En 2026, l’IA et l’informatique quantique redessinent la découverte de médicaments

Le secteur des sciences de la vie entre dans une nouvelle phase décisive en 2026, alors que l’intelligence artificielle passe d’un soutien à des tâches isolées à un rôle de collaborateur essentiel intégré à l’ensemble du cycle de recherche. Les scientifiques IA – des systèmes d’agents capables de travailler de manière autonome aux côtés de scientifiques humains – transforment en profondeur la manière dont l’innovation se produit dans la santé et au-delà.

Cette évolution marque un basculement clair et délibéré, s’éloignant des approches par essais-erreurs au profit de la conception et de l’impact. Pendant des décennies, la découverte s’est appuyée sur des tests, des itérations et un apprentissage incrémental. Dans les années à venir, ce modèle cédera de plus en plus la place à un autre, dans lequel les expériences sont conçues par des systèmes d’IA capables de raisonner à une échelle sans précédent à travers la biologie, la chimie et les données.

Pour les entreprises biopharmaceutiques guidées par la technologie, ce changement modifiera la manière dont les idées sont testées, dont les expériences sont hiérarchisées et la rapidité avec laquelle les enseignements se traduisent en thérapies dans le monde réel. Il en résultera une accélération spectaculaire de la découverte, ouvrant de nouvelles possibilités pour les maladies génétiques, infectieuses et dégénératives. Parallèlement, cela permettra des progrès mondiaux plus larges dans les maladies rares, les affections négligées et la médecine personnalisée, en réduisant le coût, la complexité et l’incertitude qui ont historiquement freiné l’innovation.

À mesure que 2026 avance, les scientifiques IA ne fonctionneront plus à la périphérie de la recherche en sciences de la vie. Ils deviendront au contraire des collaborateurs indispensables dans les laboratoires de demain, travaillant aux côtés de scientifiques humains, d’autres plateformes de scientifiques IA et d’outils établis pour coécrire la découverte elle-même. Ces systèmes d’IA proposeront de nouvelles cibles et des structures moléculaires inédites, simuleront le comportement biologique au sein de réseaux virtuels complexes, suggéreront des extensions d’indication possibles et aideront à orienter les expériences numériques et physiques.

De réels progrès seront obtenus en combinant entre eux des systèmes agentiques de raisonnement avancé, alimentés par le calcul accéléré. Le calcul accéléré utilise le traitement parallèle, via du matériel spécialisé comme les GPU, afin d’exécuter plus efficacement des tâches exigeantes en données.

Les implications pour les délais de développement sont considérables. Le temps entre l’hypothèse et la preuve de concept chez l’humain diminuera fortement, permettant une validation plus rapide de nouvelles idées et accélérant la trajectoire vers les essais cliniques (clinical trials), puis, à terme, vers les patients. À mesure que ces capacités se déploient à l’échelle mondiale, nous espérons voir une hausse des thérapies pour les maladies rares et les affections négligées, ainsi que des traitements plus précis et personnalisés, adaptés à chaque patient.

Le rapport 2026 M&A Firepower d’Ernst and Young a mis en évidence une hausse de 256% de la valeur potentielle des transactions dans les sciences de la vie visant à accéder à des plateformes technologiques d’IA.

En 2026, les systèmes d’IA se connecteront de manière transparente à des laboratoires robotisés, créant de véritables écosystèmes « lab-in-the-loop » qui redéfinissent l’exécution de la découverte. Dans ces environnements, les laboratoires robotisés deviennent les moteurs physiques de l’innovation. Les scientifiques IA généreront des plans d’expériences, que les systèmes robotiques exécuteront avec rapidité et précision. Les données seront analysées instantanément et réinjectées dans le cycle de raisonnement de l’IA, affinant en continu les hypothèses et guidant la série suivante d’expériences. De la génération d’hypothèses à la conception, l’exécution, l’analyse et l’itération des expériences, l’ensemble du pipeline de R&D fonctionnera comme une boucle unique et continue de rétroaction.

En conséquence, des flux de travail qui prenaient autrefois des mois seront ramenés à quelques heures. La chimie, la biologie et la science des matériaux partageront de plus en plus une infrastructure programmable capable de concevoir, tester et industrialiser l’innovation au sein de systèmes unifiés. Cette convergence marque l’aube de la recherche programmable, accélérant à l’échelle mondiale les percées en thérapeutique, en énergie propre et en matériaux avancés.

