Google et les médicaments par IA : ce que prépare vraiment Isomorphic Labs

L’arrivée éventuelle d’un médicament imaginé avec l’aide d’une intelligence artificielle dans un essai chez l’humain constituerait un jalon important pour la recherche pharmaceutique. Elle ne signifierait pas qu’une machine a trouvé, validé puis autorisé un traitement seule. Elle indiquerait plutôt qu’un outil informatique a contribué à une chaîne scientifique longue, coûteuse et très encadrée, dont l’épreuve décisive reste l’évaluation chez des personnes.

Le sujet est souvent résumé à « Google lance des essais cliniques ». Cette formule est parlante, mais elle manque de précision. Au sein du groupe Alphabet, la structure directement concernée est Isomorphic Labs, une société issue de Google DeepMind et créée pour appliquer l’IA à la découverte de médicaments. L’enjeu, en juillet 2025, est de savoir si les méthodes de conception moléculaire fondées sur l’IA peuvent produire des candidats suffisamment solides pour entrer dans les études cliniques, puis démontrer un bénéfice réel.

Cette nuance n’est pas sémantique. Entre une molécule prometteuse sur ordinateur et un médicament disponible en pharmacie, il existe un parcours exigeant, fait de tests biologiques, toxicologiques, d’autorisations réglementaires et d’essais menés selon un protocole précis. L’IA peut raccourcir certaines étapes, mais elle ne permet pas de les contourner.

Pourquoi le projet est-il associé à Google ?

Isomorphic Labs appartient à l’écosystème d’Alphabet, la maison mère de Google. L’entreprise a été lancée en 2021 à partir des travaux et des équipes de DeepMind, le laboratoire d’IA connu notamment pour AlphaFold, un système capable de prédire la structure de nombreuses protéines.

Cette filiation explique le raccourci médiatique vers Google. Il faut toutefois distinguer les rôles : Google est une entreprise technologique du groupe Alphabet, DeepMind est son pôle de recherche en IA, tandis qu’Isomorphic Labs se concentre sur l’application de ces capacités à la recherche pharmaceutique. Parler de « médicaments de Google » ne doit donc pas laisser croire que le moteur de recherche ou ses produits grand public mènent directement les essais.

À la date de publication de cet article, les éléments rendus publics ne permettent pas d’assimiler une ambition d’entrée en clinique à un médicament déjà approuvé, ni même à un essai dont tous les détails auraient été annoncés. Pour qu’un essai soit véritablement vérifiable par le public et la communauté scientifique, il faut habituellement pouvoir identifier au minimum :

• le nom ou le code du candidat médicament ;
• la maladie visée ;
• le promoteur de l’étude ;
• le protocole, les critères de sélection et les centres participants ;
• l’inscription de l’étude dans un registre clinique approprié.

La publication d’origine évoque des collaborations avec des institutions de recherche, sans nommer les partenaires, le composé étudié ni l’indication thérapeutique. Il serait donc imprudent d’affirmer qu’un protocole clinique précis est déjà lancé, ou de lui attribuer une cible médicale particulière, sans publication ou enregistrement identifiable.

Ce que l’IA change dans la découverte d’un médicament

La découverte classique d’un médicament commence souvent par une question biologique : quelle protéine, quel gène ou quel mécanisme participe à une maladie ? Les chercheurs recherchent ensuite une molécule capable d’agir sur cette cible, par exemple en bloquant ou en activant une protéine. Il faut en général comparer un immense nombre de pistes avant de retenir quelques composés candidats.

C’est dans cette phase que l’IA peut être particulièrement utile. Des modèles entraînés sur des données biologiques, chimiques et structurales peuvent aider à représenter la forme d’une protéine, à estimer si une molécule pourrait s’y fixer, ou à proposer des modifications chimiques susceptibles d’améliorer ses propriétés. L’objectif est de réduire le nombre d’expériences infructueuses et de concentrer le travail de laboratoire sur les pistes les plus plausibles.

La promesse n’est donc pas une médecine « automatique ». Elle consiste à faire travailler ensemble calcul et expérimentation. Une prédiction informatique doit être confirmée dans des tests sur cellules, puis selon les cas dans des modèles biologiques adaptés. Les chercheurs vérifient aussi que la molécule atteint bien sa cible, qu’elle ne provoque pas d’effets indésirables manifestes et qu’elle peut être fabriquée de manière fiable.

La recherche assistée par IA peut contribuer à plusieurs tâches :

• identifier des cibles thérapeutiques à partir de données complexes ;
• modéliser l’interaction entre une protéine et une molécule ;
• générer ou optimiser des composés candidats ;
• anticiper certaines propriétés, comme la stabilité ou des risques de toxicité ;
• hiérarchiser les expériences à mener en laboratoire.

Ses limites sont tout aussi importantes. Un modèle ne connaît que les données sur lesquelles il s’appuie et les règles qu’il a appris à approximer. Le corps humain est un système complexe, dans lequel l’effet d’un traitement dépend de la dose, des organes, du métabolisme, des autres médicaments pris par le patient et de nombreuses variations individuelles. Une prédiction convaincante sur écran ne vaut pas encore une démonstration clinique.

Comment se déroulent les essais cliniques chez l’humain ?

Avant d’administrer une molécule à des volontaires, les équipes doivent rassembler des données précliniques. Celles-ci servent notamment à étudier l’activité biologique du composé et ses risques potentiels. Si le rapport entre les bénéfices attendus et les risques identifiés paraît acceptable, les autorités compétentes peuvent autoriser le démarrage d’un programme clinique dans le cadre prévu par la réglementation.

