L'IA peut-elle remplacer 60 % de la R&D pharmaceutique en concevant et en testant de nouveaux médicaments in silico à l'aide de la chimie générative et de modèles de toxicité prédictive ?

Les modèles d'apprentissage profond comme AlphaFold ont déjà révolutionné le repliement des protéines. L'IA générative propose désormais des molécules inédites avec des affinités de liaison prometteuses — soulevant la question de savoir quand l'IA pourra prendre entièrement en charge la découverte de médicaments.

---

En 2024, la chimie générative pilotée par l'IA et les modèles prédictifs de toxicité ont fait des progrès significatifs pour accélérer les premières étapes de la découverte de médicaments, permettant la conception et le criblage rapides *in silico* de candidats moléculaires. Des techniques telles que l'optimisation multi-objectifs par apprentissage par renforcement (par exemple, REINVENT ou MolGen) et les modèles basés sur des transformateurs (par exemple, l'amarrage informé par AlphaFold2) peuvent proposer des structures inédites avec des affinités de liaison favorables et des risques hors cible réduits. Cependant, aucune source publiée ne soutient l'affirmation selon laquelle ces outils pourraient remplacer de manière autonome 60 % de la R&D pharmaceutique traditionnelle — les essais cliniques, les dépôts réglementaires et les essais à grande échelle restent menés par des humains et gourmands en données. La pratique industrielle actuelle met l'accent sur l'IA comme multiplicateur de force dans la découverte de hits et l'optimisation des leads plutôt que comme un remplacement global des flux de travail de R&D.

— Enrichi le 10 mai 2026 · Source : McKinsey & Company — https://www.mckinsey.com/industries/life-sciences/our-insights/artificial-intelligence-in-pharmaceutical-drug-discovery