Un point de bascule en biologie numérique (Digital Biology) : l'utilisation d'AlphaFold dépasse les 3 millions de chercheurs

Lundi, Demis Hassabis, PDG de Google DeepMind, et James Manyika, vice-président senior de la recherche, de la technologie et de la société chez Google, ont confirmé une étape historique pour la communauté de l'intelligence artificielle : la base de données de structures de protéines AlphaFold (AlphaFold Protein Structure Database) est désormais activement utilisée par plus de 3 millions de chercheurs dans 190 pays. Cette annonce, faite lors d'une interview charnière avec Fortune, marque une expansion significative de la démocratisation (democratization) de la recherche biologique, signalant que la découverte assistée par IA est passée d'une curiosité à un standard fondamental de la méthode scientifique.

Cette mise à jour accompagne le dévoilement d'une suite d'outils de nouvelle génération — AlphaGenome, AI Co-scientist, et EarthAI — qui promettent collectivement de remodeler la façon dont l'humanité aborde des défis allant du traitement du cancer à la résilience climatique.

Démocratiser l'accès aux briques élémentaires de la vie

Depuis sa version initiale, AlphaFold a résolu le « problème du repliement des protéines » vieux de 50 ans, en prédisant les structures 3D de presque toutes les protéines connues. Les dernières données révèlent que la portée de l'outil s'est étendue bien au-delà des institutions d'élite occidentales.

• Portée mondiale : Les chercheurs des pays en développement constituent désormais une part importante de la base d'utilisateurs, accédant aux mêmes données biologiques de haute fidélité que les laboratoires de premier plan.
• Impact médical : La base de données est utilisée pour accélérer le développement de vaccins, comprendre les maladies tropicales négligées et concevoir de nouvelles enzymes pour la dégradation du plastique.

Dans l'interview, Hassabis a souligné que le cap des 3 millions d'utilisateurs représente une « masse critique » où les outils d'IA ne se contentent plus d'assister les scientifiques, mais compressent activement des siècles de recherche en seulement quelques mois.

AlphaGenome : la prochaine frontière de la médecine génétique (genetic medicine)

S'appuyant sur le succès de la prédiction des structures de protéines, Google DeepMind a officiellement détaillé les capacités d'AlphaGenome, un outil conçu pour déchiffrer le « logiciel » de la vie. Alors qu'AlphaFold se concentre sur le produit final (les protéines), AlphaGenome cible les instructions (l'ADN) et la manière dont elles sont régulées.

Capacités techniques clés :

• Analyse de séquences longues : Le modèle peut traiter simultanément des entrées allant jusqu'à 1 million de lettres d'ADN (paires de bases), ce qui lui permet de comprendre les interactions à longue distance au sein du génome.
• Prédiction de mutations : Il prédit comment les variations d'une seule lettre (mutations) affectent la régulation des gènes, une capacité cruciale pour identifier les moteurs de maladies complexes.
• Application à la recherche sur le cancer : Des partenaires précoces utilisent AlphaGenome pour identifier des mutations non codantes spécifiques qui perturbent les commutateurs de contrôle des gènes, entraînant une croissance cellulaire incontrôlée.

James Manyika a souligné qu'AlphaGenome représente un passage de la « lecture » du génome à sa « compréhension », débloquant potentiellement des thérapies géniques personnalisées qu'il était auparavant impossible de concevoir.

L'AI Co-scientist : accélérer la génération d'hypothèses (hypothesis generation)

Le changement le plus radical introduit est peut-être l'AI Co-scientist, un système construit sur l'architecture Gemini 2.0. Contrairement aux moteurs de recherche ou aux bases de données passifs, ce système agentique (agentic system) participe activement au processus scientifique.

L'AI Co-scientist est conçu pour :

1. Synthétiser la littérature : Ingérer et corréler les résultats de millions d'articles pour trouver des connexions négligées.
2. Générer des hypothèses : Proposer de nouvelles théories scientifiques testables basées sur les lacunes des données existantes.
3. Concevoir des expériences : Ébaucher des protocoles de laboratoire spécifiques pour valider ses prédictions.

Lors de tests bêta avec des partenaires académiques, l'AI Co-scientist a proposé avec succès des pistes expérimentales valides pour le repositionnement de médicaments dans la leucémie myéloïde aiguë, démontrant une grande précision pour distinguer les voies de recherche viables des impasses.

EarthAI : un modèle de fondation (foundation model) pour la planète

Élargissant le champ d'action au-delà de la biologie, DeepMind a également présenté EarthAI, un ensemble de modèles de fondation planétaires (planetary foundation models) visant les défis climatiques et environnementaux. En fusionnant l'imagerie satellite, les données météorologiques et les capteurs biologiques, EarthAI crée une « carte vivante » de la planète.

Fonctions de base d'EarthAI :

• Surveillance de la biodiversité : Capable d'identifier la distribution des espèces et la perte d'habitat à une résolution de 10x10 mètres.
• Prévisions climatiques : Amélioration des modèles de prédiction pour les événements météorologiques extrêmes, aidant à la préparation aux catastrophes.
• Gestion des ressources : Optimisation de l'utilisation de l'eau et de la planification agricole en prédisant les changements environnementaux.

Aperçu comparatif de la nouvelle suite d'IA scientifique

Le tableau suivant présente les rôles distincts et les fondements techniques des outils nouvellement discutés :

La « boucle » de la découverte

L'intégration de ces outils crée ce que Hassabis appelle un « cercle vertueux » de la découverte. AlphaGenome identifie une cible génétique ; AlphaFold prédit la structure de la protéine correspondante ; l'AI Co-scientist propose une molécule médicamenteuse pour interagir avec elle ; et EarthAI s'assure que l'approvisionnement en matériaux ou l'impact environnemental de la production est durable.

Cette convergence suggère que 2026 n'est pas simplement une année supplémentaire de progrès incrémentaux, mais le début d'une ère où l'IA est le moteur principal du progrès scientifique. À mesure que ces outils s'enracinent dans les flux de travail de 3 millions de chercheurs, on s'attend à ce que le rythme de l'innovation s'accélère de manière exponentielle, modifiant fondamentalement le paysage des soins de santé, de la science des matériaux et de la protection de l'environnement.