Un médicament conçu par l'IA pourrait être la grande invention de 2026

Ce changement est déjà en cours. La découverte de médicaments est depuis longtemps l'une des étapes les plus lentes et les plus chères de la science moderne. Mener un nouveau médicament de la recherche à sa mise sur le marché prend souvent plus de dix ans et peut coûter des milliards de dollars. Une analyse de 2020 publiée dans la revue JAMA estimait les coûts médians de recherche et développement pour de nouveaux médicaments à environ 1 milliard de dollars ou plus, selon la méthode. La plupart des molécules candidates échouent. Beaucoup ne dépassent jamais les premiers tests. Ce processus est connu pour ses retards, son gaspillage et ses impasses scientifiques.

L'IA n'a pas changé les dures réalités de la biologie. Elle ne peut pas faire apparaître un médicament par magie. Mais elle commence à changer la vitesse et la logique de la recherche. Les chercheurs utilisent maintenant des systèmes de machine learning pour prédire comment des molécules pourraient se lier à une cible, quel pourrait être leur niveau de toxicité, et quels composés méritent d'être fabriqués en laboratoire. AlphaFold, de DeepMind, a attiré l'attention du monde entier en prédisant la structure d'un très grand nombre de protéines. C'était un problème qui bloquait les biologistes depuis des décennies. Cela n'a pas créé de nouveaux médicaments instantanément, mais ça a levé un obstacle majeur. Cela a donné aux scientifiques une carte plus claire des formes moléculaires qu'ils essaient d'influencer.

Aux États-Unis, en Europe, en Chine et au Royaume-Uni, des entreprises de biotechnologie ont passé ces dernières années à bâtir sur ces fondations. Certaines sociétés affirment que des systèmes guidés par l'IA peuvent réduire des millions de composés possibles à une petite sélection de candidats sérieux. Ce processus prendrait des mois au lieu d'années. Plusieurs médicaments candidats conçus ou assistés par l'IA sont déjà entrés en essais cliniques. Le plus important n'est pas que tous ces médicaments fonctionneront. Beaucoup échoueront. Ce qui compte, c'est que le processus n'est plus théorique. On est passé des discours marketing à des tests dans le monde réel.

C'est pourquoi 2026 est une année importante. D'ici là, le public verra probablement quelque chose de plus concret que des promesses : des données plus solides d'essais de phase intermédiaire, la preuve plus claire que les composés choisis par l'IA peuvent survivre aux filtres redoutables du développement clinique, et peut-être le premier médicament reconnu dont le développement aura été considérablement raccourci grâce à ces outils. Ce ne serait pas de la science-fiction. Ce serait une nouvelle méthode de recherche qui entre dans la vie de tous les jours.

La raison de fond est simple. La biologie génère trop de données pour que des équipes humaines seules puissent les analyser efficacement. Une seule voie pathologique peut impliquer des milliers de gènes, de protéines et d'interactions chimiques. Les chercheurs font également face à un univers chimique immense. Selon certaines estimations, le nombre de molécules potentiellement thérapeutiques est astronomiquement grand. Le criblage traditionnel ne peut en tester qu'une infime fraction. L'IA est utile ici non pas parce qu'elle comprend la maladie comme un médecin. Elle l'est parce qu'elle peut classer, trier et prédire des schémas à une échelle inaccessible aux chercheurs humains.

En même temps, l'automatisation des laboratoires s'est améliorée. Le cloud est devenu moins cher et plus puissant. Le séquençage génomique est maintenant une pratique courante dans de nombreux contextes de recherche. Les bases de données publiques et privées se sont développées. En d'autres termes, l'IA n'est pas arrivée seule. Elle est arrivée dans un système scientifique qui avait enfin assez de données, de stockage et de capacité de laboratoire pour rendre ces modèles utilisables. C'est ce mélange qui rend une invention à court terme probable. Ce n'est pas une seule avancée magique. C'est la convergence de nombreuses avancées plus petites.

