Une nouvelle ère dans la découverte de médicaments assistée par ordinateur : Isomorphic Labs dévoile IsoDDE

Le paysage de l'intelligence artificielle dans le secteur de la santé a connu un tournant décisif avec l'introduction par Isomorphic Labs de l'Isomorphic Labs Drug Design Engine (IsoDDE). Représentant un bond évolutif significatif au-delà du très acclamé AlphaFold 3, IsoDDE fait passer l'industrie de la simple prédiction de structure au domaine de la conception rationnelle de médicaments (Rational Drug Design) de haute fidélité. Ce développement marque une transition : au lieu de se demander « à quoi ressemble cette protéine ? », on répond désormais à la question pharmaceutique critique : « comment pouvons-nous concevoir une molécule pour la traiter ? »

Pour l'équipe de Creati.ai, cette annonce souligne la maturation rapide de la biologie générative (Generative Biology). Alors que AlphaFold 3 a démocratisé l'accès aux données structurelles, IsoDDE s'attaque à la réalité complexe et désordonnée de la R&D pharmaceutique, en relevant des défis tels que les sites de liaison difficiles à prédire et l'affinité des candidats médicaments potentiels.

Redéfinir la précision de la généralisation

La promesse centrale d' IsoDDE réside dans sa capacité à se généraliser à des cibles biologiques « invisibles » — des protéines et des ligands qui diffèrent considérablement des données disponibles dans les ensembles d'entraînement publics. En biologie computationnelle, les modèles ont souvent du mal avec les données « hors distribution » (out-of-distribution), affichant de bonnes performances sur des structures familières mais échouant face à de nouvelles cibles thérapeutiques.

Isomorphic Labs a rapporté qu'IsoDDE fait plus que doubler la précision d'AlphaFold 3 sur le benchmark difficile « Runs N' Poses ». Ce benchmark est spécifiquement conçu pour tester les performances d'un modèle sur des structures protéine-ligand distinctes des exemples d'entraînement. En excellant ici, IsoDDE démontre une robustesse essentielle pour la découverte de médicaments de premier rang (First-in-class), où les cibles manquent souvent de données historiques étendues.

Maîtriser la nature dynamique des protéines

Les protéines ne sont pas des statues statiques ; ce sont des entités dynamiques qui changent de forme. Une limitation majeure des modèles précédents était leur incapacité à prendre en compte l'« ajustement induit » (Induced fit) — le phénomène par lequel une protéine modifie sa structure pour accueillir un médicament de liaison. IsoDDE modélise avec succès ces interactions complexes, y compris l'ouverture de « poches cryptiques (cryptic pockets) ».

Les poches cryptiques sont des sites de liaison qui sont généralement cachés et ne se révèlent que lorsqu'un ligand spécifique se lie. Elles représentent une mine d'or pour les chasseurs de médicaments car elles offrent des moyens alternatifs de cibler des protéines pathogènes auparavant considérées comme « inciblables » (Undruggable). Dans une validation frappante de ses capacités, IsoDDE a récapitulé de manière autonome la découverte récente d'un site cryptique sur la protéine cereblon, une cible clé dans la thérapie du cancer et la dégradation des protéines, en utilisant uniquement la séquence d'acides aminés de la protéine comme entrée.

Performance supérieure pour les produits biologiques et les anticorps

Au-delà des petites molécules, l'industrie pharmaceutique s'oriente de plus en plus vers les produits biologiques (Biologics), en particulier les anticorps. La conception de ces molécules complexes nécessite de prédire la structure de l'interface anticorps-antigène avec une précision extrême. La boucle CDR-H3 d'un anticorps est particulièrement notoire pour sa grande variabilité et sa flexibilité, ce qui en fait une pierre d'achoppement pour les méthodes computationnelles traditionnelles.

IsoDDE a démontré une amélioration de la précision de 2,3x par rapport à AlphaFold 3 et une amélioration stupéfiante de 19,8x par rapport à Boltz-2 dans la prédiction des structures anticorps-antigène. Ce saut de performance est critique pour la conception d'anticorps de novo, réduisant potentiellement le temps nécessaire pour cribler et optimiser les candidats biologiques de plusieurs mois à quelques jours.

