“Les brevets sauvent des vies” : ce que la biologie open-source prouve du contraire

TL;DR : L’argument classique est bien rodé : sans brevets, les laboratoires n’auraient aucune raison d’investir dans la recherche. Résultat : les maladies qui tuent des millions de personnes dans les pays les plus pauvres restent sans traitement, faute de marché solvable. La biologie open-source propose une réponse différente : publier les données, partager les outils, décorréler le coût de la recherche du prix des médicaments. AlphaFold a libéré 200 millions de structures de protéines en accès universel. Des équipes de 400 universités construisent des solutions sans protection intellectuelle. Et l’OSDD indien a identifié des cibles thérapeutiques contre la tuberculose à moindre coût, là où l’industrie ne voyait pas de marché. Ce n’est pas de l’utopie — c’est déjà en production.

Il existe un paradoxe au cœur de la pharmacologie moderne : les maladies qui tuent le plus de personnes dans le monde sont précisément celles pour lesquelles le moins de médicaments sont développés.

La tuberculose tue encore plus d’un million de personnes par an. La leishmaniose touche des millions d’habitants dans des pays à faibles revenus. La maladie de Chagas également. Ces pathologies n’ont pas disparu des manuels de biochimie — elles ont simplement disparu des pipelines de développement des grandes firmes, parce que leurs victimes ne constituent pas un marché rentable.

Ce n’est pas une critique de la mauvaise volonté des chercheurs. C’est le résultat logique d’un modèle de financement de la recherche basé sur le brevet : investir massivement dans la R&D n’a de sens que si vous pouvez amortir cet investissement sur des ventes. Pas de marché, pas de recherche.

La question est donc : existe-t-il un modèle différent ?

L’Inde a essayé — et ça a fonctionné

En 2008, le Conseil pour la recherche scientifique et industrielle de l’Inde (CSIR) a lancé l’Open Source Drug Discovery (OSDD) — un programme de recherche collaborative et ouverte contre la tuberculose. L’idée était simple, radicale : appliquer à la découverte de médicaments les deux principes fondateurs du logiciel libre — la collaboration et l’accès ouvert.

Dans un article publié en 2012 dans PLOS Neglected Tropical Diseases, les chercheurs Christine Årdal et John-Arne Røttingen ont documenté ce que cette approche produit : une recherche de haute qualité à faible coût. Les facteurs de succès identifiés ? Des points d’entrée clairement définis, la transparence totale des données, et un financement couvrant les coûts matériels essentiels — rien de plus.

Plus important : ce modèle décorrèle le coût de la recherche du prix du médicament final. Dans le modèle propriétaire, l’entreprise intègre ses dépenses de R&D dans le prix de vente — ce qui explique des prix qui peuvent atteindre des dizaines de milliers de dollars par traitement. Dans un modèle open-source, la recherche est financée séparément (par des gouvernements, des fondations, des institutions académiques), et le résultat appartient à tous. L’équipe OSDD a identifié plus de 60 cibles thérapeutiques potentielles contre la tuberculose — des données que n’importe quel laboratoire au monde peut utiliser.

La nuance honnête : l’OSDD n’a pas encore produit de médicament commercialisé. Identifier des cibles est la première étape — les essais cliniques restent coûteux et longs, quel que soit le modèle. Ce que l’OSDD a prouvé, c’est que l’étape amont de la découverte peut fonctionner en open-source, à moindre coût, sur des maladies délaissées.

AlphaFold : quand l’IA devient infrastructure publique

Comprendre comment une protéine se replie dans l’espace tridimensionnel est l’une des clés fondamentales de la biologie moléculaire — et l’un des problèmes les plus difficiles de la science. Pendant des décennies, déterminer la structure d’une seule protéine pouvait prendre des mois ou des années de travail en laboratoire.

En 2022, Google DeepMind et l’Institut européen de bioinformatique (EMBL-EBI) ont publié quelque chose d’inédit : une base de données de 200 millions de structures de protéines prédites par AlphaFold, couvrant pratiquement toutes les protéines cataloguées connues de la science. Accès universel. Gratuit. Pour tous.

