AlphaFold2 à CASP14 : le repliement des protéines rencontre l’apprentissage profond (2020)
Lors de CASP14 en novembre 2020, AlphaFold2 de DeepMind a atteint une précision comparable aux méthodes de laboratoire lentes, ouvrant la voie à la base AlphaFold puis au prix Nobel.
Le 30 novembre 2020, les organisateurs de CASP14 — le test aveugle communautaire de prédiction de structure des protéines (CASP) — ont annoncé des résultats qui ont sidéré les biologistes structuraux. Le système AlphaFold2 de DeepMind, dirigé par John Jumper sous Demis Hassabis, a obtenu des scores de qualité laboratoire sur de nombreuses cibles. Un problème qui résistait depuis les années 1970 semblait soudain traitable.
Ce que mesure CASP
Les protéines se replient en formes tridimensionnelles qui déterminent largement leur fonction. À partir de la seule séquence d’acides aminés, il faut prédire cette forme. Tous les deux ans, CASP publie des séquences inédites ; les groupes soumettent des modèles ; des évaluateurs indépendants comparent aux structures expérimentales tenues secrètes jusqu’à la notation.
AlphaFold avait déjà participé, mais la version deux a combiné apprentissage profond, information évolutive des séquences et contraintes géométriques de façon à combler une large part de l’écart restant. Les scores médians sur cibles difficiles sont passés d’« indice utile » à « fiable pour beaucoup de questions biologiques », avant même les articles évalués par les pairs et le code public en 2021.
Du défi à l’infrastructure
DeepMind a présenté le résultat comme un grand défi résolu, pas une victoire ponctuelle. En quelques mois, l’équipe a publié des structures prédites pour de vastes pans du protéome connu, faisant d’AlphaFold un prototype de recherche devenu infrastructure partagée. Des laboratoires qui attendaient des mois de cristallographie pouvaient partir d’un modèle de haute qualité du jour au lendemain.
La même lignée a ensuite soutenu le prix Nobel de chimie 2024 partagé par Hassabis, Jumper et David Baker. CASP14 fut le moment public où la justification ultérieure du comité devint plausible : l’IA était passée de « benchmark intéressant » à « point de départ par défaut » en biologie moléculaire.
Pourquoi c’est important
AlphaFold2 à CASP14 a montré que l’apprentissage profond peut produire des instruments scientifiques, pas seulement de meilleurs classificateurs ou interfaces de chat. Cela a aussi clarifié la répartition des rôles : couplages évolutifs pour les contraintes globales, réseaux de neurones pour la géométrie locale, bases ouvertes pour multiplier l’impact.
Dans l’histoire de l’IA, l’épisode se place aux côtés d’AlphaGo comme preuve que la même boîte à outils DeepMind — grands modèles, calcul massif, évaluation rigoureuse — peut réécrire un domaine entier. Le repliement des protéines fut le cas le plus net où un benchmark, franchi de façon décisive, change la pratique d’autres sciences.