L'impact pourrait être important. La première conséquence est la vitesse. Pour les patients atteints de cancers, de maladies rares ou d'infections résistantes aux médicaments, le temps compte. Une sélection de cibles plus rapide et une conception de molécules plus intelligente pourraient réduire les retards au début du processus. La deuxième conséquence est le coût, bien que ce point nécessite de la prudence. Les entreprises pharmaceutiques économiseront peut-être de l'argent sur la découverte, mais cela ne garantit pas des prix plus bas pour les patients. L'histoire de la pharmacie montre que l'efficacité scientifique ne se transforme pas automatiquement en accessibilité financière. Cependant, des coûts de recherche plus faibles pourraient rendre la recherche pour des groupes de patients négligés ou plus petits plus attractive.

Il y a aussi une raison de santé publique pour laquelle c'est important maintenant. La résistance aux antibiotiques continue d'augmenter. L'Organisation mondiale de la Santé a qualifié la résistance aux antimicrobiens de l'une des plus grandes menaces pour la santé publique mondiale. Pourtant, le développement d'antibiotiques est à la traîne depuis des années car le marché est faible et la science est difficile. Les outils d'IA qui peuvent rechercher plus efficacement de nouvelles structures moléculaires pourraient être utiles. En 2023, des chercheurs du MIT et de l'Université McMaster ont annoncé avoir utilisé des méthodes d'IA pour identifier de nouveaux antibiotiques candidats contre des pathogènes dangereux. Cela ne résout pas la crise des antibiotiques du jour au lendemain, mais cela montre où cette technologie peut avoir sa plus grande valeur publique.

L'enthousiasme ne doit cependant pas effacer les risques. Les modèles d'IA peuvent se tromper de manière convaincante. Ils peuvent amplifier les biais présents dans d'anciennes données. Ils pourraient mieux fonctionner pour les maladies avec beaucoup de données, et laisser de côté les maladies moins étudiées. Les régulateurs font aussi face à un nouveau défi. Si une entreprise dit qu'un système d'IA a aidé à choisir une molécule ou à prédire le résultat d'un essai, les agences ont toujours besoin de preuves claires que le produit final est sûr et efficace. En médecine, la vitesse n'est utile que si la confiance est maintenue.

Il y a une autre inquiétude qui reçoit moins d'attention. Si l'IA devient centrale dans la découverte, le pouvoir scientifique pourrait se concentrer encore plus dans les mains d'un petit nombre d'entreprises et d'instituts de recherche riches. Les pays et les entreprises avec les meilleures données, les infrastructures informatiques les plus puissantes et les plus grands portefeuilles de brevets pourraient creuser l'écart. Cela déterminerait non seulement qui en profite, mais aussi quelles maladies reçoivent de l'attention. Les habitants des pays à faible revenu ont souvent déjà vu ce schéma. Les maladies qui les touchent ne correspondent pas toujours aux marchés que les investisseurs préfèrent.

La meilleure réponse n'est pas de ralentir la science. C'est de bien l'encadrer. Les financeurs publics devraient soutenir les bases de données biologiques ouvertes, la recherche partagée sur les protéines et des protocoles d'essais qui peuvent tester de nouveaux composés rapidement sans affaiblir les règles de sécurité. Les universités et les laboratoires à but non lucratif devraient avoir accès aux ressources informatiques, pas seulement les grandes entreprises. Les régulateurs devraient demander aux développeurs de documenter comment les outils d'IA ont été utilisés et où se trouvent leurs limites. Et les systèmes de santé devraient commencer dès maintenant à planifier une question politique fondamentale : si l'IA réduit le coût des premières découvertes, qui devrait bénéficier de ces économies ?

L'invention probable de 2026 pourrait donc ne pas arriver de façon aussi spectaculaire qu'on l'imagine. Elle ne sera peut-être pas en vente dans un magasin ou ne roulera pas dans la rue. Elle pourrait apparaître dans un article clinique, un dossier réglementaire ou le résultat d'un essai montrant qu'une molécule trouvée avec l'aide d'une machine peut soigner de vrais patients. C'est moins cinématographique qu'un robot domestique. Mais c'est aussi beaucoup plus important.

On confond souvent le futur de la science avec du grand spectacle. En réalité, c'est souvent un meilleur outil au service d'une vieille lutte humaine. En 2026, l'invention la plus importante pourrait être celle qui aide les chercheurs à trouver des médicaments plus vite, à tester des idées plus intelligemment et à donner aux patients quelque chose de plus précieux qu'une nouveauté : une vraie chance de gagner du temps.