Pourquoi l’industrie pharmaceutique basée sur l’IA commence-t-elle à réévaluer la valeur des essais cliniques en aval ?

Le 18 mars, la société pharmaceutique d’IA Deep Intelligent Yao a annoncé avoir finalisé une levée de fonds de près de 200 millions de dollars lors de la série D. En réalisant plusieurs levées de fonds intensives en seulement trois mois, elle a rapidement levé plus d’un milliard de RMB, un rythme et une densité rares dans l’industrie.

Actuellement, le marché des capitaux combine enthousiasme et rationalité, la certitude des retours remplaçant la narration technologique, ce qui concentre l’attention des investisseurs. L’IA pharmaceutique émerge comme une force nouvelle, avec des entreprises comme Jing Tai Technology et Yingxi Intelligent déjà cotées à Hong Kong, et des collaborations telles que celle entre Eli Lilly et Nvidia pour créer une « usine pharmaceutique IA », rendant la piste extrêmement dynamique.

Fondée en 2017, Deep Intelligent Yao, contrairement à beaucoup d’entreprises brillantes, a maintenu une discrétion de longue date. Son domaine de spécialisation, autrefois considéré comme peu connu et difficile à percer dans l’IA pharmaceutique, est la phase de développement clinique et la génération de preuves.

Le développement de médicaments se divise généralement en plusieurs étapes : découverte de médicaments, phases précliniques, essais cliniques et dépôt réglementaire. Depuis plusieurs années, la narration la plus en vogue dans l’industrie se concentre sur la phase de découverte, notamment l’utilisation de l’IA pour prédire la structure des protéines, concevoir des molécules et sélectionner des cibles.

Deep Intelligent Yao se concentre quant à elle sur la phase en aval, autour de la chaîne de preuves que constituent les essais cliniques. Elle construit, à partir de stratégies cliniques, de la conception de protocoles, de l’exécution des centres de recherche, jusqu’à la gestion des données électroniques (EDC), la gestion des données, la programmation clinique/statistique, la rédaction médicale, la pharmacovigilance et le soutien à l’enregistrement, un système intégré de livraison piloté par l’IA. Elle a également accumulé une capacité de livraison stable à travers de nombreux projets réels.

Ce système ne repose pas sur un seul outil, mais sur un système multi-agent semblable à un cerveau humain. Par la décomposition des tâches, la collaboration entre rôles, la vérification par feedback et l’auto-évolution récursive, il organise des flux de travail complexes, fortement contraints, et transversaux, dans la recherche clinique. Cela permet à un processus traditionnellement dépendant des experts humains d’être systématisé et industrialisé.

C’est précisément cette architecture multi-agent qui a permis à Deep Intelligent Yao de devenir une cible rare dans cette piste en plein essor, attirant enfin l’attention.

Pour l’industrie pharmaceutique basée sur l’IA, cela signifie que le centre d’intérêt se déplace du front-end vers l’arrière, marquant une étape importante vers la création de véritables bénéfices pour l’humanité. Et cette étape a pris près de dix ans.

Contre-courant dans le vent

La première onde de choc de l’IA dans l’industrie pharmaceutique est survenue avant même l’émergence de Transformer.

La même année que la victoire d’AlphaGo sur Lee Sedol, Google a lancé le système GNMT (Google Neural Machine Translation), initialement conçu pour améliorer ses services de traduction en ligne, mais qui a aussi résolu un problème épineux pour l’industrie pharmaceutique : la traduction de documents médicaux.

En 2016, Google a publié le modèle GNMT, avec une amélioration significative de la précision de traduction.

De la conception de protocoles d’essais, des consentements éclairés, des manuels de chercheurs, aux rapports de cas, aux rapports d’études cliniques et aux dossiers réglementaires, la quantité de documents à traduire pour un nouveau médicament peut remplir plusieurs camions. La traduction doit être à la fois extrêmement précise sur le vocabulaire et compréhensible pour que les participants saisissent la conception de l’étude, les indications, les endpoints, les hypothèses statistiques et le contexte réglementaire.

Pour l’industrie pharmaceutique, le défi n’a jamais été simplement de traduire une phrase, mais d’aligner la logique médicale, statistique, opérationnelle et réglementaire tout au long de la chaîne. Toute déviation dans un terme, un endpoint, une hypothèse ou une norme de données peut s’amplifier dans les étapes suivantes, risquant de faire perdre des centaines de millions de coûts de R&D, avec une tolérance à l’erreur très faible.

