Un milliard de protéines en accès libre : le pari de la science ouverte contre la médecine propriétaire
Le Chan Zuckerberg Biohub a publié, fin mai 2026, un atlas de plus d’un milliard de structures protéiques générées par le modèle ESMFold2. Gratuit. Téléchargeable. Sans restriction d’usage. C’est la plus grande base de données de biologie structurale jamais mise en accès libre, et elle arrive au moment précis où la course à la propriété des données du vivant s’accélère entre laboratoires académiques et géants technologiques.
L’enjeu dépasse largement la biologie. La question de fond est simple : qui contrôlera les infrastructures de données qui alimenteront la médecine des prochaines décennies ?
L’essentiel
- Fin mai 2026, le Chan Zuckerberg Biohub publie un atlas de plus d’un milliard de structures protéiques en accès libre, généré par le modèle ESMFold2 développé par le Biohub.
- L’atlas couvre 6,8 milliards de protéines issues de l’ensemble du vivant, notamment des séquences métagénomiques (sol, océan, etc.), et non spécifiquement le protéome humain — couverture qui reste la spécialité de la base AlphaFold de DeepMind/EMBL-EBI.
- La publication intervient dans un contexte de tension croissante entre science ouverte et propriétarisation des données biologiques, notamment depuis qu’Alphabet a transformé AlphaFold en brique d’un service commercial.
- Le vrai test sera l’adoption par les équipes académiques et pharmaceutiques mondiales : une base ouverte n’a de valeur que si elle est utilisée et enrichie.
Ce que prédit une structure protéique — et pourquoi cela a pris un siècle
La protéine est la molécule qui fait. Elle transporte l’oxygène, détruit les virus, transmet les signaux nerveux, régule l’expression des gènes. Sa fonction dépend presque entièrement de sa forme en trois dimensions : deux protéines composées des mêmes acides aminés dans un ordre différent auront des formes différentes, et donc des fonctions radicalement différentes.
Prédire cette forme à partir de la séquence génétique — le problème du “repliement des protéines” — a résisté aux chercheurs pendant plus de cinquante ans. La raison est mathématique : une protéine de taille moyenne peut théoriquement prendre un nombre astronomique de configurations. L’approche expérimentale, par cristallographie aux rayons X ou cryo-microscopie électronique, produit des résultats d’une précision remarquable, mais elle prend des mois et coûte des dizaines de milliers d’euros par structure.
En 2021, DeepMind a changé la donne. AlphaFold2, le modèle de la filiale d’Alphabet, a prédit la structure de près de 200 millions de protéines avec une précision comparable aux méthodes expérimentales. La base de données correspondante, développée avec l’EMBL-EBI, a été publiée en accès libre et couvre le protéome humain quasi complet. Résultat immédiat : une accélération mesurable de la recherche sur les maladies négligées, les cibles thérapeutiques rares, les enzymes d’intérêt industriel. En quelques mois, AlphaFold2 est devenu l’un des articles scientifiques les plus cités de l’histoire récente.
Mais DeepMind n’est pas resté dans cette posture. En 2024, Alphabet a lancé AlphaFold3, dont les paramètres du modèle ont été partiellement restreints, avec une licence d’utilisation commerciale distincte. La science ouverte avait gagné une bataille en 2021 ; l’accès libre à l’infrastructure n’était pas acquis pour autant.
ESMFold2 et le milliard de structures du Biohub
Le modèle ESMFold2 est développé par le Chan Zuckerberg Biohub. Il s’inscrit dans la lignée d’ESMFold (v1), qui avait été développé par Meta AI Research (FAIR), mais les équipes à l’origine d’ESMFold2 — notamment celles issues d’EvolutionaryScale autour d’Alex Rives — ont depuis été recrutées par le Biohub. Contrairement à AlphaFold, qui utilise plusieurs étapes d’alignement de séquences pour prédire les structures, ESMFold repose sur un grand modèle de langage de protéines — une approche qui le rend beaucoup plus rapide, au prix d’une précision légèrement inférieure sur certaines catégories de protéines complexes.
Cette différence de vitesse est précisément ce qui rend l’atlas du Biohub possible. Générer un milliard de structures avec les méthodes expérimentales actuelles prendrait des milliers d’années et des ressources inimaginables. Avec ESMFold2 déployé à grande échelle sur les infrastructures de calcul du Biohub, cela prend quelques mois.