Briser la barrière de l'affinité de liaison

L'avancée la plus significative sur le plan commercial est peut-être la capacité d'IsoDDE à prédire l'affinité de liaison (Binding Affinity) — la mesure de la force avec laquelle un médicament se lie à sa cible. Historiquement, cela a été le domaine des méthodes basées sur la physique comme la perturbation de l'énergie libre (Free Energy Perturbation - FEP). Bien que précise, la FEP est coûteuse en calcul, lente et nécessite des structures cristallines de haute qualité comme point de départ.

IsoDDE égalerait ou dépasserait la précision de ces méthodes basées sur la physique considérées comme la « référence absolue » (Gold standard), mais fonctionnerait à une fraction du coût et du temps. Crucialement, il ne nécessite pas de structures cristallines expérimentales pour commencer son analyse. Cela permet aux chercheurs de classer rapidement des milliers de candidats médicaments potentiels in silico avant de s'engager dans une synthèse coûteuse en laboratoire humide.

Analyse comparative : IsoDDE vs méthodes établies

Le tableau suivant présente les principaux différenciateurs de performance entre le nouveau moteur, son prédécesseur et les approches traditionnelles basées sur la physique.

Implications stratégiques pour l'industrie pharmaceutique

Le lancement d'IsoDDE n'est pas seulement un jalon technique ; c'est un atout stratégique qui valide le modèle commercial d'Isomorphic Labs. Depuis sa séparation de DeepMind, l'entreprise a conclu des partenariats de haut niveau avec des géants pharmaceutiques tels qu'Eli Lilly, Novartis et, plus récemment, Johnson & Johnson. Ces collaborations reposent sur le principe que l'IA peut faire plus que simplement visualiser la biologie — elle peut concevoir des solutions.

Le moteur est déjà déployé en interne pour piloter le propre pipeline de candidats médicaments d'Isomorphic Labs. Le PDG Demis Hassabis a indiqué que l'entreprise prévoit que ses premiers médicaments conçus par IA entreront en essais cliniques d'ici la fin de 2026. Ce calendrier suggère une transition rapide du prototypage numérique à l'application humaine, un rythme inimaginable il y a dix ans.

De la prédiction à la prescription

Pour les observateurs de l'industrie, la distinction entre « prédiction de structure » et « conception de médicaments » est primordiale. AlphaFold a résolu le problème de la géométrie statique. IsoDDE tente de résoudre le problème de l'interaction fonctionnelle. En prédisant avec précision non seulement l'emplacement des atomes, mais aussi la force de leur interaction et leur mouvement, IsoDDE comble le fossé entre l'hypothèse computationnelle et la réalité biologique.

Cette capacité est particulièrement vitale pour l'identification de poches en « aveugle ». La capacité de scanner la surface d'une protéine et d'identifier de nouvelles poches liables sans connaissance préalable permet aux scientifiques d'attaquer les voies de la maladie sous des angles entièrement nouveaux. Cette approche s'apparente à trouver une porte dérobée dans une forteresse que l'on pensait auparavant imprenable.

Conclusion

Isomorphic Labs a effectivement relevé la barre de ce qui est considéré comme l'état de l'art dans les soins de santé pilotés par l'IA. En s'attaquant aux points de friction spécifiques de la découverte de médicaments — la généralisation, la prédiction de l'affinité et l'identification des poches cryptiques — IsoDDE se positionne comme un outil essentiel pour la R&D pharmaceutique moderne.

Pour Creati.ai, ce développement signale que la phase de « battage médiatique » (Hype) de l'IA en biologie est en train de passer à une phase d'« impact ». Les mesures fournies par Isomorphic Labs suggèrent que les outils ne sont plus seulement des expériences fascinantes, mais qu'ils sont désormais assez robustes pour alimenter des pipelines de médicaments commerciaux. Alors que nous nous tournons vers la fin 2026, l'industrie surveillera de près si ces prédictions nées du silicium peuvent se traduire avec succès en médicaments sûrs et efficaces pour les patients.