Gap analysis — capacité humaine × capacité IA
Double hélice de l'ADN × IA en génomique et drug discovery
De la structure moléculaire à la fonction biologique assistée par IA
Fiches comparées
Double hélice de l'ADNCapacité humaine · ÉvolutionIA en génomique et drug discoveryCapacité IA · ScientifiqueApport de l'IA
L'IA prolonge à grande échelle le programme ouvert en 1953 — déduire la fonction biologique de la structure moléculaire : la fiche IA documente la prédiction de structure tridimensionnelle pour la quasi-totalité des protéines connues en 2024, et l'analyse de séquences génomiques pour identifier des variants associés à des maladies. Elle n'apporte pas la preuve expérimentale : la fiche IA pose que les prédictions computationnelles ne remplacent pas les essais cliniques, seule étape permettant de confirmer efficacité et innocuité chez l'humain.
Mécanisme
Modèles d'apprentissage profond souvent dérivés des architectures Transformer, appliqués d'une part à la prédiction de structures protéiques et d'interactions moléculaires, d'autre part à l'analyse de séquences génomiques. La structure prédite sert de point d'entrée à l'identification de cibles thérapeutiques, dans le prolongement direct de l'inférence structure-fonction qu'avait rendue possible le modèle en double hélice.
Comment faire mieux
Boucler systématiquement prédiction et validation expérimentale : la fiche IA établit que le passage du laboratoire au marché reste long — souvent une décennie — et coûteux, malgré l'accélération apportée sur les étapes amont. Le chantier n'est donc pas la précision de la prédiction seule, mais le raccourcissement de la chaîne de confirmation qui la suit.
Mode d'interaction recommandé
Délégation supervisée en amont de la paillasse : le modèle hiérarchise des hypothèses structurales, l'expérimentation tranche.
Substituabilité
Remplaçable avec supervision humaine
Scénarios temporels
Présent
En 2026, la fiche IA ne pose aucun niveau de maturité chiffré sur ses deux usages : elle qualifie de pratique installée aussi bien la recherche fondamentale assistée que l'accélération des étapes précoces de découverte de médicaments, Isomorphic Labs ayant déclaré en mai 2024 utiliser AlphaFold 3 avec d'autres modèles pour automatiser cette découverte.
+5 ans
Si la précision des prédictions progresse sur les cas aujourd'hui mal couverts, la part d'expérimentation confirmatoire pourrait diminuer, sans disparaître.
+15/20 ans
Spéculatif : sous l'hypothèse d'une intégration complète entre prédiction structurale, criblage et automatisation de laboratoire, la chaîne séquence-structure-fonction pourrait être parcourue majoritairement in silico — hypothèse que la durée et le coût de la traduction clinique, documentés par la fiche IA, invitent à considérer avec prudence.
Axes possibles (perspectives, pas des prédictions tranchées)
Génomique assistée généralisée
Consensus scientifiqueL'annotation et l'exploration fonctionnelle assistées deviennent la voie standard d'accès aux données de séquençage à haut débit.
Goulot de la validation expérimentale
Consensus scientifiqueLe coût et la durée des confirmations expérimentales, que la fiche IA chiffre à une décennie du laboratoire au marché, limitent la traduction des prédictions en résultats cliniques.
Chaîne in silico bouclée
Hypothèse prospectiveIntégration prédiction-criblage-laboratoire automatisé réduisant fortement le nombre d'expériences physiques nécessaires.
Sous-thèmes et axes de recherche
Sous-thèmes
- Prédiction de structure et annotation génomique
- Validation expérimentale irremplaçable
- Reconnaissance scientifique et attribution des découvertes
Axes de recherche
- Comment raccourcir la chaîne de confirmation expérimentale qui suit la prédiction ?
- Quelle place pour les modifications post-traductionnelles dans les modèles prédictifs ?
- Les gains computationnels se traduisent-ils par une hausse du nombre de candidats aboutis ?
Documents clés
Données brutes de cette analyse : /api/gap/double-helice-adn-vs-ia-genomique — méthode de comparaison détaillée dans la méthodologie.