Isomorphic Labs veut transformer la découverte de médicaments en un problème que l’IA peut mieux explorer. Son pari repose sur AlphaFold, des modèles de conception moléculaire et des partenariats avec de grands laboratoires pharmaceutiques. Mais la véritable épreuve ne se joue pas encore dans les simulations : elle commencera lorsque des candidats entreront chez l’humain.
L’entreprise prépare des tests précliniques et vise ses premiers essais cliniques, tandis qu’aucun médicament conçu par IA n’a encore été approuvé ni achevé les essais cliniques. Cette situation définit la limite actuelle de la technologie : l’IA accélère certaines étapes de recherche, mais elle ne supprime ni la biologie imprévisible, ni les exigences de sécurité, ni le temps nécessaire aux autorités pour évaluer un traitement.
Isomorphic Labs transforme AlphaFold en moteur de conception de médicaments
L’idée clé d’Isomorphic Labs n’est pas de remplacer les biologistes par un chatbot, mais d’utiliser des modèles d’IA pour mieux comprendre les interactions entre molécules, protéines et cellules.
Fondée en 2021 comme entreprise distincte d’Alphabet, Isomorphic Labs s’appuie sur les travaux de Google DeepMind, notamment AlphaFold. AlphaFold a d’abord été conçu pour prédire la structure tridimensionnelle des protéines à partir de leur séquence. Cette capacité aide les chercheurs à étudier les cibles biologiques impliquées dans des maladies.
AlphaFold 3 a élargi cette approche. Développé par Google DeepMind avec la contribution d’Isomorphic Labs, le modèle peut prédire les interactions entre protéines, petites molécules, acides nucléiques et autres composants biologiques. Pour la découverte de médicaments, cette évolution est déterminante : une molécule potentielle ne doit pas seulement exister sur le papier, elle doit aussi pouvoir se lier à une cible de manière utile et suffisamment sélective.
À retenir : AlphaFold ne constitue pas à lui seul un médicament. Il fournit des prédictions structurales qui peuvent guider la conception et la sélection de molécules à tester en laboratoire.
La contribution d’Isomorphic Labs consiste à prolonger cette brique scientifique vers un système de conception thérapeutique. En février 2026, l’entreprise a présenté un drug design engine, c’est-à-dire un moteur destiné à proposer et optimiser des molécules candidates à partir de contraintes biologiques et pharmacologiques.
Ce type d’outil peut explorer rapidement un espace de molécules trop vaste pour être parcouru manuellement. Il peut également aider à identifier des variantes susceptibles d’améliorer l’affinité pour une cible, la sélectivité, la stabilité ou certaines propriétés liées à l’administration du médicament.
La promesse n’est donc pas simplement de produire davantage de molécules. Elle est de réduire le nombre d’expériences inutiles en orientant plus tôt les équipes vers des candidats présentant un profil biologique et chimique cohérent.
Le gain attendu se situe avant les essais sur l’humain
L’IA peut surtout raccourcir la phase de découverte, avant que les candidats ne soient soumis aux étapes réglementaires et cliniques.
La recherche traditionnelle commence souvent par l’identification d’une cible, puis par la sélection de molécules susceptibles d’interagir avec elle. Les équipes synthétisent ensuite ces molécules, les testent sur des systèmes biologiques et éliminent progressivement celles qui présentent une activité insuffisante, une toxicité ou des propriétés pharmacologiques défavorables.
Des modèles d’IA peuvent intervenir à plusieurs endroits :
- prédiction de la structure d’une protéine ou d’un complexe biologique ;
- identification de poches de liaison susceptibles d’accueillir une molécule ;
- génération de structures chimiques nouvelles ;
- estimation de l’affinité, de la sélectivité ou de la stabilité ;
- priorisation des composés à synthétiser et à tester ;
- analyse de données issues d’expériences biologiques et médicales.
Cette accélération potentielle ne signifie pas que les étapes expérimentales disparaissent. Une prédiction doit être confrontée à une expérience. Une molécule qui semble bien se lier à une protéine peut échouer dans une cellule, être rapidement éliminée par l’organisme, provoquer une toxicité ou ne pas atteindre le tissu visé.