Le Chan Zuckerberg Biohub est une organisation philanthropique fondée en 2016 par Mark Zuckerberg et Priscilla Chan, dotée d’un financement initial de 600 millions de dollars. Son mandat est explicitement orienté vers la science ouverte et la collaboration entre disciplines. L’atlas publié en mai 2026 s’inscrit dans cette lignée : les structures sont téléchargeables, les métadonnées sont documentées, l’usage commercial n’est pas restreint.
Ce dernier point mérite attention. Un atlas de biologie structurale “ouvert” qui interdirait l’usage commercial aurait une valeur académique réelle mais une portée limitée dans le développement de médicaments, où les chaînes de valeur passent inévitablement par des acteurs industriels. L’absence de restriction est un choix délibéré.
L’atlas couvre 6,8 milliards de protéines issues de l’ensemble de l’arbre du vivant, avec une large composante métagénomique — séquences issues du sol, des océans et d’autres environnements. Sa vocation n’est donc pas de cartographier spécifiquement le protéome humain, rôle que remplit la base AlphaFold, mais d’offrir une couverture inédite de la diversité du vivant dans son ensemble.
La tension entre accès libre et captation — une histoire que l’on connaît ailleurs
La biologie moléculaire n’est pas le premier domaine à vivre cette tension. Dans l’IA elle-même, le mouvement open source — LLaMA de Meta, Mistral en Europe, Falcon des Émirats arabes unis — se heurte à la centralisation croissante des modèles les plus puissants chez OpenAI, Anthropic et Google. Le parallèle n’est pas seulement rhétorique : dans les deux cas, la question est de savoir si les infrastructures cognitives fondamentales resteront des biens communs ou deviendront des ressources contrôlées par quelques acteurs. L’article publié ici sur l’absorption des meilleurs laboratoires d’IA par Microsoft et Amazon illustre exactement ce mécanisme de capture — sans rachat formel, par le simple poids des ressources computationnelles.
En génomique, la tension est encore plus ancienne. Le projet Génome Humain (1990-2003) a été en partie une course entre un consortium public international et Celera Genomics, l’entreprise de Craig Venter qui voulait breveter le génome. Le consortium a gagné, en partie, en publiant ses données au fur et à mesure pour rendre les brevets caducs. Mais la leçon n’a pas définitivement tranché le débat : depuis, des entreprises comme 23andMe, Ancestry.com et leurs successeurs ont constitué des bases de données génomiques propriétaires de dizaines de millions de profils, sans que la question de leur gouvernance à long terme soit résolue.
L’atlas protéique s’inscrit dans cet héritage. Les protéines sont le niveau d’action des médicaments. Les anticorps, les petites molécules, les thérapies cellulaires — tous ciblent des protéines spécifiques dans des conformations spécifiques. Celui qui possède la carte complète du protéome humain en trois dimensions possède une infrastructure de découverte que personne d’autre ne peut reproduire facilement.
Ce qu’une base ouverte change concrètement pour la recherche pharmaceutique
La découverte de médicaments suit un entonnoir bien documenté. Sur dix mille molécules candidates identifiées en phase initiale, environ dix parviennent aux essais cliniques humains, et une seule obtient l’autorisation de mise sur le marché. Le coût moyen d’un médicament approuvé dépasse selon les estimations 1 à 2 milliards de dollars, mais ces chiffres sont largement débattus selon les périmètres retenus.
La phase où une base de structures protéiques change le plus les choses est la phase de criblage virtuel. Avant de synthétiser et tester physiquement des milliers de molécules, les équipes de recherche simulent informatiquement lesquelles sont susceptibles de se lier à une protéine cible dans une conformation donnée. La qualité de cette simulation dépend directement de la précision de la structure protéique disponible.
Pour les grandes cibles connues — les protéines impliquées dans les cancers communs, les maladies cardiovasculaires, le diabète — les structures expérimentales existent déjà dans des bases comme la Protein Data Bank (PDB), qui compte aujourd’hui plus de 220 000 structures. Mais pour les protéines moins étudiées, les organismes pathogènes émergents, les variants liés à des maladies rares, les structures n’existent souvent que sous forme prédictive ou pas du tout.
