💊 Les IA pharmaceutiques bluffent, des scientifiques donnent l'alerte

Les programmes d'intelligence artificielle les plus avancés sont aujourd'hui capables d'accélérer considérablement la recherche pharmaceutique en modélisant les interactions moléculaires. Une équipe de l'Université de Bâle a toutefois découvert que ces outils reposent davantage sur la mémorisation que sur une véritable compréhension des mécanismes physiques sous-jacents.

Dans le domaine médical, les protéines représentent des cibles privilégiées pour les médicaments. Ces macromolécules biologiques, constituées de chaînes d'acides aminés, adoptent des structures tridimensionnelles qui déterminent leur fonction. Le déchiffrement de ces architectures moléculaires constitue une étape fondamentale pour concevoir des traitements innovants. Depuis quelques années, l'apparition d'algorithmes comme AlphaFold a révolutionné cette approche en permettant de prédire la forme des protéines à partir de leur séquence génétique.


Les versions les plus récentes de ces modèles vont encore plus loin en simulant comment les protéines interagissent avec différentes molécules, notamment les principes actifs pharmaceutiques. Le professeur Markus Lill et son équipe ont cependant remarqué que les taux de réussite annoncés semblaient anormalement élevés. Cette observation les a conduits à soupçonner que les intelligences artificielle pourraient fonctionner par reconnaissance de motifs plutôt que par analyse physique approfondie des interactions moléculaires.

Pour vérifier cette hypothèse, les scientifiques ont modifié artificiellement des centaines de protéines en altérant spécifiquement leurs sites de liaison. Ils ont créé des séquences d'acides aminés présentant des distributions de charge électrique radicalement différentes, voire ont bloqué complètement les zones d'interaction. Malgré ces transformations significatives, les modèles d'IA continuaient de prédire les mêmes structures, comme si les modifications n'existaient pas. Des tests similaires sur les ligands ont confirmé cette tendance.

Les chercheurs ont constaté que dans plus de la moitié des cas, les prédictions restaient inchangées malgré les altérations introduites. Cette rigidité cognitive devient particulièrement problématique lorsque les protéines étudiées présentent peu de similarité avec celles utilisées pour l'entraînement des algorithmes. Or, ce sont précisément ces structures originales qui pourraient ouvrir la voie à des médicaments véritablement novateurs, selon l'équipe de recherche.

Face à ces limitations, les scientifiques recommandent une approche prudente intégrant systématiquement des validations expérimentales. Ils préconisent également le développement de nouvelles générations d'algorithmes incorporant explicitement les lois de la chimie et de la physique. De tels modèles hybrides pourraient offrir des prédictions plus fiables pour les structures protéiques encore mal comprises, potentiellement porteuses de nouvelles approches thérapeutiques.