Des millions de molécules végétales, longtemps inexploitables faute de moyens de criblage. Les modèles d'apprentissage changent l'équation, et remettent la pharmacognosie au centre de la découverte thérapeutique.
Un patrimoine chimique sous-exploité
Environ 40 % des médicaments approuvés dérivent, directement ou indirectement, de produits naturels. L'aspirine vient du saule, la metformine du lilas français, le paclitaxel de l'if du Pacifique, l'artémisinine de l'armoise annuelle. Pourtant, la recherche pharmaceutique s'est largement détournée des sources végétales dans les années 1990, au profit des chimiothèques de synthèse : plus rapides à cribler, plus faciles à breveter.
Le problème n'était pas le potentiel des plantes, mais le coût de l'exploration. Une seule espèce peut contenir des centaines de composés, dont l'isolement et la caractérisation prennent des mois. Multiplié par les quelque 370 000 espèces de plantes décrites, l'espace de recherche devenait ingérable avec les méthodes classiques.
Ce que l'apprentissage automatique débloque
Trois verrous cèdent en même temps.
Le criblage virtuel. Les modèles de prédiction d'affinité évaluent en heures des millions d'interactions molécule-cible qui auraient demandé des années de paillasse. Le tri ne remplace pas l'expérimentation, il la concentre sur les candidats plausibles.
La prédiction de structure. Depuis les modèles de repliement protéique, la modélisation des cibles biologiques n'est plus le goulot d'étranglement. On peut évaluer comment un composé végétal se lie à une protéine avant même de l'extraire.
La lecture des corpus ethnopharmacologiques. Des siècles d'usages traditionnels sont consignés dans des textes hétérogènes, souvent non numérisés, en plusieurs langues. Les modèles de langue permettent d'en extraire des hypothèses testables : quelle plante, pour quel usage, dans quelle préparation.
Ce que cela ne règle pas
La prudence reste de mise, pour trois raisons au moins.
D'abord, un usage traditionnel n'est pas une preuve d'efficacité. Il constitue une piste de recherche, pas un résultat clinique. Le passage de l'hypothèse à la démonstration reste soumis aux mêmes exigences que pour toute molécule : essais contrôlés, reproductibilité, évaluation du rapport bénéfice-risque.
Ensuite, la variabilité du matériel végétal complique la standardisation. Teneur en principes actifs variable selon le sol, la saison, la partie de la plante, le mode d'extraction. Ce qui est un détail en recherche devient un enjeu central dès qu'il s'agit de reproductibilité.
Enfin, une prédiction informatique n'est pas une validation. C'est le même fossé que l'on observe sur les dispositifs médicaux autorisés : la performance annoncée d'un modèle et sa valeur démontrée en conditions réelles sont deux choses distinctes.
Où va la recherche
Les programmes les plus avancés combinent trois briques : bases de données de composés naturels enrichies et structurées, modèles prédictifs entraînés sur des interactions connues, et validation expérimentale automatisée. L'objectif n'est pas de remplacer le criblage biologique, mais de réduire de plusieurs ordres de grandeur le nombre de candidats à tester.
Pour la pharmacognosie, discipline longtemps considérée comme marginale, c'est un retour au premier plan. Non pas parce que les plantes seraient redevenues à la mode, mais parce que le coût d'exploration de leur chimie a chuté.
Ce qu'il faut retenir
- Le patrimoine chimique végétal reste largement inexploré, faute de moyens de criblage jusqu'ici.
- Criblage virtuel, prédiction de structure et fouille des corpus traditionnels lèvent simultanément trois verrous.
- Ces méthodes produisent des hypothèses à tester, pas des conclusions thérapeutiques.
- La standardisation du matériel végétal demeure un obstacle majeur à la reproductibilité.