Le bénéfice le plus crédible se trouve donc dans la réduction du nombre de cycles entre conception, synthèse et test. Chaque cycle évité peut économiser du temps et des ressources, mais l’efficacité réelle dépend de la qualité des données, de la pertinence de la cible et de la capacité des modèles à généraliser au-delà des exemples utilisés pendant leur entraînement.
Une meilleure carte, pas une preuve d’efficacité
La distinction entre prédiction et validation est centrale. AlphaFold 3 peut aider à formuler des hypothèses sur une interaction moléculaire, mais cette hypothèse ne prouve ni l’efficacité d’un traitement chez l’humain ni son innocuité.
Les systèmes biologiques sont plus complexes qu’une structure isolée. Une cible peut changer de conformation, interagir avec d’autres protéines ou être présente dans des environnements cellulaires très différents. De même, une molécule conçue pour une cible peut se lier à d’autres éléments et produire des effets indésirables.
La valeur de l’IA se mesure donc moins à la qualité d’une image moléculaire qu’à la capacité d’un candidat à franchir plusieurs filtres expérimentaux successifs.
Les partenariats pharmaceutiques donnent à Isomorphic un accès aux vrais problèmes
Isomorphic Labs travaille avec Novartis, Eli Lilly et Johnson & Johnson sur des programmes de découverte de médicaments. Ces accords placent l’entreprise face à des contraintes concrètes : sélectionner des cibles pertinentes, produire des candidats synthétisables et préparer des programmes compatibles avec le développement clinique.
Les grands laboratoires apportent notamment des bibliothèques de composés, des données biologiques, une expertise thérapeutique et une expérience des essais réglementés. Isomorphic Labs apporte ses modèles et ses capacités de conception computationnelle.
Cette combinaison est plus importante qu’une démonstration isolée de laboratoire. Une molécule prometteuse doit être fabriquée à grande échelle, formulée, testée selon des protocoles reproductibles et accompagnée de données permettant de justifier son passage à l’étape suivante.
Le partenariat peut aussi réduire un risque fréquent de l’IA appliquée à la santé : optimiser une métrique informatique qui ne correspond pas au succès médical. Une molécule très bien classée par un modèle reste inutile si elle ne peut pas être produite, administrée ou tolérée par l’organisme.
| Étape | Apport possible de l’IA | Validation nécessaire |
|---|---|---|
| Identification d’une cible | Analyse de données biologiques et prédiction de structures | Confirmation du rôle de la cible dans la maladie |
| Conception moléculaire | Génération et optimisation de candidats | Synthèse chimique et essais biologiques |
| Sélection préclinique | Classement des molécules selon plusieurs propriétés | Tests cellulaires, animaux et toxicologiques |
| Développement clinique | Analyse de données et aide à la sélection des patients | Essais chez l’humain et contrôle réglementaire |
| Autorisation | Structuration et analyse des dossiers | Évaluation par les autorités sanitaires |
Les partenariats ne constituent pas une preuve qu’un candidat aboutira. Ils indiquent cependant que la technologie est intégrée à des processus de recherche capables de produire les données exigées par l’industrie pharmaceutique.
Le passage à l’humain reste le point de rupture
La plupart des résultats associés à l’IA dans la découverte de médicaments demeurent précliniques. Anthropic l’a également reconnu dans une publication consacrée à l’utilisation de Claude pour le développement de traitements : les travaux décrits se situent principalement avant les essais chez l’humain.
Isomorphic Labs prépare des tests précliniques avec son moteur de conception. Reuters a rapporté en janvier 2026 que le calendrier de ses premiers essais cliniques avait été repoussé par rapport à l’objectif initial. L’entreprise a ensuite indiqué se préparer à des développements cliniques, sans qu’un essai humain confirmé ne constitue encore une validation de son approche.
Cette chronologie est révélatrice. Concevoir une molécule candidate n’est que le début du parcours. Avant une première administration chez l’humain, les équipes doivent établir un dossier préclinique comprenant notamment des données de pharmacologie, de toxicologie, de fabrication et de qualité.
