Un anticorps conçu par IA se lie à sa cible : quelle décision ensuite ?

Un modèle d’IA propose un anticorps. La molécule est produite et se lie à sa cible au laboratoire. Pour une équipe de recherche, c’est un progrès significatif. Pour la direction d’une entreprise, une autre décision commence : quelle incertitude vient de diminuer, et quel investissement devient mieux justifié grâce à ce résultat ?

J’aborde cette question avec mon regard de médecin et de fondateur. Introduire l’IA en médecine suppose de pouvoir expliquer les résultats techniques à plusieurs niveaux. Un résultat individuel convaincant peut modifier une décision de recherche. Sur le chemin vers un traitement, d’autres questions apparaissent, chacune exigeant ses propres preuves. Une direction qui décrit clairement ces niveaux peut prendre des décisions ambitieuses tout en précisant ce qui reste à établir.

Cette réflexion est née de l’entretien de Joshua Meier et Matthew McPartlon avec Sequoia Capital, le 4 août 2026, consacré à Chai Discovery. Les fondateurs présentent la conception moléculaire comme un moyen d’accélérer les retours expérimentaux. J’en tire une question personnelle pour les entreprises pharmaceutiques et les investisseurs : comment choisir les expériences suivantes lorsque davantage de candidats peuvent être mis à l’épreuve ? [1]

Définir ce qu’un résultat positif établit

La prépublication Chai-2 du 6 juillet 2025 examine des fragments d’anticorps et des nanocorps pour 52 protéines sélectionnées : 26 cibles atteintes, 15,5 % des candidats testés se liant à leur cible. Ces résultats de laboratoire nécessitent d’autres caractérisations et n’établissent aucune efficacité clinique. [2]

Pour une évaluation, je demanderais donc trois formulations distinctes : qu’a-t-on mesuré, dans quelles conditions, et quelle décision doit suivre ? Lorsqu’une présentation passe directement d’une observation au laboratoire à un traitement attendu, une partie du raisonnement manque. La rendre visible aide les deux parties dans une discussion de financement. Les chercheurs disposent d’une attente précise ; les financeurs voient quelle incertitude leur argent doit effectivement réduire.

L’unité de réussite doit elle aussi rester explicite. La proportion de candidats qui se lient à leur cible et la proportion de cibles atteintes répondent à des questions différentes. Pour une plateforme, l’étendue des cibles accessibles peut compter. Pour un programme de développement particulier, la question est de pouvoir faire progresser un candidat adapté à sa cible. Ces deux perspectives sont légitimes. Un terme commun comme « réussite » peut masquer les décisions différentes qu’elles recouvrent.

Davantage de choix exige une règle de sélection plus claire

Prenons un programme de recherche fictif. Une équipe peut produire plusieurs candidats et dispose d’une capacité limitée pour une investigation supplémentaire. Un candidat présente une liaison particulièrement forte. Un deuxième laisse moins de questions ouvertes sur sa manipulation aux étapes ultérieures. Un troisième permettrait d’examiner une autre hypothèse biologique. L’ordre des investigations dépend de la réponse susceptible de modifier le plus la suite du travail.

La règle que je propose consiste à consigner, avant de commander une expérience, les décisions qui découleraient de ses différents résultats possibles. Une investigation dont tous les résultats conduiraient à la même décision demande une autre justification. Elle peut être nécessaire pour documenter le travail ou assurer sa comparabilité. Sa valeur pour éclairer une décision reste alors limitée. Cette distinction protège le temps disponible au laboratoire et rend l’ordre du travail plus compréhensible.

Il s’agit d’une déduction organisationnelle que les spécialistes doivent préciser pour chaque programme. Elle ne constitue ni un protocole expérimental général ni un raccourci dans le développement d’un médicament. Les experts responsables doivent déterminer quelle incertitude biologique ou technique examiner en premier dans le cas considéré. La direction peut exiger que ce lien soit compréhensible sans prescrire elle-même toutes les méthodes d’investigation.

Considérer les propriétés ensemble

En 2017, Jain et ses collègues examinent des variantes IgG1 reconstituées à partir de 137 anticorps à un stade clinique avancé, au moyen de douze essais biophysiques. La sélection historique et la préparation uniformisée limitent la transposition. Ces données ne prédisent pas fiablement la réussite d’un nouveau candidat. [3]

Ce qui compte ici pour mon raisonnement est la structure de la décision. Sélectionner un candidat exige de rapprocher plusieurs exigences. Un résultat exceptionnel peut soulever la question du travail supplémentaire acceptable sur d’autres propriétés. Un écart scientifiquement intéressant peut mériter une investigation. Cela demande une comparaison argumentée avec les autres possibilités et une compréhension des ressources engagées par le chemin retenu.

Je conserverais cette appréciation dans une courte justification actualisée au fil du temps. Elle précise pourquoi le candidat correspond à l’usage envisagé, quels doutes subsistent et ce qui obligerait à revoir le choix. Le raisonnement initial reste ainsi accessible lorsqu’une nouvelle mesure particulièrement frappante capte l’attention. Il devient également plus facile de reconnaître qu’une hypothèse auparavant plausible ne suffit plus à soutenir la décision.

Organiser la collaboration autour des passages de relais

Pour un partenariat entre une entreprise d’IA et une entreprise pharmaceutique, une question concrète se pose : quel résultat l’une transmet-elle, et quelle investigation l’autre prend-elle en charge ? La transmission devrait relier clairement le candidat étudié, la version du modèle utilisée, les observations recueillies et les questions ouvertes. Les preuves manquantes font aussi partie de ce tableau. L’équipe destinataire peut alors mieux comprendre quelles hypothèses elle accepte.

Le retour après l’expérience suivante compte tout autant. Lorsqu’un candidat est écarté, l’équipe de recherche devrait savoir quelle observation a déterminé la décision et avec quel degré de certitude la cause peut être attribuée. Qualifier une cause non résolue de défaillance certaine du modèle serait peu utile, tout comme laisser disparaître une faiblesse confirmée. Les usages autorisés de ces retours relèvent de l’accord sur les données et la collaboration.

Les investisseurs peuvent interroger ces passages de relais sans remplacer l’évaluation spécialisée. Quelle connaissance supplémentaire le prochain investissement doit-il rendre possible ? Quelle capacité est nécessaire ? Que changerait un résultat négatif ? La qualité de la réponse montre comment l’entreprise transforme l’incertitude scientifique en un programme de travail maîtrisable. L’augmentation du nombre de candidats constitue un point de départ pour cette planification.

Garder la question clinique en vue

Pour les médecins, le bénéfice futur pour les patients reste le point de référence. Il ne peut pas encore être déduit de la phase précoce de conception. Comprendre cette phase demeure néanmoins utile : elle influence les possibilités poursuivies et la clarté avec laquelle leurs limites sont expliquées. Un public informé peut reconnaître le progrès tout en identifiant le chemin restant à parcourir.

Pour la prochaine discussion sur l’IA dans le développement de médicaments, je propose donc de dessiner ensemble le chemin des connaissances à acquérir. À côté de chaque résultat convaincant figure la question à laquelle il répond. Viennent ensuite la prochaine question ouverte et la décision que sa résolution rendrait possible. Le progrès technique prend ainsi un sens que chercheurs, financeurs et futurs acteurs du soin peuvent examiner ensemble.