Les essais ne sont pas tous identiques. Leur conception dépend de la maladie, de l’objectif thérapeutique et des données déjà disponibles. Le parcours est néanmoins généralement présenté en plusieurs phases.

Un essai clinique repose sur un protocole, validé avant le recrutement. Il précise notamment qui peut participer, le nombre de personnes recherchées, les examens prévus, la durée du suivi et les règles d’arrêt de l’étude. Les participants reçoivent une information sur les bénéfices incertains et les risques connus, puis donnent leur consentement. Des comités d’éthique et des mécanismes de surveillance indépendants jouent un rôle central dans la protection des volontaires.

Des partenariats industriels, pas une validation clinique automatique

Isomorphic Labs ne travaille pas dans un vide scientifique. L’entreprise a annoncé des collaborations de découverte de médicaments avec les groupes pharmaceutiques Eli Lilly et Novartis. Ces accords montrent que les grands laboratoires considèrent l’IA comme un outil susceptible d’améliorer les premières étapes de recherche.

Pour une jeune entreprise spécialisée dans le calcul et les modèles biologiques, ces partenariats apportent une expertise essentielle : connaissance des maladies, capacités de chimie médicinale, essais sur des systèmes biologiques, production à grande échelle, organisation d’études cliniques et expérience réglementaire. Pour les laboratoires, l’intérêt est d’accéder à des approches de conception différentes et potentiellement plus rapides.

Il faut cependant éviter de tirer une conclusion excessive de ces annonces. Un partenariat de découverte peut déboucher sur un programme de recherche prolongé, sur plusieurs candidats, ou ne produire aucun médicament commercialisé. L’industrie pharmaceutique fonctionne par sélection successive : de nombreuses molécules prometteuses sont abandonnées lorsque les données de laboratoire ou les essais chez l’humain révèlent une efficacité insuffisante, une toxicité ou des difficultés de fabrication.

Le vrai test de la méthode ne sera donc pas seulement la capacité à générer des structures moléculaires inédites. Il sera de montrer, avec des données cliniques robustes, que des molécules conçues ou optimisées par IA apportent un bénéfice aux patients et présentent un niveau de risque acceptable.

L’IA impose-t-elle une nouvelle réglementation des médicaments ?

Les médicaments découverts avec l’IA ne bénéficient pas d’un passe-droit réglementaire. Les autorités sanitaires examinent le produit, ses données de qualité, de sécurité et d’efficacité. En d’autres termes, le fait qu’un algorithme ait participé à l’identification d’une molécule ne dispense pas son promoteur de prouver que cette molécule est sûre et utile.

L’IA soulève néanmoins des questions spécifiques en amont du dossier clinique. Les chercheurs doivent pouvoir justifier la qualité des données utilisées, repérer d’éventuels biais, documenter les méthodes employées et vérifier expérimentalement les hypothèses produites par les modèles. Lorsque les algorithmes orientent le choix d’une cible ou d’un composé, leur résultat doit rester traçable dans une démarche scientifique reproductible.

La question de la confidentialité est également sensible. La médecine personnalisée, souvent associée à l’IA, peut nécessiter l’analyse de données génétiques, cliniques ou d’imagerie. Ces informations doivent être protégées et utilisées dans le respect du consentement des personnes concernées. L’IA ne doit pas accentuer les inégalités de santé en fonction de populations sous-représentées dans les jeux de données.

Pourquoi l’enjeu dépasse le cas d’Isomorphic Labs

L’intérêt pour l’IA dans la recherche médicale ne se limite pas à Alphabet. De nombreuses entreprises de biotechnologie, sociétés pharmaceutiques, universités et hôpitaux utilisent déjà des techniques d’apprentissage automatique pour analyser des données biologiques, améliorer l’imagerie médicale ou accélérer l’identification de molécules.

Cette dynamique répond à une difficulté structurelle : développer un médicament demande beaucoup de temps, d’expertise et de ressources, sans garantie de succès. Si l’IA aide à éliminer plus tôt les mauvaises pistes et à concevoir de meilleurs candidats, elle pourrait réduire une partie du coût de l’échec. Mais cette promesse devra être évaluée au cas par cas. Accélérer la découverte ne signifie pas nécessairement raccourcir dans les mêmes proportions le temps des essais cliniques, car la sécurité des participants impose des étapes incompressibles.

L’autre enjeu est l’accès. Même lorsqu’une méthode permet de mettre au point un traitement, rien ne garantit automatiquement qu’il sera abordable ou distribué équitablement. Les décisions de prix, de remboursement, de production et d’accès aux soins restent des choix industriels et publics distincts de l’innovation algorithmique.

Ce qu’il faut surveiller

Pour évaluer concrètement les avancées annoncées autour d’Isomorphic Labs et des médicaments découverts par IA, plusieurs signaux compteront davantage que les promesses générales. Le premier sera l’identification publique de candidats précis, d’une indication thérapeutique et d’un promoteur clinique. Le deuxième sera l’enregistrement des études et la publication de leurs protocoles, lorsque cela est applicable.

Il faudra ensuite regarder les résultats avec la même exigence que pour tout autre médicament : quelle population a été étudiée, quel comparateur a été choisi, quel bénéfice a été observé, quels effets indésirables ont été relevés et avec quel niveau de certitude ? Une avancée crédible ne se résumera pas à la rapidité de conception d’une molécule, mais à la qualité des preuves obtenues chez l’humain.

Si des candidats issus de cette approche franchissent les étapes cliniques, l’IA pourrait s’installer comme une composante majeure de la recherche pharmaceutique. En juillet 2025, l’étape à surveiller n’est pas celle d’une révolution déjà accomplie, mais celle de la confrontation indispensable entre des prédictions computationnelles ambitieuses et les données cliniques du monde réel.