Une start-up chinoise dit doubler AlphaFold 3 en prédiction de structures

Une start-up chinoise affirme que son IA conçoit des anticorps avec 18 réussites sur 19 projets, et qu’elle prédit les structures de ces molécules deux fois mieux qu’AlphaFold 3, l’outil de Google DeepMind. Ces chiffres sont spectaculaires, mais ils viennent d’un rapport de l’entreprise elle-même. Voici ce qu’ils disent, ce qu’ils ne disent pas, et ce qu’ils racontent de la course entre la Chine et les États-Unis.

Ce que 分子之心 annonce

En jeu : savoir si l’IA peut devenir un outil de routine pour inventer des médicaments, et non plus seulement une démonstration ponctuelle. C’est la question que pose l’annonce de 分子之心 (Molecular Heart), rapportée par le média chinois 量子位 (QbitAI).

La société a publié un rapport technique sur sa plateforme MMDesign. Celle-ci doit concevoir des molécules « de novo », c’est-à-dire à partir de zéro. Le chercheur indique la cible visée et la zone précise où la molécule doit se fixer. L’IA génère ensuite des séquences, sans partir d’une molécule connue qu’il faudrait modifier.

Selon 量子位, le rapport couvre 19 projets, sur 18 cibles différentes, avec deux familles de molécules :

• des nanocorps (VHH), de petits fragments d’anticorps ;
• des peptides macrocycliques, de courtes chaînes d’acides aminés refermées en anneau.

Chaque projet n’a testé en laboratoire que 9 à 50 candidats, 21 en médiane. Dans 18 projets sur 19, soit 94,7 %, au moins une molécule s’est effectivement fixée à sa cible. Sur l’ensemble, 139 des 453 candidats testés se sont fixés, soit 30,7 %.

En clair : le premier chiffre dit « le projet a-t-il trouvé au moins une molécule qui marche ? », le second « quelle part des candidats testés marche ? ». Ce sont deux mesures différentes, que l’article de 量子位 distingue d’ailleurs lui-même. Pour repère, la méthode classique consiste à immuniser des animaux ou à fouiller de très grandes bibliothèques d’anticorps. Elle teste des quantités bien plus massives de candidats.

Anticorps et GPCR : pourquoi la cible compte

En jeu : une bonne part des médicaments modernes cible ce type de récepteur. Un anticorps est une protéine que le corps produit pour reconnaître une cible précise et s’y accrocher, comme une clé dans une serrure. Les médicaments à base d’anticorps reposent sur ce principe.

Les GPCR sont une famille de récepteurs plantés dans la membrane des cellules, un peu comme des antennes qui captent des signaux venus de l’extérieur. 量子位 les décrit comme l’une des familles de cibles les plus importantes de l’industrie pharmaceutique. Elles sont aussi difficiles à viser avec un anticorps, pour deux raisons que le média avance :

• ces protéines de membrane ont une structure complexe et changent de forme ;
• la partie exposée à l’extérieur de la cellule, où l’anticorps peut se fixer, est très limitée.

Selon le rapport, MMDesign a visé six GPCR (CCR7, CCR8, EP2, GPR68, NK3R et A2AR), et chacun a livré au moins une molécule qui se fixe, confirmée en laboratoire. Le taux de réussite par cible varie de 12,1 % à 100 %. Pour NK3R, les 30 candidats testés se sont tous fixés. Pour GPR68, 10 sur 11.

La meilleure molécule de chaque cible atteint une affinité dite « nanomolaire ». Cela veut dire qu’elle s’accroche très fermement : plus la valeur est basse, plus l’accroche est forte. Le meilleur résultat, sur GPR68, est de 12,1 nanomolaires.

Autre résultat avancé : sur cinq GPCR pour lesquels la base de données Thera-SAbDab ne recense aucun anticorps thérapeutique, 53 des 89 designs testés se sont fixés, soit 59,6 %. L’IA a donc répondu « à livre fermé », sans exemple à imiter.

« Deux fois AlphaFold 3 » : ce que le chiffre mesure

En jeu : le chiffre le plus accrocheur de l’annonce est aussi le plus facile à mal interpréter. AlphaFold 3 est un outil de Google DeepMind qui prédit la forme en trois dimensions des protéines et de leurs assemblages.

La comparaison ne porte pas sur MMDesign, la plateforme qui conçoit les molécules. Elle porte sur MMFold, un autre modèle de la société, qui prédit la structure d’un anticorps accroché à sa cible. Le test s’appuie sur FoldBench, un banc d’essai public cité par 量子位, avec 172 interfaces d’anticorps et de cibles.

