Isomorphic Labs, le spin-off DeepMind né de la percée AlphaFold, fait passer son premier médicament anticancéreux conçu par IA en essais cliniques humains de Phase 1. Le CEO Demis Hassabis a confirmé le calendrier au Forum Économique Mondial à Davos: la Phase 1 commence début 2026 avec des programmes supplémentaires entrant en essais jusqu'à la fin de l'année. Le pipeline inclut 17 programmes actifs couvrant l'oncologie, l'immunologie et les maladies cardiovasculaires. Si les essais avancent, ce sera la première fois que des molécules conçues de bout en bout par IA entrent dans le processus de test réglementaire qui garde les produits pharmaceutiques à usage humain. Toutes les autres revendications de "découverte de médicaments par IA" à date ont été du pharma conventionnel assisté par IA; le pitch d'Isomorphic est que les molécules sont conçues par le modèle, pas simplement criblées par lui.

L'activateur technique est Isomorphic Drug Design Engine (IsoDDE), annoncé en février 2026. Sur les benchmarks de généralisation de prédiction de structure protéine-ligand, IsoDDE double à peu près la performance d'AlphaFold 3. Il prédit les affinités de liaison de petites molécules à une précision plus élevée que les méthodes basées sur la physique tout en tournant à une fraction du coût de calcul et du temps mur. Critiquement, il identifie de nouvelles poches de liaison sur des protéines cibles en utilisant seulement la séquence d'acides aminés, ce qui veut dire que le modèle peut proposer des approches thérapeutiques contre des cibles où aucune donnée structurelle préalable n'existe. Les workflows de chimie médicinale classique dépendaient de structures cristallines, de bibliothèques de fragments, et d'optimisation itérative en wet-lab qui pouvait tourner cinq à sept ans avant un composé tête de série. IsoDDE compresse les phases de structure-et-conception dans un pipeline qui tourne en semaines. Si cette compression temporelle survit dans le développement de médicaments de grade réglementaire, c'est ce que la Phase 1 commencera à tester.

La structure commerciale compte autant que la technique. Isomorphic a des partenariats stratégiques avec Eli Lilly et Novartis totalisant environ 3 milliards en paiements potentiels de jalons, une taille de deal qui valide la crédibilité du modèle avec les deux plus grands acteurs pharma en oncologie. Le choix d'affaires de licencier plutôt que d'internaliser complètement le développement pharma reflète un réalisme qu'Isomorphic semble tenir et que DeepMind endosse publiquement: le modèle est la partie dure, mais faire passer un essai de cancer à travers IND, Phase 1, Phase 2 et Phase 3 est une discipline opérationnelle différente que les partenaires big pharma possèdent déjà. Cette division du travail est le pari structurel. Si ça marche, la conception de médicaments par IA devient un input de plateforme dans le développement pharma conventionnel plutôt qu'une industrie parallèle.

Pour les builders hors pharma, l'histoire Isomorphic est un cas limite instructif pour ce que l'IA adjacente aux modèles de fondation peut faire quand le domaine cible a des données propres et structurées (séquences et structures protéiques) et des fonctions objectives non ambiguës (affinité de liaison, sélectivité, propriétés pharmacocinétiques). La conception de médicaments n'est pas le langage naturel; c'est un problème spécifique de prédiction structurée qui récompense l'échelle d'une façon qui se trouve très favorable à la lignée AlphaFold. Ça n'est pas automatiquement généralisable. Un builder qui essaie d'appliquer des techniques similaires à des domaines moins structurés — recherche opérationnelle, raisonnement juridique, travail créatif — ne devrait pas supposer que la trajectoire Isomorphic est le modèle. Ce que l'histoire Isomorphic prouve, c'est que quand la structure du problème est bonne, les modèles spécialisés surpassent l'intuition scientifique à échelle humaine à un coût d'ordres de grandeur inférieur. La courbe coût historique de l'industrie pharma de 2G$ et 10 ans par médicament est maintenant activement testée. Si la Phase 1 se lit proprement, les implications en aval pour les prix des médicaments, la recherche sur maladies rares et l'équité santé globale sont significatives. Si ça échoue, l'industrie obtient un point de donnée utile sur où la conception IA a encore besoin de couches de validation. Les deux résultats sont informatifs. L'essai n'a pas encore commencé; la réponse honnête éditoriale, c'est qu'on devrait tous regarder à quoi ressemblent les données.