Conception de protéines par l’IA : comment les réseaux de neurones créent des enzymes qui n’existent pas dans la nature

La nature a consacré des milliards d’années à développer des enzymes, ces protéines qui permettent aux réactions chimiques de se produire rapidement et efficacement. Pourtant, l’évolution naturelle n’a jamais eu à résoudre tous les problèmes auxquels la chimie moderne est confrontée, de la fabrication de médicaments spécialisés au traitement de matériaux industriels inhabituels. L’intelligence artificielle offre une autre voie : les chercheurs peuvent désormais concevoir des structures protéiques entièrement nouvelles, les fabriquer en laboratoire et vérifier si elles sont capables de réaliser une réaction chimique précise. En 2026, cette approche a déjà permis de créer des enzymes fonctionnelles présentant des structures différentes de celles de leurs homologues naturels.

Pourquoi les scientifiques conçoivent-ils des protéines qui dépassent les possibilités de la nature ?

Une enzyme est une protéine constituée d’une chaîne d’acides aminés qui se replie pour adopter une forme tridimensionnelle particulière. Cette structure comporte une petite région, appelée site actif, dans laquelle une substance chimique peut se fixer et réagir. Le reste de la protéine maintient les éléments nécessaires dans la bonne position, permettant souvent à une réaction de se dérouler dans des conditions plus douces que celles exigées par les procédés chimiques industriels traditionnels. Une protéine parfaitement adaptée au fonctionnement d’une cellule peut toutefois se révéler inappropriée pour transformer une substance inhabituelle, participer à un procédé industriel ou agir sur un matériau récemment développé.

Pendant plusieurs décennies, les scientifiques ont amélioré les enzymes en apportant de petites modifications aux protéines existantes, puis en mesurant les performances des différentes versions obtenues. Cette méthode, appelée évolution dirigée, reste particulièrement efficace. Elle présente néanmoins une limite : les chercheurs ont généralement besoin d’une enzyme de départ suffisamment adaptée ou, au minimum, d’une protéine possédant déjà une certaine activité qu’il sera possible d’améliorer. La conception de novo repose sur une logique différente : elle consiste à partir d’une fonction chimique précise pour élaborer une nouvelle protéine capable de l’accomplir.

L’expression « absentes de la nature » mérite cependant quelques précisions. Une enzyme artificielle peut présenter une séquence d’acides aminés inédite, une architecture tridimensionnelle inhabituelle ou une disposition de groupes chimiques qui n’a jamais été observée dans les protéines connues. Certaines des études récentes les plus convaincantes consistent à reproduire des mécanismes chimiques familiers au sein de structures protéiques entièrement nouvelles, car cette approche permet de vérifier plus facilement l’efficacité des méthodes de conception. D’autres expériences visent des réactions que les enzymes naturelles réalisent rarement, voire jamais. Ces deux orientations sont importantes, mais elles permettent d’évaluer des aspects différents de la capacité de l’IA à créer de nouvelles enzymes.

Ce que les réseaux de neurones apprennent sur la structure des protéines

Les réseaux de neurones identifient des régularités à partir de vastes ensembles de séquences protéiques, de structures mesurées expérimentalement et d’observations scientifiques. Leur apprentissage leur permet de reconnaître les acides aminés susceptibles de s’associer correctement, les formes compatibles avec les lois physiques et les conséquences possibles d’une modification dans une région de la protéine sur une autre partie de sa structure. Cela ne signifie pas que ces outils possèdent une compréhension complète de la chimie. Ils permettent plutôt aux chercheurs d’examiner un nombre considérable de conceptions potentielles de manière beaucoup plus ciblée qu’en testant des combinaisons aléatoires.

Les différents outils d’intelligence artificielle remplissent des fonctions distinctes. AlphaFold a considérablement facilité la prédiction de la structure des protéines, tandis qu’AlphaFold 3, présenté dans la revue Nature en 2024, a étendu ces capacités aux interactions impliquant des protéines, de petites molécules et d’autres composants biologiques. Ces prédictions aident les chercheurs à examiner la manière dont une enzyme proposée pourrait se replier ou accueillir une molécule destinée à participer à une réaction. Elles ne constituent toutefois pas une preuve que cette réaction se produira réellement.

Les outils génératifs abordent un problème complémentaire : créer quelque chose de nouveau. RFdiffusion, présenté en 2023, peut construire l’ossature d’une protéine autour d’un agencement souhaité d’éléments structurels ou fonctionnels, au lieu de simplement prédire la forme d’une séquence déjà connue. D’autres modèles, notamment ProteinMPNN et des outils similaires, contribuent à sélectionner les séquences d’acides aminés susceptibles de stabiliser les structures proposées. Les scientifiques restent responsables du choix des réactions à étudier, de la définition des exigences chimiques et de la sélection des conceptions qui méritent une validation expérimentale.