L’impact a été immédiat : en moins d’un an, plus de 500 000 chercheurs dans 190 pays avaient accédé à la base de données. Comme le note le blog DeepMind, cette ouverture a accéléré la recherche sur des problèmes aussi divers que la résistance aux antibiotiques et la pollution plastique. L’outil a reçu le qualificatif d‘“avancée singulière et monumentale en sciences de la vie” de la part d’Eric Topol, fondateur et directeur du Scripps Research Translational Institute.

Mais le passage qui intéresse Bloomii particulièrement, c’est celui-ci : DeepMind a explicitement noué un partenariat avec la Drugs for Neglected Diseases initiative (DNDi) pour avancer dans la recherche contre la leishmaniose et la maladie de Chagas — précisément les maladies pour lesquelles l’industrie ne voyait pas de marché. L’infrastructure ouverte sert ici comme levier direct pour des maladies délaissées.

Ce n’est pas une coïncidence. Quand les données sont ouvertes, la direction de la recherche n’est plus entièrement dictée par la solvabilité des patients.

iGEM : former la génération qui pense open-source par défaut

Chaque année depuis 2003, des équipes d’étudiants du monde entier se retrouvent à Boston pour l’International Genetically Engineered Machine (iGEM) — une compétition de biologie synthétique dont le principe fondateur est l’openness : les projets sont publics, les résultats partagés, les “pièces biologiques standardisées” déposées dans un registre commun.

En 2025, la communauté iGEM rassemble plus de 100 000 membres, avec 400+ équipes participant aux compétitions. Mais l’essentiel n’est pas dans les chiffres : c’est dans la culture qu’iGEM forge. Des milliers de jeunes biologistes apprennent que la science peut fonctionner comme le logiciel libre — où chaque contribution enrichit un bien commun plutôt que d’alimenter un portefeuille de brevets.

Les projets des équipes iGEM couvrent des sujets qui, souvent, n’auraient aucun attrait pour l’industrie pharmaceutique classique : des biosenseurs pour détecter des contaminants dans l’eau en zones rurales, des bactéries modifiées pour dépolluer des sols, des vaccins théoriques contre des maladies orphelines. Pas de marché évident — beaucoup de potentiel social.

Le modèle forme aussi une façon de travailler : transparence radicale, itération publique, documentation exhaustive. Des principes qui, si on les exporte dans la recherche académique et industrielle, changent fondamentalement qui contrôle les résultats scientifiques.

La fermentation de précision : la biologie ouverte se met à table

Certains développements de la biologie ouverte touchent à des questions encore plus tangibles : comment nourrir 10 milliards de personnes avec une empreinte planétaire réduite ?

La fermentation de précision est l’une des réponses en cours d’élaboration. L’entreprise américaine Perfect Day produit des protéines de lactosérum identiques à celles du lait — mais sans vache, par fermentation de champignons génétiquement modifiés. Une évaluation du cycle de vie certifiée selon la norme ISO 14067 et vérifiée par des experts indépendants a établi que ce procédé génère 91 à 97 % de gaz à effet de serre en moins que le lactosérum laitier conventionnel, avec 96 à 99 % d’eau en moins.

Un point de nuance indispensable : le calcul s’appuie sur le mix électrique américain, majoritairement fossile. Avec une énergie décarbonée, le bilan serait encore plus favorable. Et inversement, les bénéfices réels dépendent du contexte énergétique local.

Ce que la fermentation de précision illustre, c’est la puissance de combiner l’ouverture scientifique (les bases génomiques sur lesquelles ces travaux s’appuient sont largement publiques) avec des outils biologiques avancés. L’enjeu pour la suite : que ces technologies restent accessibles aux pays qui en ont le plus besoin, et ne reproduisent pas les inégalités d’accès du modèle pharmaceutique classique.

Ce que l’open-source ne peut pas faire seul

Il faut nommer les limites de ce modèle — elles sont réelles.

L’open-source ne fait pas disparaître les coûts. Identifier une cible thérapeutique est une étape parmi une douzaine avant qu’un médicament arrive dans une pharmacie. Les essais cliniques de phase 3 coûtent des centaines de millions de dollars, quel que soit le modèle. L’OSDD a prouvé que la phase de découverte peut être mutualisée — mais pas que l’ensemble du pipeline de développement peut l’être à budget nul.

