Découvrir des médicaments à l’ère de l’intelligence artificielle

Découvrir des médicaments à l’ère de l’intelligence artificielle

Dossier : Cancérologie | Magazine N°818 Octobre 2026
Par Nicolas CANOUÏ (X00)

Chercher un médicament, c’est identifier la bonne molécule parmi 1030 possibles. Nous ne connaissons aujourd’hui qu’une part infinitésimale de cet espace. L’IA n’apprend que de ce qui a déjà été mesuré, quand un modèle physique, lui, reste valable partout : l’énergie libre de liaison, qui gouverne l’affinité d’une molécule pour sa cible, se calcule, y compris pour des molécules jamais synthétisées. Couplée à l’IA, la physique permet ainsi d’explorer des régions inconnues de l’espace chimique, de concentrer l’effort expérimental là où il est le plus informatif et de faire émerger de nouveaux candidats médicaments.

J’ai rejoint Aqemia presque sur un malentendu. Je venais de la finance de marché, vers laquelle je m’étais orienté à la fin de mes études par goût pour la théorie des probabilités. À la recherche de sens dans mon travail, j’ai répondu à une annonce chez Aqemia ; on m’a reçu pour discuter d’un autre poste… Quatre ans plus tard, me voilà vice-président de la plateforme de R & D, travaillant à l’un des défis scientifiques les plus complexes qui soient : découvrir de nouveaux médicaments. Avec le recul, ce détour par la finance n’était peut-être pas si éloigné du sujet. Dans les deux cas, il s’agit du même exercice : décider sous incertitude, raisonner avec des modèles imparfaits, accepter que le réel résiste et construire des outils capables d’aider à prendre de meilleures décisions. La différence tient évidemment à la finalité. Chez Aqemia, ce travail est mis au service d’une ambition autrement plus concrète : découvrir de nouvelles molécules susceptibles de devenir des médicaments.

L’immensité des possibles

Chercher de nouvelles molécules, c’est explorer un espace chimique immense. Même en se limitant aux molécules dites drug-like, on parle d’un espace de l’ordre de 1030 pos­sibilités, trop vaste pour être exploré par l’expérience seule. Toute la difficulté consiste à décider quelles molécules méritent réellement d’être testées, malgré une information incomplète et des modèles néces­sairement imparfaits. C’est précisément dans cet écart, entre la capacité des modèles et la complexité du vivant, que se joue une partie de l’avenir de la découverte de médicaments. L’intelligence artificielle y est aujourd’hui devenue indispensable. Mais elle ne prend sa pleine valeur que lorsqu’elle s’inscrit dans une architecture plus large, où dialoguent physique, calcul scientifique, données expérimentales et méthodes de décision rigoureuses. Sans physique, sans données fiables et sans validation expérimentale, elle ne suffit pas.

Les difficultés de l’IA

Découvrir un médicament ne consiste pas simplement à rechercher des molécules ressemblant à celles que l’on connaît déjà. Il s’agit d’identifier quelques molécules capables d’interagir efficacement avec une cible biologique, tout en présentant des propriétés compatibles avec un futur développement thérapeutique. L’intelligence artificielle est efficace lorsqu’elle dispose de grandes quantités de données fiables. C’est le cas notamment des grands modèles de langage, qui apprennent des régularités statistiques à partir d’un nombre massif d’exemples. La découverte de médicaments est un contexte différent. Les données expérimentales y sont rares, fragmentées et concentrées sur une petite zone de l’espace chimique déjà exploré. Pour une cible donnée ou une pathologie spécifique, les observations utiles sont limitées. Certaines maladies concentrent ces difficultés. Le cancer du pancréas en est une illustration : malgré des décennies de recherche, les avancées thérapeutiques sont insuffisantes.

Pourquoi la physique est clé

Dans ce régime de données limitées, les modèles d’IA tendent à reproduire ce qu’ils ont déjà vu. Ils explorent surtout des variations autour de l’existant. Cela conduit souvent à des molécules proches de celles déjà connues, parfois utiles, mais rarement véritablement nouvelles. Avec peu de données, les modèles apprennent surtout le passé, pas le possible. Or les progrès thérapeutiques majeurs nécessitent souvent de sortir du voisinage de l’existant. C’est là que la physique joue un rôle complémentaire à celui de l’IA. La physique prolonge l’IA là où les données s’arrêtent. La physique s’appuie sur des principes généraux, valables même dans des zones de l’espace chimique encore inexplorées, et permet ainsi de calculer l’affinité de molécules qui n’ont jamais été synthétisées. C’est cette complémentarité entre génération par l’IA et évaluation par la physique qui rend possible l’exploration de nouveaux espaces chimiques.

Par exemple, dans l’un de nos programmes de recherche sur le cancer du pancréas, nos modèles physiques ont permis d’améliorer l’affinité d’un facteur mille en six mois, là où des modèles d’IA pure stagnaient.

Concevoir une plateforme intégrée

Mon rôle chez Aqemia a été de traduire cette vision en une plateforme de génération de molécules, à l’interface entre la physique et l’IA. L’idée est de faire dialoguer des modèles capables d’inventer avec des modèles capables d’évaluer. L’intelligence artificielle propose des structures moléculaires candidates. Les modèles de physique évaluent leurs propriétés d’interaction avec la cible biologique. L’expérience vient ensuite trancher en conditions réelles. Ce cycle se répète en continu. Les propositions sont progressivement affinées, les pistes peu pertinentes éliminées et les hypothèses les plus prometteuses renforcées. On peut l’illustrer simplement. Face à une protéine impliquée dans une maladie, la plateforme explore un grand nombre de molécules possibles.