L’émergence de GNMT a fait de la traduction une entrée pour l’IA dans la R&D pharmaceutique, et a aussi placé la compréhension au cœur du problème.

Dans une certaine mesure, la recherche de médicaments est une industrie hautement basée sur la connaissance, où le texte et les données sont la forme ultime de présentation. En allant plus loin dans la traduction, l’objectif final est de résoudre la difficulté de « l’expression linguistique » dans tout le processus de développement.

Un nouveau médicament, depuis le laboratoire jusqu’à la clinique, puis à l’approbation, n’est pas un seul molécule, mais une chaîne complète de preuves : protocoles d’essais, manuels de chercheurs, consentements, plans d’analyse statistique, rapports d’études, dossiers réglementaires, etc. En essence, c’est une ligne de production composée de textes, de données et de responsabilités.

Beaucoup de médicaments échouent à la veille de leur mise sur le marché, non pas faute de valeur clinique, mais parce qu’ils échouent dans cette « ligne de production » lors de la phase de « linguistique », où des pertes d’informations ou des ruptures logiques empêchent de transformer les données de R&D en une chaîne de preuves scientifiques reconnues par la réglementation. La valeur scientifique du médicament est ainsi dissimulée ou mal interprétée.

Une conviction précoce de Deep Intelligent Yao a été : dans l’industrie pharmaceutique, la compréhension est plus difficile que la génération, et la collaboration pour générer est encore plus cruciale. Seules, des capacités stables de compréhension, de vérification et de collaboration dans des environnements à haute contrainte permettent d’accéder à la création et à la décision.

C’est pourquoi, dès la création, l’entreprise a défini une voie claire : démarrer par la traduction, puis étendre vers la rédaction médicale, la gestion des données, la programmation statistique et l’opération clinique, pour finalement couvrir toute la chaîne de production.

La logique est que la traduction, avec ses référentiels clairs et ses critères de correction, constitue la « monnaie dure » pour valider la compréhension du modèle. À partir de là, on peut progressivement maîtriser la planification, le raisonnement et l’exécution intermédiaires.

En regardant en arrière, cette trajectoire s’avère très visionnaire, mais à l’époque, elle semblait aller à contre-courant.

D’une part, les capacités des modèles n’étaient pas encore matures, GNMT dépendait encore des RNN, avec une faible efficacité de calcul. Bien que les Transformers, qui ont suivi, aient résolu ce problème et popularisé le pré-entraînement, ils n’ont pas changé la nature de l’IA comme simple outil d’assistance, incapable de remplacer totalement les experts.

D’autre part, l’industrie pharmaceutique exige une réserve de « savoir-faire » très profonde.

Prendre l’exemple de la rédaction du protocole d’essai clinique central, la simple construction d’un squelette basé sur une masse de littérature et de données historiques n’est que la première étape. Ensuite, une équipe d’experts en médecine, statistique et clinique intervient en profondeur.

Un seul protocole couvre plusieurs départements : médecine, pharmacologie clinique, statistique, programmation, gestion des données, pharmacovigilance. Même une petite modification nécessite une révision majeure. Au début, Deep Intelligent Yao ne visait pas une automatisation totale, mais un processus rigoureux de vérification et de validation dans des projets réels.

Par ailleurs, la sortie de AlphaFold a profondément changé la perception de l’IA dans l’industrie pharmaceutique.

AlphaFold, conçu pour la prédiction de structures protéiques, résout le problème clé de l’analyse des structures cibles, réduisant des années d’expériences coûteuses à quelques minutes.

AlphaFold prédit la structure des protéines

Dès lors, « la conception de molécules par IA » est devenue une des principales orientations technologiques du secteur. Les grandes entreprises pharmaceutiques et startups s’y engouffrent, faisant de la découverte de médicaments le centre d’intérêt des capitaux.

Deep Intelligent Yao, quant à elle, opère dans l’ombre dans la conception clinique en aval, en affinant ses compétences dans des projets réels, accumulant du savoir-faire, renforçant la technologie, et consolidant ses algorithmes fondamentaux.