C’est là que l’atlas du Biohub change l’équation pour les équipes qui n’ont pas les moyens de l’industrie. Une université au Kenya, un laboratoire brésilien travaillant sur des maladies tropicales, une équipe vietnamienne sur des pathogènes locaux : aucune d’elles ne peut financer une campagne de cristallographie de grande ampleur. Avec un atlas ouvert, elles accèdent à la même carte de départ que les équipes de Novartis ou de Pfizer.
Ce raisonnement a une limite qu’il faut nommer. La précision d’ESMFold2 n’est pas uniforme. Sur les protéines intrinsèquement désordonnées, les complexes multiprotéiques, les protéines membranaires — catégories pourtant particulièrement intéressantes pour la pharmacologie — les modèles de langage protéique produisent des prédictions moins fiables que les approches hybrides utilisées par AlphaFold3 ou les méthodes expérimentales. L’atlas ouvre un accès ; il ne résout pas tous les problèmes de précision.
La bataille longue pour les données du vivant
L’horizon de cet atlas dépasse la biologie structurale. Ce qui se joue, sur vingt à trente ans, c’est l’architecture de contrôle de la médecine de précision.
La médecine de précision repose sur un principe : les maladies ne sont pas uniformes. Deux cancers du poumon peuvent avoir des profils moléculaires entièrement différents, et donc répondre à des traitements différents. Pour cartographier ces profils et identifier les traitements adaptés, il faut croiser des données génomiques, protéomiques, métabolomiques et cliniques à très grande échelle. Ceux qui possèdent ces données croisées possèdent la capacité prédictive.
Aujourd’hui, cette capacité se concentre. Les biobanques des NHS britannique et des grands centres académiques américains (NIH All of Us, UK Biobank, FinnGen en Finlande) restent en accès encadré mais ouvert. Mais les données propriétaires s’accumulent aussi : Tempus AI, fondé par Eric Lefkofsky, a constitué l’une des plus grandes bases de données d’oncologie clinique privées aux États-Unis, valorisée à plusieurs milliards de dollars en 2024. Flatiron Health (racheté par Roche) agrège des données oncologiques à partir des dossiers médicaux électroniques de centaines d’hôpitaux. La question de la gouvernance de ces données — qui y accède, à quel prix, pour quels usages — ne fait l’objet d’aucun cadre international stable.
La publication du Biohub ne résout pas cette question. Mais elle crée un précédent de valeur : une infrastructure de données fondamentales aussi grande peut être maintenue en accès libre, à coût acceptable, avec un financement philanthropique. Ce précédent aura du poids dans les débats réglementaires à venir, notamment en Europe où le règlement sur les données de santé (EHDS, European Health Data Space) tente depuis 2022 d’organiser le partage des données médicales à l’échelle continentale.
Ce qui rend la tension plus aiguë encore, c’est la convergence entre les données structurales et les données génomiques. Des entreprises comme Isomorphic Laboratories (filiale de DeepMind, fondée en 2021) ou Recursion Pharmaceuticals travaillent sur des modèles qui intègrent structures protéiques, données cellulaires et données cliniques pour prédire non plus seulement la forme d’une protéine, mais directement l’effet d’un médicament. Si ces modèles intégrés restent fermés, l’atlas ouvert du Biohub sera précieux mais insuffisant : il sera une pièce libre dans un puzzle dont les clés sont propriétaires. C’est une fragilité structurelle de la stratégie d’ouverture, et elle mérite d’être nommée clairement.
À l’inverse, si l’atlas est effectivement utilisé et enrichi par la communauté académique mondiale — si des équipes en Afrique, en Asie du Sud-Est, en Amérique latine construisent dessus — il crée une masse critique qui complique la capture. Aucune entreprise ne peut aisément remplacer une infrastructure sur laquelle des milliers d’équipes ont fondé leurs travaux. C’est exactement ce qui s’est passé avec Linux, avec les logiciels Apache, avec Wikipedia : la taille de la communauté d’utilisateurs devient un rempart contre la propriétarisation.
