Google lance le moteur de conception de médicaments IA IsoDDE : surnommé « AlphaFold 4 », ses performances surpassent la génération précédente, mais il n'est plus open source

Isomorphic Labs de Google, également dirigé par le PDG de DeepMind, Demis Hassabis, a lancé IsoDDE, une nouvelle génération de moteur de conception de médicaments par IA appelée « AlphaFold 4 » par Nature.

Il a complètement écrasé la génération précédente, mais a choisi d’être totalement fermé. L’âge d’or de l’IA pour la science pourrait bien se refermer.

En 2024, Demis Hassabis est monté sur le podium du Nobel grâce à AlphaFold.

Ce modèle d’IA, capable de prédire la structure tridimensionnelle des protéines, est utilisé par plus de 3 millions de chercheurs dans plus de 190 pays, et constitue un exemple de référence de l’IA bénéfique à toute l’humanité.

Le Comité Nobel attribue moins un algorithme qu’un esprit – mettre gratuitement les outils scientifiques les plus puissants entre les mains de chaque chercheur.

Seize mois plus tard, le successeur d’AlphaFold a été dévoilé.

Le 10 février, Isomorphic Labs, une entreprise pharmaceutique spécialisée en IA fondée par Hassabis, a publié un rapport technique de 27 pages présentant un moteur de conception de médicaments appelé IsoDDE, qui a complètement écrasé AlphaFold 3 en termes de performance, et qui a été évalué par le biologiste computationnel de l’Université Columbia Mohammed AlQuraishi comme « une avancée majeure au niveau d’AlphaFold 4 ».

Mais cette fois, le code ne sera pas rendu public, l’article ne sera pas publié, et la méthode ne sera pas partagée.

Max Jaderberg, président d’Isomorphic Labs, a été franc avec Nature : Nous ne prévoyons pas de divulguer la « recette secrète ».

La saga open source d’AlphaFold devrait probablement prendre fin dans la troisième génération.

Cette capacité est en effet terriblement puissante

Commençons par ce qu’IsoDDE a fait, ce qui aide à comprendre pourquoi la controverse est si importante plus tard.

Pour utiliser une analogie moins rigoureuse : si vous considérez la protéine comme une serrure, la molécule de médicament est la clé. Ce que fait AlphaFold, c’est vous aider à voir à quoi ressemble cette serrure.

Mais il ne suffit pas de voir la serrure – il faut savoir si la clé peut tourner lorsqu’elle est insérée, si elle est bien tournée, ou même s’il y a un autre trou de serrure sur la serrure que vous n’avez pas du tout remarqué.

IsoDDE répond à ces questions plus difficiles.

C’est un moteur unifié qui intègre des capacités telles que la prédiction structurelle, le calcul de la résistance de liaison et la découverte de sites de liaison cachés.

Les chiffres sont très intuitifs.

Dans un test spécifiquement visant à tester si l’IA pouvait gérer des structures protéiques « jamais auparavant » nouvelles (benchmark Runs N’Pose), IsoDDE a obtenu plus du double du taux de réussite d’AlphaFold 3 (AF3) lorsque la similarité entre l’échantillon testé et les données d’entraînement était aussi faible que 0-20 % (ce qui est le cas le plus difficile).

Parmi les 60 cas les plus difficiles, 17 étaient des échecs complets AlphaFold 3 et IsoDDE a réussi.

AlphaFold 3 échoue dans cet exemple avec IsoDDE correct

En matière de prédiction de la manière dont les anticorps reconnaissent les cibles, le taux de réussite de prédiction haute précision d’IsoDDE est 2,3 fois supérieur à celui d’AlphaFold 3 et près de 20 fois supérieur à celui de Boltz-2, un autre modèle open source grand public.

Ce qui surprend le plus ses pairs est la prédiction de l’affinité de liaison – c’est-à-dire déterminer à quel point une molécule de médicament et sa cible sont liées.

Cette tâche reposait traditionnellement sur une méthode de simulation physique appelée FEP, extrêmement coûteuse en calcul et nécessitant que le laboratoire fournisse des structures cristallines comme point de départ.

IsoDDE a non seulement surpassé toutes les méthodes d’IA dans l’ensemble, y compris la FEP, lors de plusieurs tests publics, et il n’a pas nécessité de données expérimentales au départ.

Il y a aussi un cas particulièrement beau dans le rapport technique.

Il existe une protéine appelée cerveble, et les scientifiques ont passé 15 ans à penser qu’elle ne possédait qu’un seul site de liaison au médicament. Ce n’est qu’au début de cette année qu’un nouvel article a découvert expérimentalement un second site de reliure caché.

Et IsoDDE vient d’entrer dans la séquence d’acides aminés de cette protéine et a trouvé les deux sites — y compris celui qui était resté caché pendant 15 ans.

Les laboratoires font la même chose avec des expériences d’immersion en cristaux coûteuses et beaucoup de temps. IsoDDE ne prend que quelques secondes.

AlQuraishi a déclaré qu’il était le plus impressionné par la capacité de généralisation d’IsoDDE sur des systèmes moléculaires totalement inconnus, « ce qui montre qu’ils ont dû accomplir quelque chose de très nouveau ».

Source fermée : La partie vraiment troublante de l’histoire

Si IsoDDE est un logiciel métier ordinaire, que le code fermé est naturel, il n’y a pas grand-chose à dire.

Le problème, c’est que son prédécesseur, l’AlphaFold, représente une valeur très différente.

AlphaFold 2 a été rendu open source en 2021, et l’article accompagnant a été publié dans Nature, et les résultats de la prédiction sont gratuits et accessibles au monde entier.

Cela va bien au-delà de la technologie elle-même — cela prouve la possibilité que la recherche en IA de pointe financée par les géants de la technologie puisse véritablement devenir un bien public pour toute l’humanité.