Comment l’IA transforme un objectif chimique en enzyme fonctionnelle

La conception commence souvent par une transformation chimique plutôt que par une protéine. Les chercheurs déterminent quelle liaison ils souhaitent rompre ou former, puis examinent comment certains groupes chimiques pourraient faciliter cette étape. Le site actif d’une enzyme doit maintenir ces groupes à proximité de la molécule concernée, selon une disposition suffisamment précise pour favoriser la réaction. Un système moderne d’intelligence artificielle peut contribuer à construire la structure protéique environnante afin de maintenir les groupes catalytiques dans la bonne position, sans devoir rechercher une cavité appropriée dans des protéines déjà existantes.

L’étape suivante consiste à générer de nombreuses structures potentielles et à proposer les séquences d’acides aminés correspondantes. Des modèles informatiques évaluent ensuite la probabilité que chaque candidat se replie correctement, que son site actif conserve la forme prévue et que la molécule destinée à réagir dispose de suffisamment d’espace pour s’y insérer. Certaines méthodes récentes examinent plusieurs étapes d’une même réaction chimique, car une enzyme efficace doit accompagner une succession de transformations plutôt que maintenir une seule configuration figée. Cette approche réduit les efforts expérimentaux nécessaires, mais même les conceptions les mieux évaluées restent des hypothèses tant qu’elles n’ont pas été fabriquées et testées.

La validation en laboratoire constitue l’étape décisive. Les scientifiques commandent généralement une séquence d’ADN codant la protéine sélectionnée, utilisent des cellules vivantes pour la produire, purifient la substance obtenue et la mettent en contact avec le composé ciblé. Ils mesurent ensuite la formation du produit attendu, la vitesse de réaction et la régularité des performances de l’enzyme. Des expériences de contrôle permettent de vérifier que le résultat provient bien de la protéine conçue et non d’une réaction chimique indépendante. Un résultat positif confirme l’existence d’une véritable activité catalytique, mais des recherches supplémentaires restent nécessaires pour démontrer que l’enzyme est sélective, stable et utilisable en dehors de conditions expérimentales soigneusement contrôlées.

Les avancées expérimentales qui ont confirmé le potentiel de cette technologie

Une étude publiée dans Science en 2025 a présenté de nouvelles hydrolases à sérine, des enzymes capables de rompre certaines liaisons chimiques grâce à l’action coordonnée de plusieurs acides aminés. Les chercheurs ont associé RFdiffusion à une autre méthode fondée sur les réseaux de neurones afin d’évaluer si le site actif pouvait conserver son efficacité au cours de différentes étapes d’une réaction. Les expériences ont révélé des efficacités catalytiques atteignant 4 300 M⁻¹ s⁻¹, une mesure couramment utilisée pour évaluer les performances enzymatiques. Les structures protéiques mesurées correspondaient également étroitement aux prédictions. Fait particulièrement important, les enzymes conçues présentaient des repliements différents de ceux observés chez les membres naturels de cette famille enzymatique.

Une autre avancée a été présentée dans Nature, dans une étude publiée en ligne en décembre 2025 et intégrée au numéro de janvier 2026. Les chercheurs y ont introduit Riff-Diff, une méthode qui associe la génération de structures protéiques par intelligence artificielle à un ajustement détaillé de leurs sites catalytiques. Ils ont créé des enzymes destinées à deux réactions distinctes : la réaction de rétro-aldolisation et la réaction de Morita–Baylis–Hillman, qui permet de former une liaison carbone-carbone. Les mesures structurelles réalisées sur six conceptions ont également confirmé une correspondance remarquable avec les sites actifs prévus, démontrant qu’il est possible d’intégrer des mécanismes catalytiques soigneusement organisés dans de nouvelles architectures protéiques.

Dans une autre étude publiée dans Nature en 2026, des chercheurs ont utilisé RFdiffusion2 pour créer des enzymes contenant du zinc et capables de contribuer à la rupture de liaisons chimiques à l’aide de l’eau. Ils ont testé expérimentalement 96 conceptions initiales, puis 96 autres, et identifié plusieurs catalyseurs actifs. Les meilleures conceptions de la deuxième série ont atteint des efficacités catalytiques allant jusqu’à 53 000 M⁻¹ s⁻¹, tandis qu’une structure cristalline mesurée correspondait étroitement aux prédictions informatiques. Des travaux connexes publiés dans Nature Methods ont montré que RFdiffusion2 pouvait prendre en charge les 41 configurations de sites actifs d’un test informatique de référence, contre seulement 16 avec une méthode antérieure.