Cette dynamique a une composante générationnelle. Les chercheurs qui commencent leur carrière aujourd’hui avec un accès libre à un atlas d’un milliard de structures auront une intuition différente de ce qui est “normal” en matière d’accès aux données. Ils construiront des pratiques, des outils, des attentes qui rendront politiquement difficile, vingt ans plus tard, de fermer l’accès à des infrastructures comparables. Le précédent technique est aussi un précédent culturel.
Ce que l’adoption dira dans dix-huit mois
L’atlas est publié. La question suivante est empirique : combien d’équipes l’utilisent, pour quoi, avec quels résultats ?
Les métriques à surveiller sont connues. Le nombre de téléchargements et de cititations est le premier signal, mais il est imparfait : une base téléchargée sans résultat publié ne démontre rien. Les marqueurs plus solides seront les publications qui citent l’atlas comme source de structures primaires, les dépôts de nouvelles structures validées expérimentalement qui confirment ou corrigent les prédictions d’ESMFold2, et les essais cliniques de médicaments dont la découverte initiale a utilisé les données de l’atlas.
Le précédent d’AlphaFold2 est encourageant. Selon les données de l’EMBL-EBI, la base de données AlphaFold avait été téléchargée plus de 1,5 million de fois et citée dans plus de 14 000 publications scientifiques dans les deux ans suivant sa publication. Des équipes travaillant sur la malaria, la leishmaniose, la maladie de Chagas — toutes des maladies tropicales négligées — ont cité les structures AlphaFold comme point de départ de leurs programmes de criblage. Le Medicines for Malaria Venture a identifié de nouvelles cibles thérapeutiques à partir de structures AlphaFold ; plusieurs molécules candidates sont aujourd’hui en essais précliniques.
L’atlas du Biohub part sur une base plus large, avec un modèle différent et une couverture potentiellement plus étendue. Ses limites de précision sont documentées et connues. La transparence sur ces limites est en elle-même une bonne pratique : une base de données qui surévalue sa précision est dangereuse ; une base de données honnête sur ses marges d’erreur est utilisable de manière fiable.
Dans dix-huit mois, si des équipes en Asie du Sud-Est ou en Afrique subsaharienne publient des travaux utilisant l’atlas comme infrastructure, le Biohub aura démontré quelque chose que les instituts philanthropiques sont rarement en mesure de démontrer : que la science ouverte peut être une stratégie efficace, pas seulement un idéal. Si l’atlas reste principalement utilisé par les équipes qui auraient de toute façon eu accès à des ressources alternatives, la publication aura eu de la valeur, mais elle n’aura pas changé la géographie de la recherche.
La bascule n’est pas garantie. Mais pour la première fois depuis des années dans ce secteur, un acteur majeur a choisi, délibérément et à grande échelle, de ne pas capturer ce qu’il aurait pu capturer.
Sources
- Futura Sciences / Chan Zuckerberg Biohub — Atlas d’un milliard de protéines, mai 2026
- EMBL-EBI — Base de données AlphaFold (données d’usage et statistiques de téléchargement) : alphafold.ebi.ac.uk
- Protein Data Bank — rcsb.org (statistiques de structures déposées)
- Nature — Publication originale AlphaFold2 (Jumper et al., 2021), sans lien garanti
- DeepMind / Isomorphic Laboratories — annonce de création, 2021 (sources institutionnelles, sans URL garantie)
- NIH All of Us Research Program — allofus.nih.gov
- UK Biobank — ukbiobank.ac.uk
- Communiqué officiel Biohub sur ESMFold2 / ESM Atlas (27 mai 2026) — biohub.org/news/world-model-of-protein-biology/
- Google DeepMind — AlphaFold (page officielle) : deepmind.google/science/alphafold/
- AlphaFold3 — Conditions d’utilisation des paramètres (GitHub DeepMind) : github.com/google-deepmind/alphafold3
- EMBL-EBI — AlphaFold Database : alphafold.ebi.ac.uk
- Wikipedia — Chan Zuckerberg Biohub : en.wikipedia.org/wiki/Chan_Zuckerberg_Biohub
- Science (2012) — The Protein-Folding Problem, 50 Years On : science.org/doi/10.1126/science.1219021
- Nature — 23andMe plans to sell its huge genetic database : nature.com/articles/d41586-025-01004-3
- STBIO — Coût d’une structure protéique : stbio.de/kosten_en.html