Plus de 3 millions de scientifiques l’ont utilisée pour mener leurs propres recherches, de nombreux projets se sont accélérés, et des rivières entières de la biologie ont changé de cours avec elle.

L’AlphaFold 3 2024 a également publié des articles, et bien que la rapidité du code open source ait suscité la controverse, il est enfin ouvert à la communauté académique.

IsoDDE brise cette tradition.

Le rapport technique de 27 pages contient presque aucun détail sur l’architecture du modèle et la méthodologie d’entraînement.

Le sous-titre du rapport de Nature est simple : les scientifiques « ne peuvent que spéculer sur la manière dont des résultats similaires peuvent être obtenus. »

Les paroles de Jaderberg à la Nature sont intrigantes. Il a dit espérer que le rapport « inspirerait » d’autres équipes.

Mais la réponse d’AlQuraishi est peut-être plus représentative des véritables sentiments du monde académique : « Le problème, c’est que nous ne connaissons pas les détails. »

Certaines personnes pensent qu’il est logique pour Isomorphic Labs, en tant qu’entreprise commerciale, de protéger sa technologie de base. Bien sûr que c’est vrai.

Mais il vaut la peine de se demander : lorsque l’IA dans le domaine scientifique deviendra plus forte et plus concentrée entre les mains de quelques entreprises, qui décidera de l’ampleur de ces capacités ?

Isomorphic Labs a obtenu un financement de 600 millions de dollars et signé un accord de partenariat potentiel de 3 milliards de dollars avec Eli Lilly et Novartis, avec 17 pipelines de médicaments en interne.

Hassabis a déclaré à Davos en janvier de cette année que les premiers médicaments conçus par IA devraient entrer dans des essais cliniques d’ici la fin 2026.

L’entreprise passe d’un institut de recherche scientifique à une machine commerciale.

Diego del Alamo, biologiste structurel computationnel chez Takeda Pharmaceutical, souligne une autre subtilité : Isomorphic Labs a auparavant investi beaucoup d’efforts dans le travail avec des entreprises pharmaceutiques et a peut-être obtenu une grande quantité de données expérimentales privées.

On ignore dans quelle mesure ces données supplémentaires contribuent aux performances d’IsoDDE.

Si l’avantage principal vient des barrières des données plutôt que de l’innovation algorithmique, alors la soi-disant « incitation » ressemble davantage à un geste.

Le camp open source ne jette pas l’éponge

Les sources fermées provoquent de l’anxiété, mais elles attisent aussi la concurrence.

Gabriele Corso, co-développeur de Boltz-2 et fondateur de l’entreprise à but non lucratif Boltz, est clair : il ne considère pas les données privées comme un facteur clé, car il reste encore beaucoup de place à améliorer dans les données publiques.

IsoDDE établit une nouvelle base de performance qui « doit rattraper son retard et peut être complètement dépassée ».

Une autre société, Deep Origin, a été plus médiatisée, publiant directement une déclaration le lendemain de la sortie d’IsoDDE indiquant que son moteur DODock avait déjà atteint des niveaux de performance comparables sur le même benchmark en août 2025 – en utilisant une voie technique complètement différente.

La communauté open source n’est pas restée inactive ces deux dernières années. Après la sortie d’AlphaFold 3, plusieurs équipes ont créé des modèles open source qui s’en approchent ou même dépassent partiellement, notamment Boltz-1/2, Chai-1, Protenix, et d’autres.

Le domaine pharmaceutique de l’IA répète le scénario dans le domaine des grands modèles de langage : une entreprise montre des résultats incroyables en source fermée, et toute la communauté open source suit rapidement le mouvement, réduisant l’écart entre génération et rattrapage.

Mais voici une différence clé.

Les données d’entraînement des modèles de langage : le texte Internet, constituent une ressource publique presque illimitée.

Une part importante des données d’entraînement des produits pharmaceutiques par IA, en particulier les données expérimentales de haute qualité sur les protéines et les médicaments, est entre les mains des entreprises pharmaceutiques.

Si le fossé du modèle propriétaire est construit sur des données privées, il est beaucoup plus difficile pour l’open source de rattraper son retard.

Portes closes

Les implications de cela peuvent aller au-delà du domaine même de la découverte de médicaments.

Au cours des dernières années, « l’IA open source stimule le progrès scientifique » est un récit largement accepté. AlphaFold est la preuve la plus forte de ce récit.

Chaque fois que quelqu’un se demande à qui profite la recherche en IA des géants de la tech, AlphaFold est la meilleure réponse — regardez, 3 millions de scientifiques dans le monde l’utilisent gratuitement.

Aujourd’hui, lorsque les descendants directs d’AlphaFold choisissent de refermer la source, ce récit a été démantelé.

Cela laisse entrevoir une direction future possible :

L’IA, l’outil le plus puissant dans le domaine des sciences fondamentales, est progressivement passée d’un bien public à un actif commercial ;

Les résultats de percée sont publiés sous forme de rapports techniques plutôt que d’articles évalués par des pairs ;

Le monde académique peut voir les résultats, mais jamais les méthodes.

Hassabis a un jour déclaré que l’IA en science est une cause plus riche que les modèles de langage. C’est ça. Mais le principe de l’abondance est l’ouverture.

Lorsque l’IA scientifique la plus puissante n’est accessible qu’aux clients payants, la grande majorité des personnes dans la communauté scientifique ne peuvent que regarder de l’extérieur.

La médaille Nobel d’AlphaFold porte l’idéal de transmettre la connaissance à tous. Le rapport technique d’IsoDDE annonce un avenir plus solide.

La distance entre les deux est le choix qui se fait à cette époque.