Six horloges protéomiques développées par six équipes indépendantes ont mesuré un âge biologique plus jeune chez les patients traités par rentosertib, une molécule dont la cible et la structure ont été trouvées par des systèmes d’IA. Le recul atteint 3 à 4 ans à la quatrième semaine, et jusqu’à 6 ans sur certaines horloges. L’échantillon reste de 42 patients, tous atteints d’une maladie pulmonaire grave.
Pour résumer
- Rentosertib inhibe TNIK, une cible identifiée par une plateforme d’IA puis dessinée par chimie générative
- Six horloges protéomiques indépendantes convergent sur un rajeunissement biologique mesuré
- L’essai portait sur 42 patients atteints de fibrose pulmonaire idiopathique, pas sur des sujets sains
Faire résumer cet article par une IA
ChatGPTUne molécule dont l’IA a choisi la cible avant de la dessiner
Le rentosertib, référencé ISM001-055, est un inhibiteur de TNIK, une protéine impliquée à la fois dans la fibrose et dans plusieurs mécanismes du vieillissement. La molécule est présentée comme potentiellement première de sa classe, c’est-à-dire sans équivalent déjà commercialisé sur cette cible.
Ce qui distingue ce candidat des autres, c’est la chaîne de production. La cible biologique a été identifiée par la plateforme de découverte d’Insilico Medicine, et la structure chimique a été générée par Chemistry42, son moteur de chimie générative. Les deux étapes en amont du travail de laboratoire ont donc été confiées à des systèmes d’apprentissage.
Le détail compte parce qu’il tranche avec la plupart des annonces du secteur. L’IA sert habituellement à trier des molécules existantes ou à prédire un repliement de protéine, en appui d’une hypothèse humaine. Ici, l’hypothèse elle-même vient de la machine, et c’est cette hypothèse qui est aujourd’hui testée sur des patients.
Le laboratoire n’en est pas à son coup d’essai sur les applications scientifiques de ces méthodes. Le même mouvement traverse les grands laboratoires d’IA généraliste, comme lorsque Claude a conçu des protéines qui ont ensuite fonctionné en laboratoire, avec la même logique de génération puis de validation expérimentale.
Ce que mesurent réellement les six horloges
Les données proviennent d’un essai de phase IIa randomisé, en double aveugle et contre placebo, mené sur des sites chinois en 2023 et 2024 chez des patients atteints de fibrose pulmonaire idiopathique. Quarante-deux participants ont accepté un suivi protéomique longitudinal, pour un âge moyen de 67,1 ans.
Le protocole a mesuré 2 841 protéines sériques à l’inclusion, puis aux semaines deux, quatre et douze. Ces profils ont ensuite été passés dans six horloges protéomiques distinctes, développées séparément par six groupes de recherche : ProtAge, des variantes d’OrganAge, PAC, ipfP3GPT et PAOPAC.
Une horloge protéomique estime l’âge biologique d’un individu à partir de la signature de ses protéines circulantes, indépendamment de sa date de naissance. L’intérêt de l’exercice tient à la convergence : six modèles bâtis sur des données et des méthodes différentes ont produit le même verdict directionnel sur la même cohorte.
Le recul mesuré atteint 3 à 4 ans à la semaine quatre sur le bras dosé à 30 mg deux fois par jour, et grimpe jusqu’à 6 ans sur certaines horloges. Michael Levitt, prix Nobel de chimie 2013, a résumé le résultat en une phrase : six horloges issues de six groupes indépendants, appliquées aux mêmes 42 patients, ont toutes rapporté un âge biologique plus jeune dans les bras traités.
Le bénéfice clinique visé, lui, a également bougé. La capacité vitale forcée progresse en moyenne de 98,4 mL sur le bras à 60 mg une fois par jour, quand elle recule de 20,3 mL sous placebo. Sur une maladie qui se définit par la perte progressive de fonction pulmonaire, c’est le critère qui compte.
D’autres articles sur Horizon
- Mistral lève 3 milliards et vise l’IA souveraine
- Artificial Analysis revoit son classement des IA
- La productivité d’Astra fait gagner six mois à OpenAI
Pourquoi 42 patients ne suffisent pas à conclure
Les auteurs posent eux-mêmes la limite centrale : l’étude ne permet pas de séparer un ralentissement du vieillissement d’une simple amélioration de la maladie pulmonaire traitée. Un patient dont les poumons vont mieux voit son profil protéique évoluer, sans qu’on puisse attribuer ce mouvement au vieillissement lui-même.
S’ajoutent les réserves d’échelle. Quarante-deux patients constituent une cohorte exploratoire, l’âge moyen dépasse 67 ans, et tous souffrent d’une pathologie sévère. Rien dans ce protocole ne dit ce que la molécule ferait sur une population en bonne santé, et les auteurs ne le prétendent pas.
La suite du programme reste d’ailleurs indexée sur la maladie pulmonaire, pas sur la longévité. Le rentosertib est passé en phase III en Chine sur la fibrose pulmonaire idiopathique, et c’est cette indication qui décidera de son sort réglementaire.
Pour les laboratoires concurrents, le signal est ailleurs que dans les six années affichées. Il tient au fait qu’une cible choisie par une machine a survécu jusqu’à la phase III, ce qui reste le seul juge de paix des méthodes de découverte assistée. Les campagnes qui s’arrêtent en préclinique ne prouvent rien.
Cette validation par étapes est exactement ce que d’autres acteurs cherchent à obtenir sur des terrains délaissés, comme lorsque Anthropic s’est attaqué aux maladies négligées avec Novartis. Le point commun de ces programmes est de miser sur des zones où l’hypothèse humaine manque, faute d’intérêt commercial ou de données accessibles.
Pour les équipes qui suivent les usages médicaux de ces modèles, la leçon est de méthode. Un résultat convergent sur six horloges vaut mieux qu’un score unique et spectaculaire, et le même réflexe vaut ailleurs : nous l’avions constaté quand GPT-5.5 Instant a battu des médecins sur les réponses santé, où la robustesse du protocole d’évaluation pesait plus que l’écart de score.
Affaire à suivre sur Horizon.
