La conception complète de RFdiffusion3 est désormais publique : ce système d'IA générative conçoit des protéines et des acides nucléiques en positionnant chaque atome, et une équipe internationale réunissant l'Université de Washington, l'Université d'Oxford, NVIDIA et d'autres institutions a publié ces travaux dans Science le 16 octobre 2026. Les détails divulgués le 19 octobre montrent que deux enzymes construites selon ses spécifications ont déjà rempli leurs fonctions prévues dans de vraies réactions chimiques. Pour la conception de protéines, l'enjeu n'est pas l'arrivée d'un modèle génératif de plus, mais le fait que la précision de conception a atteint le niveau atomique, là où la fonction se décide.
De la prédiction de structure à l'arrangement atome par atome
L'auteur correspondant, David Baker, dirige l'Institute for Protein Design de l'Université de Washington et a reçu le prix Nobel de chimie 2024 pour ses travaux sur la prédiction des structures protéiques. Son outil antérieur, RosettaFold, apprenait les relations spatiales entre acides aminés pour prédire l'allure de protéines existantes ; RFdiffusion en 2023 puis RFdiffusion2 en 2025 ont commencé à concevoir de nouvelles protéines, mais travaillaient toujours à l'échelle des résidus d'acides aminés, si bien que les atomes individuels, qui décident de la liaison et de la catalyse, ne pouvaient être qu'inférés indirectement.
RFdiffusion3 procède autrement. En s'inspirant de l'architecture de réseau d'AlphaFold3, il représente chaque acide aminé avec jusqu'à 14 atomes, le processus de diffusion ajuste directement les coordonnées tridimensionnelles de chaque atome, et il ne partage aucun code avec ses deux prédécesseurs. Les chercheurs peuvent formuler des conditions très concrètes : quels atomes doivent occuper quelles positions, comment les liaisons hydrogène doivent se former, dans quelles limites certains atomes peuvent se répartir à l'intérieur de la protéine, et le modèle génère alors une structure qui satisfait toutes ces contraintes à la fois. Fixer d'abord la chimie dans le détail, puis faire croître la molécule entière à partir de là, est exactement ce qui le distingue des outils travaillant au niveau des résidus.
Devant sur 37 des 41 sites actifs, et cela a fonctionné en laboratoire
Pour juger un outil de conception, deux questions comptent : ses calculs tiennent-ils, et ce qu'il produit fonctionne-t-il vraiment ? L'équipe a mené des conceptions comparatives sur 41 sites actifs d'enzymes existantes, et RFdiffusion3 a devancé RFdiffusion2 sur 37 d'entre eux, avec une vitesse de génération environ dix fois supérieure à celle de la génération précédente. La vérification expérimentale compte davantage : une phosphotriestérase et une enzyme de clivage peptidique conçues avec lui ont toutes deux catalysé en laboratoire les réactions chimiques prévues, au lieu de s'arrêter à un score informatique.
Ces mêmes résultats tracent aussi les limites. Ce qui est validé pour l'instant, ce sont des tâches comme les sites actifs d'enzymes, où l'objectif est clair et les contraintes peuvent être spécifiées avec précision ; entre un modèle qui catalyse une réaction et un médicament ou une thérapie, il reste l'expression, la stabilité, la sécurité et la production à grande échelle. Présenter RFdiffusion3 comme un outil capable de concevoir n'importe quelle protéine irait au-delà des preuves de l'article ; la lecture la plus juste est que plus les contraintes d'une tâche sont écrites précisément, plus son avantage devient net.
Ce qui est ouvert, c'est la méthode entière, pas seulement un fichier de modèle
RFdiffusion3 a déjà été publié en open source le 3 décembre 2025, avec le code et le code d'entraînement disponibles sur GitHub via la Foundry de Rosetta Commons ; l'article de Science y ajoute la justification complète de la conception et la validation expérimentale. Parmi les directions citées par l'équipe figurent des enzymes capables de dégrader les microplastiques, des facteurs de transcription synthétiques pour la thérapie génique et des biocapteurs pour la surveillance environnementale, des applications dont le point commun est d'exiger des interactions avec l'ADN et de petites molécules précises à l'atome près, en plein dans le domaine de force du nouveau modèle.
Parmi les travaux voisins, le filigrane de DeepMind pour les protéines conçues par IA traite de la manière de marquer et de tracer les résultats de conception, ce qui forme avec cette avancée vers une précision atomique une relation d'avant et d'après : à chaque progrès des capacités génératives, la vérification et la gouvernance deviennent plus difficiles à contourner. Pour les laboratoires ordinaires, RFdiffusion3 peut être téléchargé et essayé dès aujourd'hui ; le vrai test des prochains mois sera de savoir si des équipes indépendantes parviennent à reproduire avec lui des taux de réussite au niveau de l'article.