Puis, une crise majeure a propulsé Deep Intelligent Yao et ses semblables sur le devant de la scène.

Réévaluation de la valeur

En 2023, les premiers médicaments conçus par IA ont connu une débâcle collective lors de la phase clinique.

Le principal pipeline de BenevolentAI, licorne européenne de l’IA pharmaceutique, avec le candidat BEN-2293, a échoué en phase 2, entraînant une chute de son cours et des licenciements massifs. De même, Exscientia, un leader du secteur, a arrêté le développement de sa ligne en oncologie précoce, EXS-21546 (antagoniste du récepteur A2A).

BenevolentAI annonce l’échec de l’essai de phase IIa de BEN-2293

Ces échecs successifs ont brisé le mythe de la « génération automatique de nouveaux médicaments par IA ».

L’industrie et le capital ont compris que le chemin entre la conception de molécules et la mise sur le marché est bien plus long qu’on ne le pensait.

De la conception des essais, à l’enrôlement, la qualité des données, l’interprétation statistique, jusqu’à la communication réglementaire et le dépôt, une erreur à chaque étape peut tout faire échouer. C’est un processus sans retour en arrière, une « bataille » où la livraison finale à l’autorité réglementaire consiste en un ensemble cohérent de textes, de données et de preuves explicables.

Le capital ne se contente plus d’investir dans la puissance de calcul ou le nombre de molécules, mais commence à s’interroger sur l’efficacité des pipelines en phase clinique. La stratégie « molécules lourdes, phases cliniques légères » de l’IA pharmaceutique est ainsi remise en question.

Des entreprises comme Deep Intelligent Yao, spécialisées dans la recherche clinique en aval, entrent dans le viseur des investisseurs.

Aujourd’hui, Deep Intelligent Yao a traversé la période de développement technologique et de résolution des défis, et est devenue autonome financièrement.

Conformément à la vision initiale, elle a étendu ses capacités du traitement de texte et de la rédaction vers des modules plus centraux pour la CRO clinique : gestion des données, programmation clinique/statistique, gestion des sites et soutien réglementaire, formant progressivement une plateforme couvrant tout le cycle des essais.

Son activité s’est également étendue à la Chine, au Japon, aux États-Unis, en Australie, à Singapour et en Asie du Sud-Est, avec notamment un réseau solide de centres de recherche et de PI au Japon, conférant un avantage localisé.

Exemples de cas sur le site de Deep Intelligent Yao

Sur le plan technologique, Deep Intelligent Yao ne se contente pas de suivre la dernière génération de modèles, mais reconstruit son système en fonction des contraintes élevées et du faible taux d’erreur du secteur pharmaceutique, en insistant sur la contrôlabilité et la collaboration.

La transformation la plus profonde a eu lieu lors de l’itération de la version 2.0 vers la version 3.0 en 2019.

À cette époque, les grands modèles de langage (LLM) commençaient à émerger, mais Deep Intelligent Yao avait déjà compris que leur problème principal n’était pas de « ressembler à un humain », mais de « se justifier comme un humain ».

Les LLM, entraînés sur d’énormes volumes de données pour prédire le mot suivant, puisant principalement dans l’expérience accumulée, ont tendance à produire des discours conformes à la logique empirique plutôt qu’à la vérité absolue.

Dans l’industrie pharmaceutique, cette illusion n’est pas un problème d’expérience, mais une question de fondation scientifique.

Une citation ou donnée fictive peut corrompre toute la chaîne de recherche ; une information fausse sur la sécurité d’un médicament peut entraîner des blessures graves ou la mort des sujets ; une illusion parfaitement emballée peut faire perdre des milliards d’investissements en une seule fois.

En tant que pionnier dans le domaine, Deep Intelligent Yao a compris cela bien avant que l’industrie ne s’accorde sur ce point, 4 à 5 ans en avance. Cela signifie qu’il n’existe pas encore de standards établis, ni d’outils prêts à l’emploi, et qu’il faut tout reconstruire à partir de la base.

C’est à cette étape que Deep Intelligent Yao a commencé à changer de perspective, passant de « comment faire un modèle plus puissant » à « comment construire un système plus contrôlable, collaboratif et capable de gérer des flux de travail complexes en recherche clinique ».

