IA et recherche scientifique : cas concrets

L’intelligence artificielle n’invente pas de nouvelles disciplines : elle les rattrape, les accélère et parfois les redéfinit. Si l’on parle trop souvent d’IA générative et de chatbots, c’est dans les laboratoires — biologie, physique, mathématiques — que l’on mesure le mieux ses apports concrets.

1. AlphaFold et la biologie structurale

C’est le cas le plus célèbre. En 2020, DeepMind présente AlphaFold, un système capable de prédire la structure 3D des protéines à partir de leur séquence d’acides aminés. Jusqu’alors, cette tâche demandait des années de cristallographie ou de cryomicroscopie électronique.

L’impact est immédiat dans la recherche :

• cartographie de milliers de protéines bactériennes inconnues ;
• accélération de la découverte de médicaments contre les maladies tropicales ;
• résolution de structures liées aux maladies neurodégénératives (amyloïdes, tau).

AlphaFold n’explique pas pourquoi une protéine se plie ainsi, mais il fournit une cible précieuse. La recherche humaine continue ensuite : validation expérimentale, manipulation, expérimentation. L’IA est un accélérateur, pas un remplaçant.

2. Découverte de médicaments

Les laboratoires pharmaceutiques utilisent l’IA pour cribler des millions de composés en quelques semaines, au lieu de plusieurs années. Des consortiums (Insilico Medicine, Isomorphic Labs, etc.) ont publié des molécules validées en laboratoire, avec des cibles de maladies difficiles (fibrose, maladie de Parkinson).

Avantages mesurables :

• priorisation de candidats moléculaires ;
• génération de nouvelles séquences de protéines (design de protéines) ;
• modélisation des interactions molécule-cible.

Les limites restent réelles : faux positifs fréquents, difficulté à modéliser la toxicité in vivo, et la validation expérimentale reste indispensable.

3. Astrophysique et analyse de données massives

Les télescopes modernes produisent des volumes de données inaccessibles à l’analyse manuelle. L’IA est utilisée pour :

• détecter et classifier les galaxies dans les surveys ;
• identifier les géantes de gaz dans les données de LIGO et Virgo ;
• prétraiter les images de la sonde James Webb.

Le cas de la mission Euclid, qui combine IA et expertise humaine pour cartographier l’univers, montre comment l’IA accélère la science même quand elle ne montre pas le chemin de la compréhension.

4. Mathématiques et découverte

Un résultat récent (2024) a montré que l’IA pouvait suggérer des conjectures en mathématiques : tandis que les preuves restent humaines, les suggestions de patrons — comme la recherche de conjectures en théorie des nombres ou en combinatoire — deviennent plus rapides. Des cas comme la conjecture de Ramanujan ou la découverte de nouvelles identités sont revisités avec l’aide de ces outils.

5. Ce que les sciences conservent en tout cas

L’IA ne remplace pas la curiosité ni l’expérimentation. Sa valeur réelle :

• accélère le tri, la priorisation et la validation ;
• réduit les coûts de l’exploration ;
• permet d’analyser des données qui n’existaient pas encore.

Mais la fiabilité, la reproductibilité et l’expertise humaine restent les gardiens de la science.

En résumé

AlphaFold, la découverte de médicaments et l’astrophysique montrent trois usages concrets : prédire, cribler, analyser. Les cas de la recherche réussissent parce que les scientifiques gardent la main sur les hypothèses, les validations et l’interprétation.