Genesis Molecular AI a dévoilé Pearl, un modèle fondamental génératif révolutionnaire pour la prédiction de la structure moléculaire protéique, qui atteint des performances inédites dans le domaine de la découverte de médicaments. Basé sur une architecture novatrice, une méthode d’entraînement innovante et des données synthétiques à grande échelle, Pearl surpasse même AlphaFold 3, le modèle phare de DeepMind, dans la prédiction précise de l’interaction entre petites molécules et protéines — une étape clé considérée comme le « Graal » de la découverte médicamenteuse. Contrairement aux grands modèles linguistiques qui bénéficient de données massives disponibles sur Internet, l’intelligence artificielle en biochimie souffre d’un manque criant de données expérimentales de haute qualité, coûteuses et difficiles à obtenir. Pearl est un modèle de diffusion end-to-end qui exploite de manière unique les lois physiques dans ses entrées, son architecture et ses sorties. Une avancée clé réside dans son entraînement à grande échelle sur des données synthétiques générées par simulation physique, permettant de contourner la rareté des données expérimentales. Cette approche a permis d’observer pour la première fois des lois d’échelle liées aux données synthétiques dans le domaine de la découverte de médicaments : plus on augmente le volume de données simulées, plus la performance de Pearl s’améliore de manière cohérente. Ce résultat constitue une avancée fondamentale, ouvrant la voie à un accès quasi illimité à des données d’entraînement. Selon Aleksandra Faust, directrice scientifique en IA chez Genesis, « la principale barrière à l’application de l’IA dans la découverte de médicaments est la faiblesse des données biomoléculaires. L’exemple des véhicules autonomes, qui ont surmonté ce défi grâce à la simulation, a inspiré Genesis à intégrer des données physiques générées par simulation dans Pearl, combinées à une méthodologie d’entraînement extrêmement efficace en faible quantité de données. Cet ensemble de solutions représente une avancée décisive pour l’avenir de la recherche médicamenteuse. » Les évaluations rigoureuses de Pearl, menées selon des protocoles standardisés, montrent qu’il bat AlphaFold 3 ainsi que d’autres modèles open-source de cofolding comme Boltz-1, Boltz-2, Chai-1 et Protenix, en termes d’exactitude et de validité physique des structures prédites. Contrairement à d’autres modèles, Pearl est conçu pour s’adapter aux besoins des chercheurs en phase réelle : il permet d’intégrer des données spécifiques au cible pendant l’inférence, ce qui améliore considérablement ses performances sur des protéines complexes ou flexibles — des défis récurrents dans la découverte de médicaments. Evan Feinberg, fondateur et PDG de Genesis, souligne que « AlphaFold 3 était une percée historique, mais Pearl est le premier modèle à la surpasser. Ce n’est pas seulement une amélioration technique : c’est une transformation du paradigme. Nos modèles doivent fonctionner dans des conditions réalistes, où les erreurs physiques sont inacceptables. Pearl est intégré au cœur de notre plateforme GEMS, permettant de cibler des protéines auparavant considérées comme « intraitables » dans nos programmes internes et partenariats. » En novembre 2024, Genesis a annoncé un financement de NVentures, l’entité de capital-investissement de NVIDIA, ainsi qu’une collaboration stratégique pour optimiser les méthodes computationnelles. L’intégration des noyaux cuEquivariance de NVIDIA a permis une accélération de 15 % en apprentissage et de 10 à 80 % en inférence, ouvrant la voie à un déploiement à plus grande échelle. Anthony Costa, directeur de la biologie numérique chez NVIDIA, souligne que « les modèles fondamentaux de nouvelle génération, qui combinent physique et IA, ouvrent de nouveaux horizons pour comprendre les interactions moléculaires. La plateforme accélérée de NVIDIA est essentielle pour faire évoluer ces innovations. » Genesis Molecular AI, basée dans la baie de San Francisco, a levé plus de 300 millions de dollars et collabore avec de grandes entreprises pharmaceutiques. La plateforme GEMS, incluant Pearl, vise à révolutionner la conception de médicaments, en rendant accessibles des cibles auparavant inaccessibles. Pour en savoir plus, consulter le rapport technique et le blog de Genesis à genesis.ml/pearl_technical_report/.