DeepMind est prêt à repenser la découverte de médicaments et vaincre les maladies

Lors de Google I/O 2026, le directeur général de DeepMind, Demis Hassabis, d'un air tout à fait sérieux, a annoncé : l'entreprise espère « repenser le processus de découverte de médicaments dans le but de résoudre toutes les maladies en un jour ». C'est un objectif ambitieux et, franchement, qui semble irréaliste. Mais avant de rejeter cela, examinons ce qui se cache derrière et pourquoi les rédacteurs de Verge remettent déjà en cause ces promesses.

Ce que Google DeepMind a présenté à I/O

Google DeepMind a présenté un ensemble complet d'outils pour accélérer la recherche biologique. Les trois principaux : Gemini for Science (version spécialisée du LLM phare pour les tâches scientifiques), AlphaFold 3 (système de prédiction de la structure des protéines) et le tout nouveau AlphaGenome.

AlphaFold 3 peut prédire avec une grande précision la structure tridimensionnelle des protéines et leurs interactions avec d'autres molécules. C'est crucial, car la forme de la protéine détermine souvent l'efficacité d'un médicament.

AlphaGenome élargit cette approche : le système peut désormais travailler avec des données génomiques et prédire les facteurs génétiques des maladies.

Gemini for Science intègre les deux systèmes dans une plateforme unique. C'est un LLM qui « comprend » le contexte de la recherche biologique, peut lire des articles scientifiques et fournir des recommandations directement dans l'interface familière aux chercheurs.

Comment cela fonctionne en pratique

Scénario approximatif : un chercheur charge dans Gemini for Science une question du type « développer un composé antiviral pour le virus X ». Le système analyse les faits connus sur le virus, propose des structures moléculaires candidates, utilise AlphaFold 3 pour prédire l'interaction de ces molécules avec les protéines virales et prédit les effets secondaires probables.

Sur le papier, cela semble être un bond en avant en termes de productivité. Auparavant, une telle recherche prenait des mois. Maintenant, cela pourrait prendre quelques heures ou jours. Mais il y a un détail : Google parle « d'accélération » sans mentionner les délais spécifiques. Combien de pour cent plus rapide ? À quel prix ? Cela reste hors cadre.

Pourquoi il y a plus de sceptiques que de croyants

Voici une liste de raisons pour lesquelles « résoudre toutes les maladies » est, c'est le moins qu'on puisse dire, une affirmation très audacieuse :

• De la molécule au médicament, ce n'est pas une seule tâche. Même si l'IA prédit parfaitement la molécule, elle doit être synthétisée en laboratoire, testée sur des cultures cellulaires, puis sur des animaux, puis sur des humains (essais cliniques — 3 phases, 5-10 ans), et seulement ensuite obtenir l'approbation réglementaire.

• « Toutes les maladies » ce n'est pas 100 maladies, c'est plus de 10 000. Certaines sont d'origine génétique (dans le domaine de l'IA), mais d'autres sont infectieuses, auto-immunes, psychologiques, environnementales. L'IA de la biologie moléculaire ne sera pas d'une grande aide pour celles-ci.

• L'histoire de l'IA est remplie de promesses qui ne se sont pas réalisées. Deep Blue promettait une révolution dans l'analytique. IBM Watson promettait une révolution en médecine. La réalité est généralement plus compliquée que les diapositives marketing.

• Les régulateurs ralentissent intentionnellement le processus. La FDA exige des preuves de sécurité — ce n'est pas un caprice, c'est la protection des patients. Une proposition de l'IA n'est que le premier pas dans un très long processus.

«

Des grandes promesses aux résultats en clinique réelle — la distance est énorme », écrivent les rédacteurs de Verge, et ils ne sont pas seuls dans cette opinion.

Ce que cela signifie vraiment

Les outils de Google DeepMind sont vraiment utiles et peuvent accélérer certaines phases du développement de médicaments — en particulier lors de la recherche de candidats. Mais « résoudre toutes les maladies » n'est pas un problème technologique. C'est une question de savoir à quel point la biologie est complexe, à quel point les exigences réglementaires sont strictes, et combien d'argent investir dans chaque direction. L'IA sera un bon assistant pour les scientifiques. Mais ce ne sera pas un magicien. Les promesses de Hassabis sont probablement juste un discours pour Google I/O. Un discours utile, mais il faut rester réaliste.