Les essais cliniques ajoutent ensuite plusieurs difficultés :
- la dose efficace peut être différente de celle anticipée par les modèles ;
- les effets indésirables peuvent apparaître uniquement chez l’humain ;
- la maladie ciblée peut être plus hétérogène que prévu ;
- le mécanisme biologique peut fonctionner sans produire de bénéfice clinique suffisant ;
- le recrutement des patients peut ralentir le programme ;
- les autorités peuvent demander des analyses supplémentaires.
Un modèle peut améliorer la probabilité de sélectionner un bon candidat, mais il ne transforme pas cette probabilité en certitude. Le développement pharmaceutique reste une succession de décisions prises sous incertitude.
À retenir : le véritable indicateur de maturité d’Isomorphic Labs sera le comportement de ses candidats en préclinique puis chez l’humain, pas le nombre de molécules générées par ses modèles.
Pourquoi aucun médicament conçu par IA n’a encore été approuvé
L’absence d’approbation ne signifie pas que l’IA n’a produit aucun résultat utile. Elle montre que le cycle du médicament est long et que les preuves les plus exigeantes arrivent tard.
Un traitement doit démontrer un rapport bénéfice-risque favorable dans des études contrôlées. Les essais précoces évaluent principalement la sécurité, la tolérance et la dose. Les phases suivantes examinent l’efficacité sur des groupes plus importants et comparent le traitement à un placebo ou à une prise en charge de référence.
Même lorsqu’un candidat obtient des résultats positifs, l’autorisation dépend de la totalité du dossier. Les autorités évaluent la qualité de fabrication, la reproductibilité du procédé, la robustesse des données, la sécurité à court et à long terme ainsi que la pertinence du bénéfice observé.
La contribution de l’IA peut être difficile à isoler. Un médicament peut avoir été conçu avec plusieurs méthodes, dont des logiciels classiques, des expériences humaines et différents modèles. La question pertinente n’est donc pas seulement de savoir si l’IA est intervenue, mais si elle a permis de prendre une meilleure décision qu’une méthode conventionnelle.
Les premiers candidats issus de plateformes d’IA sont déjà engagés dans des essais cliniques, notamment dans des programmes développés par des entreprises spécialisées du secteur. Toutefois, un candidat en phase clinique n’est pas un médicament approuvé. Il reste exposé à l’échec jusqu’à la fin des essais et à l’évaluation réglementaire.
Cette nuance est essentielle pour éviter une confusion fréquente entre trois niveaux de preuve :
- une prédiction informatique ;
- un résultat préclinique ;
- une efficacité démontrée chez l’humain et reconnue par une autorité sanitaire.
Isomorphic Labs se situe encore dans la transition entre les deux premiers niveaux et le troisième.
OpenAI et Anthropic élargissent la compétition au-delà de la chimie
Isomorphic Labs n’est plus seule à vouloir appliquer des modèles avancés à la recherche pharmaceutique. OpenAI et Anthropic développent également des partenariats et des programmes liés au développement de médicaments.
OpenAI a annoncé GPTRosalind en avril 2026, un modèle présenté comme destiné à raccourcir le parcours allant de la découverte d’un médicament à son approbation. L’entreprise a aussi annoncé des partenariats avec Novo Nordisk et Moderna.
Anthropic a indiqué travailler avec six organisations des sciences de la vie pour déployer l’IA dans différentes étapes du développement pharmaceutique. L’entreprise mène également des travaux internes de découverte de médicaments et vise, pour certains candidats, de possibles essais chez l’humain à partir de la fin de 2028.
Ces initiatives ne recouvrent pas exactement le même périmètre. Un modèle généraliste peut aider à analyser la littérature, écrire des protocoles, interroger des bases de données ou automatiser certaines tâches. Un moteur spécialisé comme celui d’Isomorphic Labs cherche davantage à relier la biologie structurale, la chimie et la conception de candidats.
| Acteur | Orientation annoncée | Stade mis en avant | Partenaires ou domaine cité |
|---|---|---|---|
| Isomorphic Labs | Conception de médicaments et moteur spécialisé | Préclinique | Novartis, Eli Lilly, Johnson & Johnson |
| OpenAI | Modèle dédié au parcours de découverte et d’approbation | Recherche et partenariats | Novo Nordisk, Moderna |
| Anthropic | Déploiement de l’IA dans le développement et programmes internes | Principalement préclinique | Six organisations des sciences de la vie |
| Google DeepMind et Isomorphic Labs | Prédiction des interactions biomoléculaires | Outil de recherche | AlphaFold 3 |
La concurrence se déplace ainsi vers la chaîne complète de la recherche. Le meilleur modèle ne sera pas nécessairement celui qui génère la molécule la plus originale, mais celui qui s’intègre le mieux aux expériences, aux données cliniques et aux exigences réglementaires.
