Nobel de chimie 2024 : l’IA récompensée pour avoir percé le mystère des protéines

Le prix Nobel de chimie 2024 consacre une idée devenue centrale dans les laboratoires : pour comprendre le vivant, il faut aussi pouvoir calculer. Annoncée le 9 octobre 2024 par l’Académie royale des sciences de Suède, la distinction revient à David Baker, de l’université de Washington, ainsi qu’à Demis Hassabis et John Jumper, de Google DeepMind. Tous trois ont profondément transformé l’étude des protéines, ces molécules indispensables à pratiquement toutes les fonctions du vivant.

Leur apport recouvre deux avancées différentes, mais complémentaires. David Baker a contribué à rendre possible la conception de protéines entièrement nouvelles à l’aide de méthodes informatiques. Demis Hassabis et John Jumper ont, eux, développé AlphaFold2, un système d’intelligence artificielle capable de prédire la structure tridimensionnelle de protéines à partir de leur séquence d’acides aminés. Le premier reçoit la moitié du prix, les deux seconds se partageant l’autre moitié.

Cette édition ne récompense donc pas l’IA générative grand public, ni la découverte d’un nouveau matériau. Elle distingue un changement de méthode dans la chimie et la biologie : l’ordinateur, et désormais l’apprentissage automatique, permettent de proposer des structures moléculaires que les chercheurs peuvent ensuite analyser et éprouver expérimentalement.

Pourquoi la forme d’une protéine est-elle si importante ?

Les protéines sont de longues chaînes composées d’acides aminés. Elles interviennent dans des mécanismes aussi variés que le transport de l’oxygène, la défense immunitaire, le fonctionnement des cellules ou les réactions chimiques nécessaires à la vie. Pour remplir leur fonction, elles ne restent pas étirées comme un fil : elles se replient dans l’espace selon une forme précise.

Or cette forme en trois dimensions est déterminante. Une protéine peut, par exemple, former une poche qui accueille une petite molécule, s’assembler avec d’autres protéines ou accélérer une réaction chimique. Une modification de sa structure peut donc changer son comportement, voire participer à l’apparition d’une maladie.

Depuis des décennies, les scientifiques savent que la séquence d’acides aminés contient l’information nécessaire au repliement. Le biochimiste Christian Anfinsen avait d’ailleurs reçu le Nobel de chimie en 1972 pour des travaux fondamentaux sur ce lien. Mais passer d’une simple séquence, comparable à une longue suite de lettres, à une représentation fiable de la protéine repliée s’est révélé extraordinairement difficile.

Les méthodes expérimentales, telles que la cristallographie aux rayons X, la résonance magnétique nucléaire ou la cryomicroscopie électronique, restent essentielles. Elles peuvent toutefois être longues, coûteuses et techniquement délicates. La prédiction informatique de la structure protéique représentait ainsi l’un des grands problèmes ouverts de la biologie.

AlphaFold2 a franchi un cap dans la prédiction des structures

C’est sur ce défi que se sont distingués Demis Hassabis et John Jumper. En 2020, leur équipe a présenté AlphaFold2, une intelligence artificielle entraînée à repérer des régularités dans les données disponibles sur les protéines. À partir d’une séquence d’acides aminés, le système estime les relations spatiales entre les différents éléments de la chaîne et en déduit une structure tridimensionnelle.

Le résultat a marqué la communauté scientifique lors de l’évaluation internationale CASP, un exercice régulier qui compare des méthodes de prédiction de structures. AlphaFold2 a atteint un niveau de précision jugé suffisamment élevé pour rivaliser, dans de nombreux cas, avec des méthodes expérimentales. Pour une question poursuivie depuis environ un demi-siècle, l’accélération a été spectaculaire.

L’impact ne s’est pas limité à une démonstration technique. AlphaFold a permis de mettre à disposition des prédictions pour plus de 200 millions de structures protéiques connues, via une base de données élaborée avec l’Institut européen de bioinformatique. Des équipes de recherche dans le monde entier peuvent ainsi explorer beaucoup plus rapidement des pistes qui auraient auparavant exigé un travail structurel considérable.

Il faut toutefois bien comprendre ce que mesure cette réussite. AlphaFold prédit la forme probable d’une protéine dans certaines conditions. Il ne livre pas automatiquement une explication complète de son activité biologique, ni la preuve qu’un médicament fonctionnera chez un patient. Son rôle est de fournir une information structurale puissante, qui aide à orienter les expériences plutôt qu’à s’y substituer.

David Baker, concevoir plutôt que seulement prédire

L’autre moitié du Nobel distingue une ambition inverse : partir d’une fonction ou d’une forme souhaitée, puis imaginer une protéine qui n’existe pas dans la nature. C’est le domaine de la conception de protéines dans lequel David Baker est un pionnier.

Au début des années 2000, son équipe a développé des outils informatiques pour rechercher, parmi l’immense nombre de configurations théoriquement possibles, celles qui pourraient former une protéine stable. En 2003, les chercheurs ont ainsi présenté une nouvelle protéine, dont la conception avait été effectuée par ordinateur et qui ne ressemblait à aucune protéine connue.

