Les progrès scientifiques importants surviennent le plus souvent lorsqu’une discipline passe de la phase coûteuse de conjecture à celle de l’ingénierie systématique basée sur un ensemble de principes bien compris. En physique, par exemple, les scientifiques ont d’abord exploré et découvert les caractéristiques de la mobilité des électrons, y compris des caractéristiques comme la dépendance de la mobilité à un champ électrique et la conductivité inhérente des métaux. Peu après, nous avons formulé les équations qui permettent de prédire avec précision ces phénomènes, ce qui nous a permis de contrôler les électrons et de construire des systèmes complexes, tels que des transistors. Ce contrôle précis de la mobilité des électrons a été une avancée majeure qui a marqué le début de l’ère numérique.
Presque toutes les révolutions scientifiques et industrielles peuvent être rattachées à une transition similaire. Mais l’ingénierie intentionnelle et contrôlable de systèmes biologiques nous a largement échappé. Sans un ensemble de principes bien compris sur lesquels s’appuyer pour créer de nouveaux systèmes, nous en sommes rendus à effectuer des découvertes.
Presque tous les médicaments modernes ont été découverts ou systématiquement identifiés à partir d’un ensemble de solutions biologiques existantes, plutôt que d’être générés intentionnellement dans un but donné. La biologie, contrairement à la physique, est régie par des règles très complexes et souvent stochastiques qui ne permettent pas d’obtenir facilement un ensemble de principes parcimonieux et facilement compréhensibles. Peut-être que l’évolution n’a pas équipé notre cerveau pour comprendre comment des millions de modèles statistiques minuscules conduisent au comportement complexe de la cellule. Mais un nouveau type d’intelligence émerge qui excelle dans ce type de raisonnement probabiliste à haute dimension : l’apprentissage machine. Il semble que l’apprentissage machine puisse révéler les principes d’ingénierie de la biologie qui ont été jusqu’à présent cachés. Ces principes cachés, une fois découverts, peuvent être utilisés directement pour la génération automatique de molécules biologiques nouvelles et puissantes.
Ces progrès commencent à changer l’avenir de la biologie. Par exemple, l’algorithme AlphaFold de DeepMind a remporté le dernier concours biennal du CASP sur le repliement des protéines, et ce par une marge sans précédent. Chez Flagship Pioneering, nous pensons que le passage de la découverte de médicaments à ce que nous appelons la biologie générative constituera un changement radical dans les sciences de la vie. Nous ne découvrirons plus des médicaments sous-optimaux que la nature a conçus pour ses propres besoins, mais nous produirons des médicaments conçus pour répondre à des besoins spécifiques. Une approche générative promet également de mettre en parallèle la découverte de médicaments de manière imprévue.
La biologie générative est désormais un objectif réaliste. La diminution du coût du séquençage et de la synthèse de l’ADN à haut débit, l’augmentation exponentielle de la puissance de calcul et le progrès rapide des algorithmes d’apprentissage automatique transformeront ensemble la médecine. Les thérapies ne seront plus des molécules simples mais des systèmes plus complexes, tels que les virus et les cellules entières. L’apprentissage machine est prêt à extraire les principes d’ingénierie nécessaires à chaque niveau de complexité biologique et à générer, en fin de compte, non seulement de nouvelles molécules mais aussi des thérapies géniques et cellulaires de la prochaine génération ; et des médicaments que nous n’avons pas encore imaginés.