Cependant, le potentiel de l’IA est en fin de compte limité par la capacité de calcul des ordinateurs classiques. Elle n’est pas encore en mesure de simuler ou de prédire le comportement ou l’interaction de certains nouveaux composés, tout simplement parce qu’ils sont trop complexes, même pour les supercalculateurs les plus avancés.

C’est là que l’informatique quantique apparaît comme une technologie de nouvelle frontière, avec le potentiel de transformer l’innovation dans la pharmacie, la santé et les biotechnologies. Un rapport de 2025 sur la technologie quantique a estimé que la création de valeur potentielle pour l’industrie des sciences de la vie pourrait atteindre $200 billion à $500 billion d’ici 2035.

Bien que la technologie quantique en soit encore à un stade précoce, elle n’est plus une abstraction réservée à l’avenir. Il a été annoncé fin 2024 que Google avait construit une puce quantique, Willow. Bien qu’il s’agisse largement d’un outil expérimental, Google affirme que Willow n’a besoin que de cinq minutes pour accomplir des tâches qui prendraient dix septillions d’années, même aux ordinateurs conventionnels les plus rapides au monde. Le potentiel de transformation future de la découverte de médicaments, notamment en accélérant la phase expérimentale du développement, est évident.

Les technologies quantiques sont conçues pour répondre précisément aux défis qui limitent les capacités de l’IA reposant sur des ordinateurs classiques, en s’appuyant sur les principes de la mécanique quantique pour traiter l’information. Là où les ordinateurs classiques utilisent des « bits » binaires pour effectuer des calculs, les ordinateurs quantiques utilisent des qubits. Ceux-ci peuvent exister simultanément dans plusieurs états (c’est-à-dire représenter à la fois 0 et 1), ce qui leur permet d’explorer des espaces de solutions de façon exponentiellement plus rapide que les ordinateurs classiques. Cela ouvre la voie à la résolution de problèmes qui dépassent les capacités de l’IA.

Il est toutefois important de ne pas considérer ces technologies comme concurrentes ou mutuellement exclusives. L’informatique quantique a le potentiel à la fois de compléter les technologies d’IA existantes et d’améliorer les algorithmes d’apprentissage automatique (par exemple, en générant des données synthétiques précises et de haute qualité pour combler les lacunes des données d’entraînement), et réciproquement.

L’informatique quantique permet des simulations très précises des structures moléculaires et des interactions, ce qui pourrait accélérer de manière significative l’identification de candidats médicaments et réduire la dépendance à des expériences de laboratoire coûteuses. Par exemple, des algorithmes quantiques peuvent simuler et prédire le repliement des protéines et la liaison médicament–cible avec une précision qu’il ne serait pas possible d’atteindre avec l’IA, ce qui pourrait aider à mieux comprendre des maladies comme Alzheimer et Parkinson.

Les algorithmes quantiques pourraient soutenir et optimiser la conception des essais, la sélection des patients et l’analyse des données, rendant les essais plus efficaces et, potentiellement, réduisant en conséquence le délai de mise sur le marché de nouvelles thérapies.

Les technologies de détection quantique devraient pouvoir offrir une sensibilité et une résolution accrues, améliorant l’imagerie médicale et permettant une détection des maladies plus précoce et plus précise.

Les ordinateurs quantiques peuvent traiter des ensembles de données génomiques complexes, révélant des motifs et des corrélations que les systèmes d’IA pourraient manquer. L’informatique quantique a aussi la capacité de générer des données synthétiques précises simulant des données du monde réel, ce qui pourrait résoudre des problèmes freinés par l’absence de données crédibles et de haute qualité (par exemple, dans la recherche sur les maladies rares). Toutefois, si la « résolution de problèmes » quantique est, en théorie, plus rapide et plus précise, elle n’est pas à l’abri des erreurs. Par exemple, certains ordinateurs quantiques sont actuellement très sensibles aux perturbations environnementales telles que le bruit, et même des variations de température peuvent affecter leurs résultats.

Si l’on considère le cycle de vie de la fabrication des médicaments et de la chaîne d’approvisionnement, même de simples calculs d’optimisation, ou l’ajustement fin de modèles d’apprentissage automatique, pourraient conduire à une fabrication et une distribution pharmaceutiques rationalisées, améliorant l’efficacité et réduisant les coûts.

Les opportunités offertes par les technologies quantiques s’accompagnent de considérations juridiques et réglementaires. Les défis reflètent largement les points de tension également identifiés lors de la mise en œuvre de l’IA et, pour ces deux nouvelles technologies, les professionnels des sciences de la vie devraient anticiper la nécessité d’évoluer dans un cadre réglementaire en transformation.