Pourquoi la vraie innovation en diffusion se fait en biologie, pas en LLM
Pourquoi ça compte pour toi
Pendant 10 ans, l'IA a échoué à résoudre la découverte de molécules. Genesis vient de franchir un seuil critique : leurs modèles de prédiction 3D sont assez précis pour que des agents IA fassent du vrai design de médicaments autonome. Si tu crois que l'IA va transformer les sciences expérimentales, ce qu'ils font ici donne une idée concrète de ce à quoi ça ressemble.
Ce qu'il faut retenir
- 1.Les transformers ont plafonné côté innovation architecturale — la vraie créativité cherche ailleurs
- 2.PEARL prédit où exactement les molécules s'ajustent dans les protéines (flexibilité protéique incluse)
- 3.Le benchmark académique de « 2 Ångström » qu'on utilise depuis 10 ans ? C'est du déchet. Il faut 1 Ångström pour ne pas induire les chimistes en erreur
- 4.Les agents IA pour la découverte de médicaments franchissent enfin le seuil où ils itèrent comme un chimiste : hypothèse → test → analyse → candidat suivant
Tu galères avec le jargon ?
Lis la version réécrite en mode débutant — toutes les idées, sans le jargon.
Pourquoi la structure 3D devient le vrai terrain de jeu
Sergey Edunov vient de Meta — il a dirigé l'entraînement de Llama 2 et 3. En débarquant chez Genesis, il a réalisé quelque chose : l'architecture des transformers n'a pas vraiment évolué depuis 2017. Les variantes utiles existent (mixture-of-experts), mais aucune révolution conceptuelle. Puis il a découvert ce que Genesis construit autour de la diffusion appliquée à la biologie.
La prédiction de structure 3D ? C'est l'opposé : c'est un laboratoire d'innovation permanente.
Le problème : 10^60 molécules, et 99,99% sont toxiques
Imagine : il y a 10 puissance 60 molécules « potentiellement médicament » qui existent. Tu dois en trouver une qui :
- ▸Se lie très fort à ta protéine cible
- ▸Est soluble (sinon elle ne circule pas dans le sang)
- ▸N'empoisonne pas le reste du corps
- ▸Se métabolise proprement
Voilà le problème : les bonnes liaisons chimiques rendent souvent la molécule trop « grasse » pour être soluble. Les deux objectifs s'opposent. Pendant 10 ans, l'IA cherchait au hasard.
PEARL change la donne : comprendre la flexibilité
Genesis a lancé PEARL (« Place Every Atom at the Right Location »). Le point clé : au lieu de juste prédire où la molécule s'encastre, le modèle ajuste aussi la protéine pour que l'emboîtement soit meilleur. C'était connu comme manquant, mais impossible à modéliser jusqu'à maintenant.
Résultat : une précision que personne n'avait atteinte.
Le scandale des benchmarks
Evant Feinberg (co-fondateur) lâche une vérité inconfortable : le seuil « 2 Ångström RMSD » qu'Academia utilise depuis une décennie pour dire « oui, c'est bon » ? C'est du déchet.
Pourquoi ? Les liaisons hydrogène (critiques pour 80% des interactions protéine-molécule) ont une plage de validité de 0,6 Ångström. Si tu es à 2 Å d'erreur, tu peux complètement inverser une molécule aromatique et le modèle ne s'en rend pas compte. Sauf que le chimiste s'aperçoit que tu simules les mauvaises interactions.
Le vrai seuil ? 1 Ångström.
Pourquoi personne n'a dit ça avant ? Parce que les académiques qui créaient les benchmarks n'étaient pas praticiens. Ils optimisaient pour des métriques, pas pour des résultats en labo.
Les agents IA commencent à cheminer seuls
Un parallèle avec les LLM : au départ, les modèles de langage étaient de piètres agents (erreurs minuscules = dérives massives). Puis GPT-4 franchit un seuil. Les agents deviennent utiles.
C'est exactement où Genesis en est. Leur système interne (code SAPPHIRE) itère maintenant comme un chimiste humain :
- ▸Examine les positions possibles
- ▸Forme une hypothèse
- ▸Lit la littérature (accès automatisé)
- ▸Crée des candidats
- ▸Teste (via des partenariats labo automatisés comme celui avec Incyte)
- ▸Recommence
Tout ça 24/7. Sans pause.
Ce qui en découle
On se rapproche d'une époque où la découverte de médicaments n'est plus l'affaire des humains dans des labos en 10 ans. C'est une machine qui itère, apprend, teste, affine.
Et concrètement pour toi ?
Choisis ton profil — la lecture de l'article change selon qui tu es.
Pour toi, ce qui se passe en bio montre que l'IA ne révolutionne pas tout — elle révolutionne ce qui a un signal clair et itératif. La découverte de médicaments a ce signal ; les LLM classiques non. C'est ça qui explique pourquoi les meilleurs chercheurs bougent.
Essayer maintenant
Explorer Genesis Molecular AI →Source
📊 Cours en bourse
Pour aller plus loin
Cet article t'a donné envie d'approfondir ? Deux formations Noésis t'attendent :
Explorer les thèmes de cet article :