Nobel de chimie 2024 : Baker, Hassabis et Jumper, l’IA au cœur des protéines

Les protéines sont les machines miniatures du vivant. Elles transportent l’oxygène, captent des signaux, combattent des agents infectieux ou catalysent des réactions chimiques. Pourtant, déterminer leur forme tridimensionnelle, indispensable pour comprendre leur rôle, est longtemps resté l’un des grands défis de la biologie et de la chimie. Le 9 octobre 2024, le prix Nobel de chimie vient distinguer trois chercheurs qui ont profondément changé la manière d’aborder ce problème : David Baker, Demis Hassabis et John M. Jumper.

L’Académie royale des sciences de Suède partage le prix entre deux contributions complémentaires. David Baker est honoré pour la conception computationnelle de protéines. Demis Hassabis et John M. Jumper, chercheurs de Google DeepMind, reçoivent l’autre moitié pour la prédiction de la structure des protéines à l’aide de l’intelligence artificielle. Leurs approches ne font pas la même chose, mais elles se rejoignent dans une même ambition : rendre les protéines plus lisibles, et à terme plus faciles à utiliser dans la recherche.

Ce que le Nobel de chimie 2024 récompense exactement

Le Nobel ne salue pas une seule molécule, ni un médicament déjà commercialisé. Il distingue des méthodes de calcul qui ont transformé la recherche sur les protéines. D’un côté, il devient possible de concevoir des protéines qui n’existent pas dans la nature. De l’autre, il devient beaucoup plus rapide d’estimer la forme d’une protéine à partir de sa séquence d’acides aminés.

Cette récompense illustre aussi l’évolution de la chimie contemporaine. Les découvertes ne reposent plus seulement sur les instruments de laboratoire et les réactions observées dans une éprouvette. Elles mobilisent aussi les mathématiques, l’informatique, les bases de données biologiques et l’apprentissage automatique. L’ordinateur ne remplace pas l’expérience, mais il peut proposer des hypothèses et des pistes à une vitesse autrefois inaccessible.

Pourquoi la forme des protéines est-elle si importante ?

Une protéine est une longue chaîne constituée d’acides aminés. Dans une cellule, cette chaîne ne reste pas étirée : elle se replie sur elle-même pour adopter une architecture en trois dimensions. C’est cette forme qui détermine largement ce qu’elle peut faire, les molécules auxquelles elle peut se lier et les réactions qu’elle peut accélérer.

Le défi est immense. Une même chaîne peut théoriquement adopter un très grand nombre de conformations. Pendant des décennies, les scientifiques ont principalement déterminé les structures protéiques au moyen de techniques expérimentales exigeantes, telles que la cristallographie aux rayons X, la résonance magnétique nucléaire ou, plus récemment, la cryomicroscopie électronique. Ces méthodes restent essentielles, mais elles peuvent demander du temps, des échantillons adaptés et des équipements très spécialisés.

Pouvoir prédire la structure depuis la séquence génétique ou chimique de la protéine permet donc de gagner un temps précieux. Une structure peut révéler, par exemple, la présence d’une zone capable de fixer un médicament, expliquer pourquoi une mutation perturbe une fonction biologique, ou orienter la conception d’une nouvelle molécule.

David Baker, concevoir des protéines plutôt que les observer

Les travaux de David Baker, chercheur à l’université de Washington, vont au-delà de la description des protéines déjà présentes dans la nature. Son approche consiste à utiliser l’informatique pour imaginer des protéines nouvelles, conçues pour remplir une fonction donnée.

Le principe peut se résumer ainsi : si les chercheurs savent qu’une certaine forme peut favoriser une fonction, ils peuvent chercher quelles séquences d’acides aminés sont les plus susceptibles de produire cette forme. C’est un problème particulièrement complexe, car il faut prendre en compte les interactions entre de très nombreux atomes et les contraintes physiques qui déterminent le repliement d’une protéine.

David Baker et ses collaborateurs ont développé des outils de modélisation qui permettent d’explorer cet espace gigantesque. En 2003, ses travaux ont notamment conduit à la création d’une protéine nouvelle. Cette démonstration a montré qu’il était possible de dépasser l’étude des molécules naturelles et de traiter les protéines comme des objets que l’on peut, dans une certaine mesure, concevoir.

Cette possibilité intéresse de nombreux domaines. Une protéine conçue peut être envisagée comme un capteur, une enzyme industrielle ou une molécule susceptible d’interagir avec une cible biologique précise. Cela ne signifie pas qu’une idée informatique devient automatiquement un traitement : les candidats doivent être fabriqués, testés, optimisés et évalués avec rigueur. Mais le calcul peut réduire le nombre de pistes à explorer au laboratoire.

AlphaFold, le saut de l’intelligence artificielle dans la prédiction

Demis Hassabis et John M. Jumper sont distingués pour le travail mené chez Google DeepMind autour d’AlphaFold. Leur système s’attaque à une question historique : peut-on déduire la structure tridimensionnelle d’une protéine à partir de sa séquence d’acides aminés ?

Le problème est connu sous le nom de repliement des protéines. Les biologistes disposent d’un très grand nombre de séquences, notamment grâce au séquençage génétique, mais pendant longtemps beaucoup moins de structures déterminées expérimentalement. Ce décalage limitait la compréhension fonctionnelle de nombreuses protéines.

AlphaFold exploite l’apprentissage automatique pour repérer des régularités dans des données biologiques et structurales. Il analyse notamment les relations entre les positions occupées par les acides aminés dans une séquence et estime les distances ou les orientations qu’ils sont susceptibles d’adopter dans l’espace. Le résultat est une proposition de structure accompagnée d’indicateurs de confiance, utiles pour identifier les zones les mieux prédites.