Ce que les enzymes artificielles pourraient changer dans la pratique

La médecine et la fabrication de produits chimiques spécialisés figurent parmi les domaines d’application les plus prometteurs. Une substance chimique peut exister sous deux formes qui sont l’image l’une de l’autre dans un miroir, alors qu’une seule peut présenter les propriétés recherchées pour un médicament. Les enzymes peuvent favoriser la formation d’une forme particulière, ce qui pourrait réduire la quantité de sous-produits indésirables et limiter certaines étapes de purification supplémentaires. Dans une étude publiée dans Science en 2025, des scientifiques ont construit de nouvelles protéines autour de molécules contenant des métaux et obtenu des catalyseurs pour différentes réactions, notamment la cyclopropanation. Quatre des dix conceptions testées ont présenté une préférence supérieure à 99:1 pour l’une des deux formes moléculaires en miroir.

Les applications environnementales constituent une autre motivation importante pour développer des catalyseurs aux propriétés inédites. L’enzyme FAST-PETase, souvent citée dans ce domaine, illustre à la fois le potentiel de cette technologie et une distinction essentielle : l’étude publiée dans Nature en 2022 reposait sur l’apprentissage automatique pour améliorer une enzyme existante capable de dégrader le plastique, et non pour en créer une entièrement nouvelle. Lors des expériences en laboratoire, les chercheurs ont rapporté une dégradation presque complète d’échantillons provenant de 51 types d’emballages en PET après consommation, en l’espace d’une semaine. Ces résultats ont montré comment l’ingénierie enzymatique assistée par l’IA pourrait contribuer au recyclage, sans démontrer pour autant que tous les plastiques peuvent être traités à l’échelle industrielle.

La production alimentaire, l’industrie textile et la fabrication de produits chimiques fins pourraient également bénéficier d’enzymes adaptées à des matériaux et à des conditions de traitement spécifiques. Au lieu de modifier une installation industrielle pour répondre aux contraintes d’une protéine naturelle fragile, les chercheurs pourraient développer des catalyseurs capables de supporter les températures, les niveaux d’acidité ou les solvants nécessaires. Les avantages pratiques dépendraient néanmoins de l’ensemble du procédé : du coût de production de la protéine, de la durée pendant laquelle elle conserve son activité et de la possibilité de la réutiliser. La véritable comparaison ne se limite donc pas à opposer l’IA à la nature, mais doit porter sur les coûts, la fiabilité et les conséquences environnementales de toute la chaîne de fabrication.

Ce que la conception de protéines par l’IA ne peut toujours pas garantir en 2026

La principale difficulté scientifique tient au fait que l’activité enzymatique dépend des mouvements moléculaires et des réactions chimiques, et pas uniquement d’une structure bien organisée. Un site catalytique peut présenter exactement la forme prévue, tout en interagissant incorrectement avec l’eau, en retenant trop fortement sa molécule cible ou en ne parvenant pas à libérer le produit obtenu. Une réaction peut également comporter plusieurs étapes nécessitant chacune une disposition légèrement différente des atomes. Les méthodes récentes d’intelligence artificielle prennent de mieux en mieux en compte ces changements, mais les enzymes naturelles restent parfois nettement plus performantes que leurs équivalents artificiels. Les mesures expérimentales demeurent indispensables pour distinguer les catalyseurs réellement utiles des protéines qui semblent simplement prometteuses sur un écran.

Les difficultés pratiques ne disparaissent pas lorsqu’une réaction fonctionne. Certaines protéines artificielles sont compliquées à fabriquer en quantités suffisantes, tandis que d’autres perdent leur activité pendant le stockage ou dans les conditions rencontrées dans l’industrie. Les chercheurs doivent examiner les réactions secondaires indésirables, la reproductibilité des résultats, la sécurité et les effets des substances présentes dans les mélanges utilisés lors de la production réelle. Pour les applications médicales, des preuves supplémentaires seraient nécessaires concernant la qualité et l’adéquation des enzymes à leur utilisation prévue. Un développement responsable suppose de présenter les limites des expériences avec autant de précision que leurs réussites.

En 2026, les enzymes conçues par intelligence artificielle ne relèvent plus d’une simple idée scientifique prometteuse. Les chercheurs ont construit des structures protéiques jusqu’alors inconnues, confirmé expérimentalement leurs formes et démontré leur capacité à catalyser certaines réactions chimiques. Le prochain défi consiste à rendre ces réussites moins exceptionnelles : concevoir des enzymes pour davantage de réactions, réduire le nombre de candidats inefficaces et obtenir des catalyseurs capables de rester performants dans des conditions réelles exigeantes. Le changement le plus important n’est pas que les ordinateurs aient remplacé la recherche expérimentale, mais que les scientifiques puissent désormais partir d’un objectif chimique précis et construire une nouvelle protéine pour tenter de l’atteindre.