Pharmacie et informatique quantique : la promesse à l'épreuve des faits

Une molécule est, par nature, un objet quantique. Pour savoir comment un médicament se fixe sur sa protéine cible, il faut calculer la danse de ses électrons — exactement ce que les ordinateurs classiques peinent à reproduire sans approximations. D’où l’espoir tenace de l’industrie pharmaceutique : et si l’ordinateur quantique parlait enfin le langage natif de la chimie ? En 2025, cet espoir a quitté le terrain des slides pour celui des publications.

La chimie, terrain naturel du quantique

Le problème central de la conception de médicaments tient en une question : quelle est l’énergie d’une molécule dans tel ou tel état ? Cette énergie détermine la solidité de la liaison entre un candidat-médicament et sa cible. Les méthodes classiques la calculent par approximations, qui introduisent des biais d’autant plus grands que la molécule est complexe. L’algorithme phare du domaine, le Variational Quantum Eigensolver (VQE), est précisément conçu pour estimer cette énergie fondamentale en faisant coopérer un processeur quantique et un ordinateur classique¹.

L’enjeu économique est colossal. Mettre un médicament sur le marché coûte cher et échoue souvent : une étude de RAND publiée en janvier 2025, portant sur 38 médicaments, établit un coût direct médian de 708 millions de dollars, la moyenne grimpant à 1,3 milliard sous l’effet de quelques cas extrêmes². En intégrant les échecs et le coût du capital, d’autres estimations atteignent 2,6 milliards et un délai de dix à quinze ans par molécule². Et seuls 6,7 % des candidats entrant en phase I parviennent à l’approbation, contre environ 10 % une décennie plus tôt². Sur cinq mille composés explorés en préclinique, cinq seulement atteignent les essais cliniques, et un seul, parfois, est approuvé². Tout gain de fiabilité en amont, là où l’on choisit les molécules à tester, peut donc faire basculer une économie entière : écarter plus tôt une piste vouée à l’échec vaut, à soi seul, des centaines de millions.

2025-2026 : les premières preuves concrètes

Les grands noms ne s’y sont pas trompés. IBM travaille avec GSK, Moderna et AstraZeneca ; Google explore la simulation moléculaire avec Boehringer Ingelheim ; Pfizer s’associe à IBM Quantum pour modéliser des interactions protéine-médicament longtemps restées hors de portée³. Mais le tournant tient aux résultats publiés, pas aux annonces.

En juin 2025, IonQ, associé à AstraZeneca, AWS et NVIDIA, a bâti un flux de travail hybride qui a réduit d’un facteur 20 le temps de simulation de la réaction de Suzuki-Miyaura par rapport aux méthodes classiques — première fois qu’un grand laboratoire affiche une accélération quantique tangible sur une tâche réelle de découverte⁴. La même année, l’équipe Moderna-IBM a étendu sa simulation du repliement de l’ARN messager à des problèmes atteignant 156 qubits et 950 portes non locales, pour comprendre comment les boucles de l’ARN influencent la synthèse des protéines⁵. Et en mars 2026, Cleveland Clinic et IBM ont publié le premier flux hybride simulant la structure électronique de la miniprotéine Trp-cage, soit 303 atomes, sur un processeur Quantum Heron¹. La simulation à l’échelle d’une protéine entrait, pour la première fois, dans la pratique.

L’optimisation, l’autre front

Au-delà de la chimie, le quantique promet d’optimiser le processus lui-même : sélection des patients dans les essais cliniques, repositionnement de molécules déjà approuvées vers de nouvelles indications, gestion des ressources de R&D. Ces problèmes d’optimisation combinatoire — choisir la meilleure configuration parmi un nombre astronomique de possibilités — sont voisins de ceux qu’aborde la méthode de l’annélation quantique pour l’industrie. Mieux cibler les patients qui répondront à un traitement, c’est aussi réduire la taille et la durée des essais, donc leur coût. En croisant rapidement les données sur des médicaments existants, un algorithme peut suggérer des indications inédites sans repartir de zéro — un levier précieux quand chaque échec coûte des centaines de millions.

C’est aussi là que la frontière avec l’intelligence artificielle se brouille. Beaucoup de gains annoncés en pharmacie viennent en réalité de flux hybrides où l’IA générative trie les pistes et le quantique affine la simulation. Cette complémentarité, au cœur de la convergence entre IA et informatique quantique, explique pourquoi le marché du quantique appliqué à la découverte de médicaments, estimé à 126 millions de dollars en 2025, pourrait atteindre 638 millions d’ici 2035³.

Le mur des qubits corrigés

Reste un avertissement que les laboratoires sérieux ne masquent pas. Simuler des molécules réellement complexes, à visée commerciale, exigera des milliers à des millions de qubits corrigés des erreurs⁶. Or les machines actuelles, encore bruyantes, n’en alignent qu’une poignée de fiables. Les démonstrations de 2025-2026 impressionnent par leur ambition, mais elles restent des preuves de concept exécutées sur des systèmes hybrides, dont l’avantage sur le calcul classique demeure étroit et contesté⁴. Le calendrier dépend donc directement de l’arrivée des ordinateurs tolérants aux fautes, dont notre dossier rappelle le caractère encore incertain.

La question que pose la presse spécialisée n’est plus « le quantique peut-il aider la pharmacie ? » mais « peut-il vraiment tenir ses promesses à court terme ? ». La réponse, prudente, est : pas tout de suite, mais déjà un peu. Les laboratoires qui se positionnent aujourd’hui parient moins sur un bénéfice immédiat que sur l’expérience accumulée — savoir-faire, jeux de données, équipes — qui fera la différence le jour où les machines tiendront enfin la charge.

Le signal à surveiller

L’industrie pharmaceutique a cessé d’observer le quantique de loin : elle y investit, publie et recrute. Le prochain jalon décisif ne sera ni une annonce de partenariat ni un record de qubits, mais le jour où une molécule passée par une simulation quantique entrera en essai clinique — puis franchira une phase. Ce sera la preuve que l’accélération n’est pas qu’algorithmique, mais thérapeutique. D’ici là, le pari le plus sûr reste l’hybridation : conjuguer IA, calcul classique et quantique pour grignoter, étape par étape, le coût et le risque d’un médicament. La révolution annoncée se jouera moins dans une rupture spectaculaire que dans une longue série de gains modestes mais cumulatifs.