Selon le rapport, MMFold réussit une prédiction de « haute qualité » en première proposition dans 39,0 % des cas. Le résultat de comparaison pour AlphaFold 3 est de 19,8 %. D’où le « deux fois ». Sur un sous-ensemble de 160 interfaces, MMFold affiche 39,4 %, contre 33,0 % pour OpenDDE et 28,2 % pour Protenix-v2, deux autres modèles dont les résultats sont publics. L’écart avec ces deux modèles est donc bien plus mince.

En clair : sur une épreuve précise, deviner comment un anticorps s’emboîte sur sa cible, l’entreprise dit réussir environ 4 fois sur 10 là où AlphaFold 3 réussirait 2 fois sur 10. Cela ne dit pas que sa plateforme conçoit des médicaments deux fois mieux que Google. 量子位 explique d’ailleurs que cette meilleure prédiction sert à mieux trier les candidats avant de passer au laboratoire.

Les limites à garder en tête

En jeu : savoir quoi croire d’un communiqué qui arrive sous forme de succès sans faille. Plusieurs réserves s’imposent.

Les données viennent de l’entreprise. L’article de 量子位 relaie un rapport de 分子之心, publié selon lui sur la plateforme ouverte Zenodo. Rien dans le texte n’indique qu’un laboratoire extérieur ait refait les expériences. Ce rapport n’est pas, à ce stade, une publication évaluée par des pairs, c’est-à-dire relue par des chercheurs indépendants : le texte n’en parle pas.

« Succès » veut dire « se fixe », pas « soigne ». Un projet est réussi si au moins un candidat s’accroche à la cible dans les tests de laboratoire. Entre une molécule qui se fixe et un médicament approuvé, il reste des étapes : sécurité, efficacité, production, essais sur des patients. Le rapport évoque des signes encourageants sur ces points. Par exemple, des candidats s’expriment bien dans des cellules de production et réagissent peu à deux substances témoins. Mais il s’agit d’indices précoces.

Les résultats ne sont pas tous égaux. Les peptides macrocycliques ont de bons taux de réussite, comme 16 candidats sur 21 pour la cible MDM2. Mais leurs meilleures affinités se mesurent en micromolaires, soit environ mille fois plus faibles que les nanomolaires des nanocorps. Autre exemple : pour la cible PDGFR, la nouvelle série de design améliore le taux de réussite de 4,0 % à 21,1 %, ce qui reste modeste en valeur absolue.

Le ton du média est très favorable. L’article parle de « percée » et juge les chiffres « très brillants à l’échelle mondiale ». C’est un jugement du média, pas un constat indépendant.

Questions ouvertes. Qui a lancé AlphaFold 3 pour obtenir les 19,8 % ? Les cibles et les molécules testées seront-elles accessibles à d’autres équipes pour reproduire les résultats ? Et combien de projets n’ont pas été inclus dans le rapport ? Le texte de 量子位 n’y répond pas.

Chine, États-Unis et Europe : ce que cela change

En jeu : l’IA appliquée à la santé est un terrain où se joue une partie de la compétition technologique. Ce que montre cette annonce, c’est que des entreprises chinoises se mesurent publiquement à l’outil de référence d’un laboratoire américain. Elles le font sur un test précis et avec des résultats qu’elles ont elles-mêmes choisi de publier.

分子之心 présente aussi une ambition d’infrastructure : un modèle de base pour les protéines (NewOrigin), MMDesign pour générer, MMFold pour prédire la structure, QuantaMind pour simuler les mouvements des molécules, et MoleculeOS, un « système d’exploitation » qui relie le tout aux expériences en laboratoire. L’idée est de boucler le cycle « générer, calculer, tester, recommencer ».

Les sources dont nous disposons ne permettent pas de dire qui est devant. Elles ne comparent ni les moyens financiers, ni le nombre de projets, ni les résultats cliniques des deux pays. On peut seulement noter que la bataille se déplace de la démonstration vers la répétabilité : réussir une fois ne suffit plus, il faut réussir à chaque projet.

Pour l’Europe, la question reste ouverte. Les laboratoires pharmaceutiques européens utiliseront-ils ces outils, qu’ils viennent de Chine ou des États-Unis ? Peuvent-ils en vérifier les résultats eux-mêmes ? Le meilleur test à suivre sera simple : un laboratoire indépendant reproduira-t-il ces 18 réussites sur 19 ?

Sources

• 19个项目18个成功，6个GPCR靶点全获命中！国产AI制药再破技术天花板 – 量子位