L’intelligence artificielle peut-elle découvrir de nouveaux médicaments plus vite ?
Publié le 19 nov. 2026 • Par Léonie Guerut
Et si l’on pouvait repérer plus rapidement une molécule capable de ralentir une maladie, de combattre une bactérie résistante ou d’agir sur un mécanisme encore mal compris ? Pour les personnes qui attendent un nouveau traitement, cette perspective suscite beaucoup d’espoir.
L’intelligence artificielle occupe désormais une place dans les laboratoires de recherche. Elle aide à analyser des données, à sélectionner des molécules et à explorer des pistes thérapeutiques. Mais entre une proposition générée par un ordinateur et un médicament disponible en pharmacie, de nombreuses étapes restent indispensables.
Alors, que peut-elle réellement accélérer ? Quels résultats ont déjà été obtenus ? Et comment distinguer une avancée scientifique d’une promesse encore incertaine ?
Pourquoi la découverte d’un médicament prend-elle autant de temps ?
Développer un médicament ne consiste pas seulement à trouver une substance qui agit sur une maladie.
Il faut d’abord comprendre suffisamment le mécanisme que l’on souhaite modifier. Les chercheurs peuvent, par exemple, s’intéresser à une protéine impliquée dans l’inflammation ou dans la multiplication de cellules cancéreuses. Cette protéine devient alors une « cible thérapeutique ».
Ils recherchent ensuite des substances capables d’agir sur cette cible. Parmi elles, beaucoup seront abandonnées : certaines ne produisent pas l’effet attendu, d’autres sont trop toxiques, mal absorbées ou difficiles à fabriquer.
Les candidats les plus prometteurs passent par des études précliniques, puis par des essais chez l’être humain. Ces essais servent notamment à préciser les doses, à évaluer les effets indésirables et à déterminer si le traitement apporte un bénéfice.
Pour comprendre ces étapes, vous pouvez consulter l’article de Carenity sur les différents types d’essais cliniques.
L’IA peut intervenir à plusieurs moments de ce parcours. Son intérêt est notamment d’aider les équipes à choisir plus tôt les pistes qui méritent d’être testées.
Que signifie vraiment « découvrir un médicament avec l’IA » ?
Cette expression recouvre des situations très différentes.
Dans certains projets, l’IA aide à identifier une cible biologique. Dans d’autres, elle examine des molécules déjà connues pour repérer celles qui pourraient avoir un intérêt. Des systèmes dits génératifs peuvent aussi proposer de nouvelles structures chimiques.
L’IA utilisée en recherche pharmaceutique ne se limite donc pas à un assistant conversationnel auquel on demanderait d’inventer un traitement. Il s’agit souvent de modèles spécialisés, entraînés sur des données biologiques, chimiques ou expérimentales.
Ces outils peuvent classer des possibilités, estimer certaines propriétés ou suggérer des expériences. Leurs résultats doivent ensuite être vérifiés par les chercheurs.
Dire qu’un candidat médicament a été « découvert par l’IA » ne précise donc pas, à lui seul, ce que le système a fait ni ce que les expériences ont confirmé.
Repérer une piste dans une masse de données
Les travaux de recherche produisent des quantités considérables d’informations : activité des gènes, structures de protéines, images de tissus, résultats d’expériences ou données cliniques.
L’IA peut aider à y repérer des régularités. Elle pourrait, par exemple, faire ressortir une protéine dont l’activité semble différente dans des cellules malades et des cellules saines.
Cette observation donne une piste à explorer. Mais une association ne suffit pas : la protéine peut accompagner la maladie sans être responsable de son évolution. Il faut donc vérifier qu’agir sur elle apporte réellement un effet utile.
L’intérêt de l’outil est de guider les recherches dans un ensemble de possibilités trop vaste pour être examiné intégralement.
Mieux comprendre la forme des protéines
La forme d’une protéine compte beaucoup pour son fonctionnement et pour les molécules qui peuvent interagir avec elle.