Le principal obstacle n’est pas la génération, mais la fiabilité
Les modèles d’IA peuvent produire rapidement des hypothèses, mais la pharmacie exige une fiabilité mesurable et reproductible.
Le premier risque concerne les données. Les bases biologiques et cliniques peuvent être incomplètes, biaisées ou difficilement comparables. Un modèle entraîné sur des données limitées peut surestimer certaines associations et sous-estimer des effets rares mais graves.
Le deuxième risque concerne la causalité. Une corrélation entre une cible et une maladie ne garantit pas que la modification de cette cible améliorera l’état du patient. Certaines maladies résultent de réseaux biologiques complexes dans lesquels une intervention déclenche des mécanismes compensatoires.
Le troisième risque concerne la transposition. Les résultats obtenus sur une protéine isolée, une cellule ou un modèle animal ne reproduisent pas toujours la réponse d’un organisme humain. Les modèles peuvent réduire l’espace de recherche, mais ils ne peuvent pas supprimer cette rupture expérimentale.
Le quatrième risque concerne l’interprétabilité. Les équipes doivent comprendre pourquoi un candidat est retenu, quelles propriétés ont influencé la décision et quelles limites encadrent la prédiction. Cette traçabilité devient particulièrement importante lorsqu’un résultat sert à justifier un investissement clinique.
Enfin, l’IA ne résout pas les contraintes de fabrication. Une structure moléculaire intéressante peut être difficile à synthétiser, instable dans une formulation ou trop coûteuse à produire. La conception informatique doit donc rester connectée aux capacités industrielles.
La réglementation ne validera pas une promesse algorithmique
Les autorités sanitaires n’approuvent pas un modèle d’IA. Elles évaluent un produit médical et les preuves produites à son sujet.
Cela implique une responsabilité claire sur les données, les méthodes et les décisions. Une entreprise devra pouvoir expliquer comment un candidat a été sélectionné, comment ses propriétés ont été mesurées et comment les résultats ont été contrôlés.
L’IA peut accélérer la préparation d’un programme, mais elle ne raccourcit pas automatiquement les exigences réglementaires. Le gain de temps dépendra de la qualité des preuves et de l’acceptation des méthodes utilisées par les autorités.
Notre avis : Isomorphic Labs doit maintenant prouver la valeur clinique de son moteur
Isomorphic Labs dispose d’un avantage crédible : l’entreprise est directement reliée à AlphaFold, travaille avec plusieurs grands groupes pharmaceutiques et développe un moteur spécialisé plutôt qu’un simple assistant conversationnel. Son approche répond à un besoin réel, celui de mieux choisir les molécules à tester avant d’engager les étapes les plus coûteuses.
Mais le bilan reste celui d’une technologie en transition. Aucun médicament conçu par IA n’a encore été approuvé, les programmes d’Isomorphic Labs sont encore associés à la phase préclinique et les calendriers cliniques ont déjà évolué. L’IA a donc changé la manière d’explorer certaines hypothèses, pas encore la probabilité finale de succès au point de rendre le développement prévisible.
Dans les six prochains mois, les signaux les plus importants seront concrets : publication de données précliniques détaillées, identification de candidats, enregistrement d’essais et première administration chez l’humain. Une démonstration de modèle ne suffira plus. Isomorphic Labs devra montrer qu’un candidat conçu avec ses outils résiste aux filtres biologiques, toxicologiques et réglementaires.
Le pari mérite d’être suivi, mais avec une grille de lecture stricte : l’IA peut-elle produire de meilleurs candidats, et pas seulement davantage de candidats ?