Cinq ans après l’annonce révolutionnaire d’AlphaFold2, John Jumper, lauréat du prix Nobel de chimie 2024, évoque avec lucidité les avancées, les limites et les perspectives futures de son œuvre. Ce système d’intelligence artificielle, conçu par DeepMind, a transformé la biologie en permettant de prédire la structure tridimensionnelle des protéines avec une précision proche d’un atome — une tâche qui, auparavant, demandait des mois d’expérimentation en laboratoire. « C’était le but que je me suis fixé en fondant DeepMind », confie Jumper, rappelant que cette percée n’était pas seulement une réussite technique, mais l’aboutissement d’une vision : utiliser l’IA pour résoudre des problèmes fondamentaux de la science. Aujourd’hui, AlphaFold a évolué. AlphaFold Multimer prédit les structures des complexes protéiques, tandis qu’AlphaFold3 étend sa portée aux acides nucléiques, aux ligands et aux interactions moléculaires. L’application de ces outils à la base de données UniProt a permis de prédire près de 200 millions de structures protéiques, couvrant presque l’ensemble du répertoire connu. Pourtant, Jumper insiste sur une nuance essentielle : « Ce ne sont pas des vérités absolues. C’est un outil de prédiction, porteur de limites. » Comme un modèle de langage, AlphaFold peut produire des réponses convaincantes, même erronées. Les applications inattendues ont marqué Jumper. L’un des exemples les plus frappants ? L’étude de la résistance des abeilles à certaines maladies, où des chercheurs ont utilisé AlphaFold pour explorer une protéine impliquée dans le déclin des colonies. Une autre innovation majeure : la conception de protéines nouvelles. David Baker, autre lauréat du Nobel, a exploité AlphaFold pour accélérer la création de protéines synthétiques, en utilisant les prédictions comme filtre pour éviter les projets voués à l’échec — une stratégie qui a multiplié par dix la vitesse du développement. Mais c’est surtout dans l’exploration de structures inconnues que l’impact est le plus profond. Un groupe de chercheurs a utilisé AlphaFold pour comparer une protéine ovocytaire avec 2 000 protéines du spermatozoïde, identifiant ainsi le partenaire clé de la fécondation. « Avant, personne n’aurait osé faire 2 000 comparaisons. Maintenant, c’est possible. » C’est là que l’IA change la nature de la recherche : en permettant des expérimentations virtuelles à grande échelle, elle optimise le temps et les ressources du laboratoire. Cependant, les limites persistent. Lorsqu’il s’agit d’interactions complexes entre protéines, ou entre protéines et petites molécules, la précision chute. « C’est un peu comme ChatGPT : il dit la vérité et le mensonge avec la même assurance », note Kliment Verba, biologiste à l’université de Californie à San Francisco. Malgré cela, AlphaFold est devenu un outil incontournable pour les « expériences virtuelles » : tester des hypothèses avant de consacrer du temps et de l’argent à des expériences réelles. Le futur se dessine autour de deux axes. D’un côté, des modèles spécialisés pour la découverte de médicaments émergent : Boltz-2, développé par MIT et Recursion, prédit non seulement les structures, mais aussi l’affinité des molécules thérapeutiques. Pearl, un modèle interactif lancé par Genesis Molecular AI, permet aux chimistes d’ajouter des données expérimentales pour guider les prédictions. « Ce n’est pas une simple amélioration de AlphaFold, c’est une nouvelle génération d’outils », souligne Jumper. Mais il reste prudent : « Prédire une structure, ce n’est pas guérir une maladie. » Le vrai défi, c’est de comprendre comment ces structures s’insèrent dans des systèmes biologiques complexes. Son prochain objectif ? Intégrer la puissance de prédiction d’AlphaFold avec la compréhension contextuelle des grands modèles de langage (LLM). « Et si on pouvait faire collaborer un modèle qui lit la littérature scientifique avec un autre qui prédit des structures ? » Il évoque avec discrétion des projets comme AlphaEvolve, où un LLM génère des hypothèses, et un autre les teste. « Si l’IA devient un partenaire de découverte scientifique, je ne serais pas surpris. » Pour Jumper, la prochaine étape n’est pas une nouvelle révolution, mais une progression continue. « Je ne cherche pas un deuxième prix Nobel. C’est un piège. » Il préfère partir de petites idées, tirer sur les fils, laisser la curiosité guider. « Maintenant que nous avons un marteau puissant, il faut apprendre à en frapper plus de clous. »