On peut imaginer une cible comme une serrure : connaître sa forme aide à chercher une clé. Cette comparaison a toutefois ses limites, car les protéines sont mobiles et les interactions biologiques sont plus complexes qu’un simple emboîtement.
Des outils comme AlphaFold ont fait progresser la prédiction de la structure des protéines. Présenté dans une publication scientifique en 2024, AlphaFold 3 étend cette approche aux structures de complexes associant notamment protéines, ADN, ARN et petites molécules.
Pour la recherche de médicaments, cela peut aider à formuler des hypothèses sur la manière dont une substance se fixe à une cible.
Une structure prédite reste cependant une hypothèse. Elle ne démontre ni qu’une molécule sera efficace dans l’organisme ni qu’elle sera bien tolérée.
Concevoir des molécules et choisir lesquelles tester
Une fois une cible identifiée, les chercheurs doivent trouver une molécule qui possède plusieurs qualités à la fois.
Elle doit agir sur la cible, mais aussi présenter des propriétés compatibles avec son utilisation comme médicament. Une substance intéressante dans une expérience peut, par exemple, être éliminée trop rapidement par l’organisme.
Les modèles d’IA peuvent aider à comparer des candidats ou à proposer des modifications de leur structure. Les scientifiques sélectionnent ensuite certaines propositions, les fabriquent et les testent.
Les résultats expérimentaux permettent de corriger les hypothèses et de recommencer. C’est cette succession de propositions, d’expériences et d’ajustements que l’IA peut rendre plus efficace.
Le gain attendu ne se résume donc pas à produire davantage de molécules : il consiste aussi à éviter de consacrer trop de temps à des pistes peu prometteuses.
Un exemple concret : un candidat étudié dans la fibrose pulmonaire
Le rentosertib illustre le passage de la découverte assistée par IA à l’expérimentation clinique.
Dans ce projet, l’IA a contribué à identifier une cible, la protéine TNIK, puis à concevoir une molécule destinée à l’inhiber. Le candidat a été étudié dans la fibrose pulmonaire idiopathique, une maladie dans laquelle le tissu pulmonaire se transforme progressivement en tissu cicatriciel.
En 2025, des résultats d’un essai de phase 2a ont été publiés dans Nature Medicine. L’étude portait sur 71 patients, suivis pendant douze semaines, avec une répartition aléatoire entre plusieurs groupes recevant le traitement ou un placebo.
Les résultats ont apporté des informations sur la tolérance et des premiers signaux concernant la fonction respiratoire. Ils constituent une étape de recherche, mais un essai de cette taille et de cette durée ne suffit pas à établir un bénéfice durable ni à caractériser tous les risques.
Cet exemple montre que des candidats issus d’approches utilisant l’IA peuvent être évalués chez des patients. Il ne permet pas, à lui seul, de conclure que l’IA augmente le taux de réussite de l’ensemble du développement pharmaceutique.
Des pistes également explorées contre les bactéries résistantes
La recherche de nouveaux antibiotiques est un autre domaine dans lequel l’IA a déjà contribué à des découvertes expérimentales.
Dans une étude publiée en 2023 dans Nature Chemical Biology, des chercheurs ont utilisé l’apprentissage automatique pour repérer des molécules susceptibles d’agir contre Acinetobacter baumannii, une bactérie pouvant provoquer des infections difficiles à traiter.
Cette démarche a permis d’identifier l’abaucine, un composé présentant une activité ciblée contre cette bactérie dans les expériences réalisées.
L’exemple est intéressant parce que le modèle a aidé à orienter la sélection des molécules à tester. Les expériences ont ensuite permis d’examiner leur activité.
Mais découvrir une substance antibactérienne au laboratoire ne signifie pas qu’elle est prête à traiter une infection chez l’être humain. Les questions de dose, de sécurité, de diffusion dans l’organisme et d’efficacité clinique restent à résoudre.
