En octobre dernier, Demis Hassabis et John Jumper ont reçu le prix Nobel de chimie pour AlphaFold 2. Un système d'IA qui a résolu le problème du repliement des protéines qui préoccupait la biologie structurale depuis cinquante ans – avec une précision atomique, des résultats en quelques heures, alors que les méthodes traditionnelles prenaient des mois.
Quel est l'impact
La base de données de structures protéiques AlphaFold contient désormais plus de 240 millions de structures prédites, couvrant toutes les protéines produites par le corps humain. Plus de 3 millions de chercheurs dans plus de 190 pays l'utilisent, dont un tiers provenant de pays à revenu faible ou intermédiaire. Elle a contribué à environ 200 000 articles scientifiques.
Les versions ultérieures sont toujours en développement :
- AlphaFold Multimer : Prédiction de structures de complexes multiprotéiques
- AlphaFold 3 : Extension à l'ADN, l'ARN, les ligands et toutes les molécules du vivant
- "AlphaFold 4" (nom non officiel) : Développé par la filiale Isomorphic Labs, destiné à la découverte de médicaments
Le dilemme de DeepMind
Un long article dans Nature a posé une question incisive : Après avoir remporté le Nobel, DeepMind peut-elle encore réaliser une percée d'ampleur équivalente ?
Le cœur du problème n'est pas que DeepMind manque de talents ou de technologie, mais que le contexte général a changé. La vague des LLM a absorbé presque tous les investissements et l'attention consacrés à l'IA. La mission initiale de DeepMind était "utiliser l'IA pour stimuler les découvertes scientifiques", mais les ressources et les talents de l'entreprise peuvent difficilement rester totalement à l'écart de l'engouement pour les LLM.
Hassabis se montre optimiste : La recherche scientifique pilotée par l'IA traversera une période de restructuration de 10 à 15 ans, suivie d'une "Renaissance".
Pourquoi cela dépasse le secteur de l'IA lui-même
La signification d'AlphaFold ne se limite pas à "l'IA est impressionnante". Pour la première fois, il a prouvé dans le monde académique mainstream que l'IA peut résoudre des problèmes scientifiques fondamentaux que les méthodes traditionnelles ne peuvent pas résoudre. La valeur de ce précédent dépasse largement n'importe quel score de benchmark.
Si l'IA a pu faire cela avec les protéines, des percées d'ampleur similaire sont possibles dans la science des matériaux, la conception de médicaments et la modélisation climatique. La question est simplement : Qui investira dans ces directions difficiles à monétiser ?
Source de référence : CocoLoop, reportage de Nature