La version AlphaFold2, présentée en 2020, a marqué un tournant lors de l’évaluation internationale CASP, qui mesure les progrès accomplis dans la prédiction des structures protéiques. Ses performances ont convaincu une grande partie de la communauté scientifique qu’un seuil décisif venait d’être franchi. Par la suite, la mise à disposition d’une base contenant plus de 200 millions de prédictions a étendu l’impact de l’outil bien au-delà de l’équipe qui l’avait développé.

Le changement est concret pour les laboratoires. Un chercheur qui étudie une protéine peu connue peut désormais disposer rapidement d’un modèle de départ pour formuler des hypothèses. Il peut identifier une poche potentiellement intéressante, comparer des protéines apparentées ou préparer des expériences plus ciblées. Ce gain de temps est particulièrement précieux dans des domaines où chaque manipulation peut prendre des semaines ou des mois.

Prédire et concevoir : deux capacités différentes, mais complémentaires

La prédiction et la conception sont parfois confondues parce qu’elles font toutes deux appel à l’informatique et, de plus en plus, à l’intelligence artificielle. Elles répondent pourtant à deux questions distinctes.

La prédiction part d’une séquence existante et cherche à déterminer sa forme probable. La conception part au contraire d’un objectif, par exemple une forme ou une fonction souhaitée, et recherche une séquence susceptible de l’atteindre. Dans la pratique, les deux démarches peuvent se nourrir mutuellement : un outil de prédiction aide à vérifier si une protéine dessinée par ordinateur a des chances d’adopter la forme attendue.

Cette complémentarité explique la portée du prix Nobel 2024. AlphaFold rend beaucoup plus accessible la lecture des protéines existantes. Les méthodes associées aux travaux de David Baker aident à envisager la création de protéines inédites. Ensemble, ces avancées rapprochent la recherche d’une forme d’ingénierie moléculaire, où l’on peut à la fois comprendre des mécanismes biologiques et proposer de nouveaux objets pour les étudier.

Quelles conséquences pour la médecine et la biotechnologie ?

Les retombées potentielles sont considérables, notamment pour la recherche médicale. De nombreuses maladies sont liées au mauvais fonctionnement d’une protéine, à une mutation qui modifie sa forme, ou à une interaction anormale entre plusieurs molécules. Mieux visualiser ces structures peut aider les équipes à comprendre les mécanismes en jeu et à choisir des cibles thérapeutiques plus pertinentes.

Dans la découverte de médicaments, connaître la forme d’une protéine peut aider à concevoir ou sélectionner des molécules capables de s’y fixer. Dans les maladies infectieuses, l’analyse structurale peut éclairer le fonctionnement de protéines d’un virus ou d’une bactérie. En biotechnologie, des protéines conçues sur mesure pourraient aussi servir à produire des molécules, détecter certains composés ou accélérer des réactions chimiques.

Il faut toutefois distinguer l’accélération de la recherche d’une promesse de traitement immédiat. Un modèle structural ne résout pas à lui seul des questions cruciales : la molécule est-elle sûre ? Atteint-elle le bon tissu ? Produit-elle l’effet espéré chez l’être humain ? Peut-elle être fabriquée à grande échelle ? Entre une prédiction convaincante et un médicament, le chemin reste long, coûteux et encadré.

Les protéines n’agissent pas non plus toujours seules et immobiles. Elles peuvent changer de forme, s’assembler avec d’autres molécules ou être influencées par leur environnement cellulaire. Les modèles sont donc particulièrement utiles pour guider la recherche, mais ils ne dispensent pas de comprendre le contexte biologique complet.

Ce que le Nobel révèle sur l’IA dans la science

La distinction de Hassabis et Jumper est une reconnaissance majeure pour l’intelligence artificielle appliquée aux sciences. Elle ne récompense pas un agent conversationnel ni un outil grand public, mais une méthode qui a permis de résoudre plus efficacement un problème scientifique de très haut niveau. AlphaFold est devenu l’exemple le plus emblématique d’une IA qui produit une utilité directe pour les chercheurs.

Le Nobel souligne également que cette percée n’est pas dissociable de décennies de biologie structurale, de données accumulées par les laboratoires et de méthodes expérimentales. L’IA apprend à partir de connaissances produites par la recherche, puis elle aide à en extraire de nouvelles hypothèses. C’est cette boucle entre calcul, expérience et expertise humaine qui donne sa force à l’approche.

Pour David Baker, Demis Hassabis et John M. Jumper, cette récompense place les protéines au centre d’un dialogue fécond entre chimie, biologie et informatique. Elle rappelle surtout que l’intelligence artificielle peut devenir un instrument de découverte lorsqu’elle est associée à des questions scientifiques précises et à des validations solides.

Ce qu’il faut surveiller

La prochaine étape ne sera pas seulement de prédire la forme de protéines isolées. Les chercheurs cherchent aussi à mieux modéliser leurs interactions avec d’autres protéines, l’ADN, l’ARN, de petites molécules ou des médicaments. Ils devront également affiner la prédiction des mouvements des protéines et de leurs transformations dans la cellule.

Un autre enjeu sera l’accès aux outils et aux données. La diffusion de modèles structuraux à grande échelle peut accélérer les travaux de laboratoires très divers, à condition que les résultats soient compris avec leurs marges d’incertitude. La formation des scientifiques à ces méthodes, tout comme le maintien de capacités expérimentales robustes, sera déterminante.

Le Nobel de chimie 2024 ne consacre donc pas la fin d’un problème scientifique. Il récompense un changement de méthode : la structure des protéines, longtemps difficile et lente à obtenir, devient une information beaucoup plus accessible. Reste à transformer ce nouvel accès en découvertes fiables, puis en applications réellement utiles.