L’IA peut-elle aussi améliorer les essais cliniques ?
L’IA peut être utilisée au-delà de la recherche de molécules. Elle peut notamment contribuer à l’analyse d’images, au traitement de données recueillies pendant les essais ou à la recherche de profils de patients correspondant à des critères d’étude.
Ces applications pourraient aider à mieux organiser certains travaux et à rendre les mesures plus reproductibles.
Il faut toutefois vérifier que les outils fonctionnent dans les conditions où ils seront utilisés. Un modèle performant sur des données provenant d’un seul établissement ne donnera pas forcément les mêmes résultats ailleurs.
Les besoins des participants restent également essentiels. La fatigue, les déplacements ou la fréquence des examens peuvent rendre un essai difficile à suivre, quelle que soit la sophistication des outils employés.
Carenity explique comment l’expérience des patients peut contribuer à la recherche dans son article sur les études, publications scientifiques et projets innovants menés avec les patients.
Pourquoi aller plus vite au laboratoire ne suffit-il pas ?
Une annonce peut mettre en avant la rapidité avec laquelle une molécule a été identifiée. C’est une information utile, à condition de savoir quelle période a été mesurée.
S’agit-il du temps nécessaire pour sélectionner une cible ? Pour obtenir une molécule prometteuse ? Pour commencer un premier essai ? Ou pour obtenir une autorisation de mise sur le marché ?
Ces étapes ne sont pas équivalentes.
Même si la découverte initiale est accélérée, il faut encore observer les effets du traitement dans le temps. Une amélioration mesurée après quelques semaines ne répond pas à toutes les questions sur les bénéfices et les risques après plusieurs années.
Pour évaluer l’apport réel de l’IA, il faudra donc examiner les résultats de nombreux programmes : délais, échecs, tolérance et bénéfices pour les patients. Les réussites isolées ne suffisent pas à décrire toute la réalité.
Les données utilisées peuvent aussi créer des biais
Un modèle apprend à partir des informations qui lui sont fournies. Si ces données sont incomplètes, peu représentatives ou de mauvaise qualité, ses résultats peuvent l’être également.
Par exemple, un outil construit à partir de données concernant surtout certains groupes de patients peut être moins fiable pour d’autres populations.
Il existe aussi un risque de performances surestimées lorsque les données utilisées pour évaluer le modèle ressemblent trop à celles qui ont servi à son entraînement. Une vérification sur des données indépendantes est donc importante.
À cela s’ajoutent les questions de confidentialité : lorsque des données de santé sont utilisées, leur protection, les conditions d’accès et les finalités de la recherche doivent être clairement encadrées.
Qui contrôle l’utilisation de l’IA dans la recherche de médicaments ?
Les autorités sanitaires travaillent à encadrer ces usages.
En janvier 2026, l’Agence européenne des médicaments (EMA) et l’agence américaine du médicament (FDA) ont publié dix principes communs de bonnes pratiques pour l’utilisation de l’IA dans le développement des médicaments.
Ils couvrent notamment la qualité des données, la définition précise de l’usage prévu, l’évaluation des performances, la gestion des risques et la supervision humaine.
Le niveau d’exigence doit tenir compte du rôle confié au système. Un outil qui aide un chercheur à explorer des hypothèses n’a pas le même impact qu’un outil dont les résultats contribuent à une décision réglementaire sur un traitement.
L’enjeu est de pouvoir expliquer pourquoi les résultats sont suffisamment fiables pour l’utilisation envisagée.
Qu’est-ce que cela pourrait changer pour les patients ?
L’espoir est de faire émerger davantage de pistes utiles et d’améliorer certaines étapes de la recherche.
Pour une personne vivant avec une maladie chronique, la question reste concrète : un nouveau traitement permettra-t-il de réduire les symptômes, de préserver l’autonomie, de limiter les complications ou de mieux vivre avec la maladie ?
