L’IA conçoit un anticorps presque record lors de son test à l’aveugle le plus exigeant — mais sur une seule tâche

Le premier grand benchmark prospectif et mené à l’aveugle de la conception d’anticorps par intelligence artificielle livre un verdict nuancé. Oui, l’IA peut générer des anticorps très puissants, confirmés expérimentalement et présentant des propriétés de développement acceptables. Mais aucune méthode n’a dominé de manière constante les trois tâches du test.

Le succès le plus net revient à Aureka Biotechnologies. Son modèle a conçu un anticorps ciblant le domaine de liaison au récepteur du SARS-CoV-2, avec une affinité mesurée à 94,7 pM — environ 2 000 fois meilleure que celle de l’anticorps parental. Le résultat est statistiquement comparable à celui du meilleur clone obtenu par maturation expérimentale classique. 16

Un test conçu pour départager les modèles du laboratoire

Le défi AIntibody s’inspirait du fonctionnement des évaluations CASP en biologie structurale : les participants soumettaient leurs prédictions, puis des équipes indépendantes les testaient dans des conditions identiques. Au total, 29 organisations ont envoyé 511 séquences d’anticorps, sans pouvoir valider elles-mêmes leurs propres résultats. 12

Le benchmark portait sur des anticorps dirigés contre le domaine de liaison au récepteur — ou RBD — de la protéine Spike du SARS-CoV-2. Il couvrait trois situations de découverte :

1. La maturation d’affinité in silico, qui consiste à améliorer un anticorps parental fourni aux participants.
2. Le classement par affinité, consistant à repérer les meilleurs liants dans trois groupes contraints de séquences HCDR3, une région importante du site de liaison de l’anticorps.
3. La conception hors bibliothèque, qui demande de créer ou d’optimiser des séquences de régions CDR en dehors des bibliothèques expérimentales fournies. 1

Les anticorps ont été évalués par résonance plasmonique de surface et par une méthode indépendante, KinExA, afin de mesurer leur affinité. Un panel de cinq tests de « developability » a également recherché des caractéristiques susceptibles de compromettre le développement d’un candidat, même lorsque celui-ci se lie très fortement à sa cible. 1

Autrement dit, les modèles n’ont pas été jugés sur leurs propres scores : leurs séquences ont dû fonctionner dans le monde réel, au laboratoire.

Le résultat phare d’Aureka : 94,7 pM

Le meilleur résultat d’Aureka a été obtenu dans la tâche de maturation d’affinité. L’anticorps gagnant, appelé AuraBind dans l’article scientifique et associé à la plateforme AuraIDE, a atteint une affinité mesurée de 94,7 pM. Par rapport à l’anticorps parental, cela représente une amélioration d’environ 2 000 fois. 146

La comparaison avec l’expérimentation traditionnelle est particulièrement instructive. Après environ trois mois de maturation par phage, le meilleur clone produit expérimentalement affichait une affinité de 113 pM. La valeur d’Aureka est numériquement plus basse — et donc correspond à une liaison plus forte — mais l’écart entre les deux meilleurs anticorps n’était pas statistiquement décisif. La conclusion la plus rigoureuse est donc que l’IA a égalé le meilleur résultat expérimental dans ce test, plutôt qu’elle l’a définitivement surpassé. 16

La performance ne repose d’ailleurs pas sur une seule séquence spectaculaire. Aureka a conçu six anticorps affichant une affinité inférieure à 10 nM et satisfaisant également les critères de développement du défi. Ses candidats se sont classés premier, deuxième et cinquième dans la tâche de maturation d’affinité. 1

Une séquence conçue, et non simplement retrouvée

L’anticorps gagnant n’était pas une copie directe d’un clone déjà sélectionné expérimentalement. D’après l’étude, sa séquence recombinait des substitutions et des motifs mutationnels déduits des données de sélection fournies aux participants. Un modèle d’affinité intégrant des informations structurales a ensuite retenu le candidat parmi 10 000 séquences générées. 1

AuraIDE associait modélisation structurale et prédicteur de fitness entraîné sur des préférences expérimentales. Plutôt que d’essayer de prédire directement la constante d’affinité absolue, ce prédicteur apprenait à estimer l’enrichissement relatif observé dans les expériences — une approche adaptée au classement des candidats à tester en priorité. 1

Cette nuance est importante pour la découverte d’anticorps. Un outil utile n’a pas nécessairement besoin de connaître avec précision l’affinité finale de chaque séquence. Il doit surtout augmenter les chances qu’un nombre raisonnable de candidats contienne des anticorps à la fois puissants et utilisables.