Le principe est comparable à celui d’un architecte qui ne se contenterait pas de relever le plan d’un bâtiment existant : il élaborerait un plan répondant à un usage donné, avant de vérifier que l’ouvrage tient effectivement debout. Ici, les règles physiques et chimiques qui gouvernent les acides aminés imposent de fortes contraintes. L’informatique sert à parcourir plus efficacement un espace de possibilités immense.

Les recherches de David Baker et de ses collaborateurs ont ensuite permis de créer de nombreuses protéines pouvant notamment servir à des applications dans la médecine, les vaccins, les nanomatériaux ou les capteurs. Là encore, la validation expérimentale demeure indispensable : une structure calculée doit être fabriquée, caractérisée et testée pour établir son utilité réelle.

Deux approches qui redéfinissent le travail des biologistes

La prédiction d’AlphaFold et la conception de protéines poursuivent des objectifs distincts. Elles dessinent pourtant une même évolution : les chercheurs peuvent désormais s’appuyer sur des modèles informatiques pour réduire le nombre d’hypothèses à tester au laboratoire.

Dans les deux cas, l’apport principal est un gain de temps et de portée. Les biologistes disposent d’une carte plus précise des molécules qu’ils étudient. Ils peuvent identifier une région intéressante, comparer des protéines apparentées, imaginer une modification ou préparer des expériences plus ciblées. L’IA ne remplace pas la démarche scientifique : elle déplace une part du travail, de l’exploration manuelle vers la formulation et la vérification d’hypothèses assistées par calcul.

Cette dynamique explique la portée symbolique du Nobel. L’intelligence artificielle était déjà utilisée dans de nombreux pans de la recherche, de l’analyse d’images à la simulation physique. Mais l’attribution du prix de chimie à des avancées fondées sur ces outils confirme que l’IA est devenue un instrument de premier plan pour produire des connaissances sur la matière et le vivant.

Quelles applications peut-on attendre en médecine et en biotechnologie ?

Les protéines sont au cœur de nombreuses pathologies et constituent des cibles majeures pour les médicaments. Mieux connaître leur structure peut aider à comprendre comment elles interagissent avec d’autres molécules. Cela peut aussi fournir des pistes pour concevoir des molécules thérapeutiques, des enzymes ou des outils de diagnostic.

Les perspectives sont larges, mais elles doivent être présentées avec prudence. Entre une structure prédite par IA et un produit médical disponible, il reste de nombreuses étapes : expériences en laboratoire, études sur des organismes vivants, essais cliniques, évaluation de la sécurité et autorisations réglementaires. Le Nobel récompense une capacité scientifique fondamentale, non un ensemble de traitements déjà validés.

La conception de protéines ouvre aussi des voies dans l’industrie et l’environnement. Des enzymes conçues pour catalyser certaines réactions pourraient, à terme, contribuer à des procédés plus efficaces. Des protéines capables de reconnaître une molécule précise pourraient servir de base à de nouveaux capteurs. Dans tous ces cas, l’intérêt de l’approche est de ne plus dépendre uniquement des solutions déjà produites par l’évolution naturelle.

Un Nobel qui récompense aussi la science ouverte et interdisciplinaire

Les travaux honorés en 2024 se situent à la rencontre de plusieurs disciplines : chimie, biologie structurale, physique, informatique et apprentissage automatique. Cette interdisciplinarité est l’un des messages les plus forts du prix. Étudier une protéine suppose à la fois de comprendre les interactions chimiques entre atomes, les mécanismes biologiques et les méthodes de calcul capables d’exploiter de très grands volumes de données.

L’accès large aux prédictions d’AlphaFold constitue également un point important. La mise à disposition d’une base de structures contribue à diffuser cet outil au-delà des grandes entreprises et des laboratoires les mieux dotés. Elle ne supprime pas les inégalités d’accès aux équipements expérimentaux, mais elle donne à davantage d’équipes un point de départ pour leurs travaux.

Le prix, doté de 11 millions de couronnes suédoises, sera partagé selon la répartition décidée par l’Académie : une moitié pour David Baker, un quart pour Demis Hassabis et un quart pour John Jumper. Au-delà de cette récompense individuelle, il met en lumière des collectifs de recherche, des jeux de données et des décennies de travaux sur lesquels ces résultats ont été construits.

Ce qu’il faut surveiller après ce Nobel

Le Nobel de chimie 2024 ne signifie pas que le problème des protéines est définitivement résolu. Les structures prédites devront continuer à être évaluées, notamment lorsqu’il s’agit de complexes composés de plusieurs protéines, de molécules très dynamiques ou d’interactions avec des médicaments. Les conditions réelles d’une cellule sont souvent plus complexes que celles représentées par un modèle.

La prochaine étape sera aussi de mesurer la traduction concrète de ces outils. Les chercheurs chercheront à savoir dans quels cas les prédictions accélèrent effectivement l’identification d’une fonction biologique, la conception d’une enzyme ou le développement d’une piste thérapeutique. La qualité des données, la transparence des méthodes et la capacité à reproduire les résultats resteront déterminantes.

Enfin, cette distinction pourrait renforcer la place de l’IA dans les laboratoires de chimie et de biologie. Le véritable changement n’est pas l’apparition d’une machine qui ferait la science seule. Il réside dans la possibilité, pour les scientifiques, d’explorer plus vite des hypothèses autrefois hors de portée, puis de les soumettre à l’épreuve exigeante de l’expérience.