L’open-source ne résout pas le problème de fabrication. Même si AlphaFold rend les structures protéiques accessibles, les équipements, les réactifs, les technologies de séquençage restent concentrés dans les laboratoires des pays riches. La fracture entre production et accès ne se comble pas par le seul partage des données.

L’open-source ne paie pas les salaires. Les chercheurs qui travaillent sur ces projets ont besoin de financements — souvent publics (gouvernements, universités, fondations philanthropiques). Ce modèle repose sur une volonté politique de financer la recherche comme bien commun, pas comme investissement à retour privé.

Ce que ces limites pointent n’est pas une faillite du modèle ouvert — c’est une invitation à compléter le tableau : financement public fort des phases amont, mécanismes de partage obligatoire des résultats, politiques de licences obligatoires pour les médicaments essentiels.

La biologie comme commun

Ce qui relie iGEM, l’OSDD, AlphaFold et la fermentation de précision n’est pas une technologie particulière. C’est une posture : la connaissance biologique comme bien commun, pas comme actif propriétaire.

Ce paradigme existe déjà dans d’autres sciences : les mathématiques, la physique théorique, l’astronomie ont toujours fonctionné sur le partage ouvert des résultats. La biologie, contaminée par le modèle pharmaceutique des années 1980, a dévié vers la privatisation. La biologie open-source est une tentative de correction de trajectoire.

Elle ne propose pas de supprimer la recherche privée — elle propose que la recherche sur les maladies négligées, les outils biologiques fondamentaux et les solutions alimentaires durables ne soit pas confisquée par le seul critère de la rentabilité à court terme.

Les 500 000 chercheurs qui utilisent AlphaFold gratuitement, les 100 000 membres de la communauté iGEM, les équipes indiennes qui cartographient la tuberculose sans brevet à l’horizon — ils dessinent déjà cette autre biologie. Elle n’est pas complète. Elle n’est pas sans friction. Mais elle existe, et elle produit des résultats.

Ce que vous pouvez faire

La biologie open-source n’est pas réservée aux chercheurs en blouse blanche.

• Suivre et soutenir iGEM si vous êtes enseignant, étudiant, ou simplement curieux : igem.org. Les projets des équipes sont publics — la lecture de leurs travaux est en elle-même un acte de soutien à ce modèle.
• Utiliser iNaturalist si vous vous intéressez à la biodiversité : avec près de 300 millions d’observations contribuées par 4,3 millions d’utilisateurs, c’est l’une des plus grandes bases de données naturalistes open-source au monde, qui alimente plus de 4 000 articles de recherche. Votre observation d’un insecte dans votre jardin contribue à la science.
• Interpeller les représentants politiques sur les licences obligatoires pour les médicaments essentiels et le financement public de la recherche sur les maladies négligées. Ce n’est pas une question technique — c’est une question de priorités collectives.

La prochaine avancée contre une maladie qui tue des millions de personnes pourrait venir d’un laboratoire universitaire indien, d’une base de données librement accessible, ou d’une équipe étudiante qui n’avait aucun brevet à protéger.

Ce serait bien.

Sources

• Open Source Drug Discovery in Practice: A Case Study — PLOS Neglected Tropical Diseases, 2012 (Årdal & Røttingen). Vérifié 2026-05-02.
• iGEM Foundation — International Genetically Engineered Machine — Site officiel iGEM. Vérifié 2026-05-02.
• AlphaFold Protein Structure Database — EMBL-EBI / Google DeepMind. Vérifié 2026-05-02.
• AlphaFold reveals the structure of the protein universe — Google DeepMind blog, 28 juillet 2022 (Demis Hassabis). Vérifié 2026-05-02.
• Life Cycle Assessment of Perfect Day Protein — Perfect Day, avril 2021 (ISO 14067, revue par experts indépendants). Vérifié 2026-05-02.
• iNaturalist — Wikipedia — Statistiques officielles relayées par Wikipedia (300M observations, août 2025). Vérifié 2026-05-02.