“Convergence de trois composantes : exploration par l’IA, évaluation par la physique, validation par l’expérience.”

Les modèles physiques estiment leur capacité à se lier à la cible et orientent ainsi l’exploration de l’espace chimique. Les composés les plus intéressants sont ensuite testés en laboratoire. Les résultats expérimentaux sont réinjectés dans le système, qui ajuste ses prochaines propositions. L’innovation ne vient pas d’un modèle. Elle vient d’une boucle : générer, évaluer, tester, apprendre. La valeur de cette approche tient à la convergence de trois composantes : exploration par l’IA, évaluation par la physique, validation par l’expérience.

Du calcul à l’expérience

Pour produire des avancées réelles, il ne suffit pas de générer des prédictions. Il faut organiser une itération scientifique efficace entre calcul et expérimentation, dans des boucles courtes entre ce que la plateforme propose et ce que l’expérience confirme ou invalide. Concrètement, cela signifie tester rapidement des hypothèses issues du calcul, mesurer les écarts avec la réalité expérimentale, puis réinjecter ces résultats dans les modèles. Ce va-et-vient transforme progressivement les prédictions en apprentissage exploitable. Cette itération repose sur trois exigences : reproductibilité, traçabilité et standardisation. Chaque résultat doit pouvoir être interprété sans ambiguïté, comparé aux précédents et replacé dans un cadre cohérent. Sans cela, on accumule des données, mais on ne construit pas de connaissance. Une approche probabiliste s’impose naturellement dès lors que l’on traite un problème de décision sous incertitude. Elle permet de raisonner en niveaux de confiance. L’incertitude n’est pas un problème à éliminer. C’est le régime normal de décision. Quelles molécules ont le plus de chances de fonctionner ? Dans quelles conditions ? Avec quel risque ? Dans les phases amont, les données sont rares et les inconnues nombreuses, mais les décisions doivent malgré tout être prises. La bonne question n’est pas « sommes-nous certains ? », mais « en savons-nous assez pour agir ? ».

Construire des systèmes pour mieux décider

En tant qu’ingénieur, je vois notre rôle comme un point d’appui dans la transformation de la découverte de médicaments. Nous ne remplaçons ni les chimistes, ni les biologistes, ni les cliniciens. Nous construisons des plateformes qui permettent à ces expertises de se rencontrer plus efficacement, de tester plus d’hypothèses plus vite et de mesurer plus rigoureusement le progrès. Ce qui frappe, c’est la manière dont ces approches transforment le rythme de l’innovation. En structurant les données, les modèles et les cycles expérimentaux, nous accélérons les décisions et l’apprentissage. La recherche devient plus itérative, plus pilotable et plus mesurable. Mais ce travail demande une discipline constante. Dans un environnement déjà complexe, la tentation est d’ajouter de la complexité à la complexité. L’ingénierie commence là où l’on refuse d’ajouter de la complexité inutile.

Chez Aqemia, cela signifie investir là où nous avons un avantage réel : la modélisation physique de l’affinité. Cela implique aussi d’accepter les limites d’autres dimensions du problème. La biologie reste extra­ordinairement complexe. Une molécule prometteuse dans un modèle ne devient pas automatiquement un médicament. Entre les deux, il y a des années de science, d’expériences et de décisions. À l’avenir, il sera essentiel de clarifier ce qui peut réellement être automatisé dans la découverte de médicaments. L’automatisation peut accélérer l’exploration, réduire certaines tâches répétitives et rendre les décisions plus robustes. Elle peut aussi aider à mieux formuler les hypothèses et à capitaliser plus systématiquement sur les résultats expérimentaux. L’objectif est de concevoir des systèmes où chaque étape de la découverte devient plus mesurable et plus informative.

Transformer l’incertitude en connaissance

Je vois aujourd’hui la découverte de médicaments comme un problème de décision sous incertitude. Les données sont incomplètes, les modèles imparfaits et l’espace d’exploration immense. Pourtant, il faut continuellement choisir quelles hypothèses tester, lesquelles abandonner et où concentrer l’effort. Dans ce contexte, la physique, l’intelligence artificielle et l’expérimentation ne jouent pas des rôles séparés. Elles forment un système intégré de prise de décision scientifique : l’IA explore, la physique étend l’évaluation au-delà des données connues et l’expérience arbitre dans le réel. La valeur de ce système ne vient pas de ses composants pris isolément, mais de leur capacité à structurer ensemble la décision dans l’incertain. Je suis arrivé chez Aqemia en pensant construire des modèles. Mais un modèle n’a de valeur que s’il aide à réduire l’incertitude d’une hypothèse biologique, à hiérarchiser des expériences plus informatives et, pas à pas, à faire émerger une nouvelle option thérapeutique. Le rôle de l’ingénieur n’est pas de remplacer la complexité du vivant par des modèles toujours plus sophistiqués. C’est de concevoir des systèmes capables de prendre de meilleures décisions scientifiques sous incertitude, d’apprendre plus vite et de transformer progressivement cette incertitude en connaissance exploitable. 

Poster un commentaire