Le fait qu’un médicament ait été développé avec l’IA ne répond pas à ces questions. Ce sont les résultats des études qui permettront d’y répondre.
L’IA intervient d’ailleurs dans d’autres domaines que la découverte de médicaments. Pour découvrir des applications liées au suivi d’une maladie, vous pouvez lire l’article de Carenity sur l’intelligence artificielle au service du diabète. Ces usages doivent être distingués de la conception d’un nouveau traitement.
Comment lire une annonce sur un « médicament découvert par l’IA » ?
Quelques questions permettent de mieux comprendre ce qui a réellement été démontré :
- Quel a été le rôle précis de l’IA : proposer une cible, sélectionner une molécule ou analyser des résultats ?
- Les données viennent-elles d’une simulation, d’expériences en laboratoire ou d’un essai chez l’être humain ?
- Combien de personnes ont participé à l’étude, et pendant combien de temps ?
- Le traitement a-t-il été comparé à un placebo ou à un traitement de référence ?
- Quels bénéfices et quels effets indésirables ont été observés ?
- Les résultats ont-ils été publiés dans une revue scientifique ou uniquement annoncés par l’entreprise ?
Une découverte peut être importante tout en restant très éloignée d’une utilisation courante. Repérer son stade de développement permet d’accueillir les progrès avec intérêt, sans transformer une piste de recherche en promesse de traitement.
Questions fréquentes
L’IA peut-elle inventer un médicament toute seule ?
Elle peut proposer de nouvelles structures chimiques ou aider à identifier des cibles. Leur intérêt doit ensuite être vérifié par des équipes de recherche, au laboratoire puis, lorsque cela est justifié, dans des essais cliniques.
Peut-elle remplacer les essais chez les patients ?
Une prédiction informatique ne démontre pas à elle seule l’efficacité et la sécurité d’un traitement chez l’être humain. L’IA peut soutenir certaines étapes des essais, mais elle ne permet pas de supprimer automatiquement leur évaluation clinique.
Un médicament conçu avec l’IA est-il forcément meilleur ?
Non. Son intérêt dépend de ses bénéfices et de ses risques observés dans les études. La méthode utilisée pour le découvrir ne garantit pas sa réussite.
L’IA peut-elle accélérer la recherche ?
Oui, certaines tâches de sélection, de prédiction et d’analyse peuvent être accélérées. Le gain sur la durée totale du développement et sur le nombre de traitements réellement utiles doit être évalué au cas par cas.
Cet article vous a été utile ? Partagez vos questions et votre regard sur l’utilisation de l’intelligence artificielle dans la recherche médicale avec la communauté en commentaire.
Prenez soin de vous !
- FDA — L’intelligence artificielle dans le développement des médicaments. Présentation des usages et des travaux réglementaires. FDA
- Nature — Prédiction des interactions biomoléculaires avec AlphaFold 3, 2024. Étude sur les capacités de prédiction structurale du modèle. nature.com
- Nature Methods — Les prédictions d’AlphaFold accélèrent les recherches sans remplacer la validation expérimentale. Analyse des limites d’interprétation des structures prédites. nature.com
- Nature Medicine — Essai de phase 2a du rentosertib dans la fibrose pulmonaire idiopathique, 2025. Résultats de l’essai clinique du candidat conçu avec l’aide de l’IA. nature.com
- Nature Chemical Biology — Découverte assistée par apprentissage automatique d’un composé ciblant Acinetobacter baumannii, 2023. Travaux expérimentaux sur l’abaucine. nature.com
- EMA et FDA — Principes de bonnes pratiques de l’IA dans le développement des médicaments, janvier 2026. Cadre commun pour une utilisation fiable et encadrée.
Commentaires
Vous aimerez aussi
Les bienfaits de ne rien faire : pourquoi le repos est important pour votre santé mentale et physique
7 oct. 2026 • 9 commentaires