes. La prévention et l’éducation à la santé, que défendent des acteurs engagés dans la prévention et l’accompagnement du bien-être, restent des leviers essentiels pour que ces progrès bénéficient au plus grand nombre. La plupart des experts s’accordent sur un principe : la supervision humaine doit rester systématique, et les modèles utilisés en clinique transparents et auditables.
Vers une science hybride : l’humain et la machine en boucle
Que retenir de ce panorama ? Loin du fantasme d’une biologie entièrement automatisée, ce qui émerge est plutôt une science hybride. Les laboratoires les plus performants combinent expérimentation et modélisation dans une boucle continue : le modèle propose une hypothèse, l’expérience la valide ou la réfute, et ce résultat affine le modèle à son tour.
Cette collaboration transforme les métiers de la recherche. Le biologiste de 2026 maîtrise de plus en plus des outils statistiques et informatiques, tandis que les data scientists apprennent les subtilités du vivant. Les compétences les plus recherchées se situent à cette intersection, ce qui redessine la formation scientifique et appelle de nouvelles façons de transmettre le savoir, dans la lignée d’un vocabulaire rigoureux comme celui que recensent les lexiques de termes scientifiques essentiels.
L’intelligence artificielle ne pense pas la biologie à notre place ; elle nous donne des yeux nouveaux pour la regarder. AlphaFold a montré qu’une machine pouvait éclairer une énigme vieille de cinquante ans. Les modèles génératifs montrent qu’elle peut imaginer des molécules inédites. Les jumeaux numériques laissent entrevoir une médecine qui simule avant d’agir. Mais chacune de ces avancées rappelle, par ses limites, à quel point le jugement humain — éthique, expérimental, critique — demeure irremplaçable.
Conclusion
En 2026, l’intelligence artificielle a cessé d’être une promesse pour devenir un instrument quotidien de la recherche biomédicale. Elle accélère la découverte de médicaments, déchiffre la structure des protéines, modélise des organes virtuels et révèle dans les données du vivant des motifs jusque-là invisibles. Ces progrès sont réels et profonds. Mais ils s’accompagnent d’incertitudes — opacité des modèles, biais des données, enjeux éthiques — qui imposent prudence et supervision. La biologie de demain ne sera ni purement humaine ni purement algorithmique : elle sera computationnelle, collaborative et, plus que jamais, attentive à la responsabilité de ceux qui la pratiquent.