Les algorithmes les plus avancés d’intelligence artificielle ne servent pas seulement à générer du texte, animer des chatbots ou fabriquer des images. Ils peuvent aussi transformer et accélérer en profondeur la recherche scientifique. C’est la conviction de Demis Hassabis, cofondateur et patron de Google DeepMind et d’Isomorphic Labs, dont le dernier modèle, AlphaFold 3, vient d’avoir les honneurs d’une publication dans la prestigieuse revue « Nature », le mercredi 8 mai.

A la différence de ChatGPT et de ses concurrents, AlphaFold 3 ne sera jamais utilisé par des centaines de millions d’utilisateurs. Mais, pour des milliers de chercheurs en biologie à travers le monde, il pourrait représenter une révolution majeure dans la compréhension du vivant et des règles qui le régissent.

De la protéine à l’ADN
A l’intérieur de chaque plante, animal ou humain, se trouvent des milliards de systèmes moléculaires faits de protéines, d’ADN et d’autres composants constitués de longues chaînes d’acides aminés. Leurs interactions, à travers des millions de types de combinaisons possibles, sont au coeur de l’activité des cellules. Une complexité phénoménale, qu’AlphaFold 3 est conçu pour rendre visible : le modèle est capable de prédire avec précision la structure et les interactions de toutes les molécules du vivant et l’illustrer par une représentation 3D.
Avec la précédente version d’AlphaFold , les chercheurs de DeepMind avaient déjà mis au point un outil de prédiction de la structure 3D des protéines à partir de leur séquence d’acides animées. Accessible à la communauté scientifique sur une plateforme développée en partenariat avec le Laboratoire européen de biologie moléculaire (EMBL), AlphaFold 2 a déjà permis de visualiser 6 millions de structures de protéines, et été cité plus de 20.000 fois dans des publications scientifiques, selon les chiffres communiqués par DeepMind.

AlphaFold 3 va encore plus loin, en permettant de prédire comment les protéines interagissent, y compris avec les brins d’ADN et d’ARN et avec des molécules plus petites, appelées « ligands », essentielles pour certaines fonctions biologiques. Les auteurs de l’article de « Nature » estiment que cette nouvelle version améliore d’au moins 50 % la précision des prévisions par rapport aux méthodes existantes, et se révèle deux fois plus performante pour certaines interactions. Mais ce n’est bien sûr qu’une première étape : une fois que le système a prédit les interactions « in silico » (par l’informatique), il faut valider les résultats « in vitro » (en laboratoire), et ensuite, dans le cas de la recherche pharmaceutique, par des essais cliniques.

Lire l’article complet sur : www.lesechos.fr