Aureka a remporté une tâche, pas l’ensemble du benchmark

Aureka a été la gagnante incontestée de la première tâche, mais son avance ne s’est pas étendue à tout le défi. Dans la tâche de classement des séquences regroupées, les équipes de tête différaient selon le groupe étudié : UCSD/Scripps a remporté le groupe 27F, WashU/Xencor le groupe 28F et WashU le groupe 47F. Xencor s’est imposé dans la conception hors bibliothèque. 1

L’analyse croisée de l’étude aboutit au même constat : chaque groupe ayant communiqué ses résultats présentait au moins une tâche dans laquelle son meilleur résultat était nettement éloigné des soumissions les plus performantes. 1

C’est le message central du benchmark. La conception d’anticorps par IA ne constitue pas une capacité unique et homogène. Un système efficace pour améliorer un anticorps connu, à partir de nombreuses données spécifiques à sa cible, peut être beaucoup moins fiable lorsqu’il doit classer des séquences proches ou concevoir des anticorps en dehors d’une bibliothèque existante.

Vers un laboratoire « dans la boucle », plutôt que sans laboratoire

L’implication pratique la plus crédible concerne l’optimisation de candidats, et non la suppression des expériences. Dans un contexte favorable, un modèle performant pourrait réduire le nombre de cycles de construction de bibliothèques d’anticorps, de sélection par affichage, d’expression des clones et de criblage.

Dans la première tâche, environ 13 % des soumissions ont obtenu une amélioration d’au moins 20 fois par rapport à l’anticorps parental, même si les performances variaient fortement d’un participant à l’autre. 1

Le scénario qui se dessine est donc celui d’un processus intégré :

• exploiter les données de sélection et de séquençage pour générer de nouveaux candidats ;
• utiliser les modèles pour réduire et diversifier la liste des séquences à tester ;
• produire et analyser ces séquences dans des conditions expérimentales standardisées et, si possible, à l’aveugle ;
• vérifier à la fois l’affinité et les propriétés de développement avant de poursuivre.

Cette dernière étape reste indispensable. Plusieurs candidats très affins ont échoué à au moins un test de développement, notamment ceux liés à la poly-réactivité. Une affinité de 94,7 pM est impressionnante, mais elle ne suffit pas à faire d’un anticorps un médicament viable. 1

La principale limite : la généralisation

L’étude constitue un test prospectif exigeant, mais son environnement restait relativement favorable à l’IA. Elle s’appuyait sur une seule cible bien caractérisée, ainsi que sur des volumes importants de données de séquençage profond et d’affinité. Pour les deuxième et troisième tâches, certaines informations fournies pourraient ne pas être disponibles aussi tôt dans une véritable campagne de découverte. 1

Les résultats reflètent cette limite. Dans les ensembles de séquences HCDR3 regroupées, tous les modèles sauf un ont obtenu de mauvaises performances — parfois inférieures à une sélection aléatoire — lorsqu’il s’agissait de prédire les clones à forte affinité. Les résultats de conception hors bibliothèque étaient eux aussi très variables. 12

Le benchmark ne démontre donc pas que l’IA produira des résultats aussi solides face à des antigènes inconnus, à des jeux de données peu abondants, à d’autres formats d’anticorps ou à l’ensemble des propriétés nécessaires au développement thérapeutique. Il montre plutôt que certaines méthodes peuvent être extrêmement efficaces dans des contextes biologiques définis et riches en données.

Ce que cette victoire change pour Aureka

Pour Aureka, le benchmark constitue une validation particulièrement utile : sa plateforme est associée à un résultat expérimental évalué indépendamment, et pas seulement à un score interne de modèle. L’entreprise a par ailleurs bouclé une levée de série B de 100 millions de dollars en août 2026, portant son financement cumulé déclaré à près de 200 millions de dollars. Granite Asia a financé la première tranche et un investisseur stratégique a mené une tranche ultérieure. 1821

Aureka a également fait état de collaborations de développement commercial et de structures de type NewCo avec plusieurs groupes pharmaceutiques multinationaux. 4 Ces partenariats et ces nouveaux capitaux lui donnent des moyens supplémentaires pour transformer des conceptions générées par modèle en programmes de recherche thérapeutique. 418

Il faut toutefois distinguer validation technologique et validation clinique. Le défi ne prouve ni que la plateforme d’Aureka produira des médicaments efficaces, ni qu’elle est globalement supérieure aux méthodes expérimentales de découverte d’anticorps. Il étaye une affirmation plus précise — et plus solide : dans un cadre d’optimisation bien défini, le flux de travail assisté par IA d’Aureka peut produire des anticorps très puissants et présentant des propriétés de développement acceptables. Il reste à vérifier si cette réussite se reproduira sur d’autres cibles et dans des conditions de découverte moins favorables.