Sa solution n’est pas de continuer à miser sur un seul modèle monolithique, mais de « décomposer le cerveau ».

Ce qu’on appelle « décomposer le cerveau » ne consiste pas simplement à diviser un modèle en plusieurs modules fonctionnels, mais à décomposer des tâches complexes en intelligences artificielles aux capacités bien délimitées, responsables respectivement de la décision, de la planification, de la recherche, de la rédaction, de la programmation, de la révision et de la validation, qui communiquent entre elles via des circuits de feedback semblables à des connexions neuronales, pour s’auto-vérifier et s’équilibrer mutuellement.

Au cœur de cette architecture, il ne s’agit pas seulement d’une collaboration multi-rôles, mais d’un mode de fonctionnement semblable à celui du cerveau humain. Comme un réseau neuronal, le système ne sort pas une réponse linéaire, mais revient en permanence en arrière pour revoir, corriger, réorganiser la tâche. Si une étape ne respecte pas les contraintes, il déclenche une nouvelle itération, jusqu’à obtenir un résultat satisfaisant.

En d’autres termes, il possède la capacité de réflexion récursive, de correction récursive et d’auto-évolution récursive. Ce n’est pas une réponse unique, mais un système de travail qui réfléchit, corrige et s’améliore en continu.

Aujourd’hui, cette approche ressemble étonnamment au concept d’« agent » qui fait fureur.

En 2023, Microsoft a invité Deep Intelligent Yao à participer à une conférence privée pour développeurs, où elle a présenté le cadre des agents.

Pour Deep Intelligent Yao, cela ressemble à une « nomination externe » : le système de collaboration entre plusieurs petits modèles internes, qui a évolué vers un véritable système multi-agent.

Ce système multi-agent semblable à un cerveau humain commence à prendre forme. Il ne s’agit pas seulement d’un moteur de flux de travail reliant des tâches, mais d’un « cerveau bionique » constitué d’un grand nombre d’agents atomiques de haute précision : capable d’organiser le travail autour d’un objectif, tout en réfléchissant, vérifiant et s’auto-évoluant en permanence lors de l’exécution.

Le système multi-agent (Multi-Agent) de Deep Intelligent Yao

À partir de là, la véritable puissance de Deep Intelligent Yao est pleinement révélée.

La montée en puissance de l’humain

En 2025, une collaboration avec la société japonaise d’innovations pharmaceutiques Immunorock a propulsé Deep Intelligent Yao sous les projecteurs.

En tant que troisième plus grand marché pharmaceutique mondial, le Japon est réputé non seulement pour ses capacités en R&D, mais aussi pour ses normes d’évaluation extrêmement strictes par la PMDA (Agence japonaise des médicaments). La plateforme clinique d’Immunorock, soutenue par Deep Intelligent Yao, a réussi à obtenir une approbation PMDA en une seule étape, sans retouches, ce qui est exceptionnel.

Dans cette collaboration, le système multi-agent semblable à un cerveau humain de Deep Intelligent Yao a participé à l’intégration d’informations, à la planification de trajectoires et à la simulation numérique. Différents agents ont analysé séparément les objectifs, les critères d’inclusion/exclusion, le nombre d’échantillons, le parcours d’exécution, la structure des données et les contraintes réglementaires, puis ont effectué des vérifications croisées par feedback.

Grâce à cette démarche récursive, le système a anticipé et identifié des défauts potentiels dans la conception, permettant à l’équipe de les corriger avant la finalisation du protocole. Il ne s’agit pas d’accélérer la rédaction, mais de déplacer la résolution de nombreux problèmes potentiels de la phase de conception vers celle de la planification.

Il est important de noter que, conformément aux exigences réglementaires et éthiques, toutes les livraisons clés finales doivent toujours être examinées, signées et approuvées par des professionnels qualifiés.

Immunorock n’est qu’un exemple parmi de nombreux cas illustrant que, pour la première fois, des travaux longtemps considérés comme très dépendants de l’expérience et de la collaboration humaine, tels que la conception de protocoles cliniques, peuvent être systématiquement organisés, vérifiés par récursion et livrés à grande échelle.

Le développement traditionnel en recherche clinique est essentiellement une guerre coûteuse de la main-d’œuvre : un département rédige, un autre modifie, puis la vérification statistique, l’ajout de données, la conformité réglementaire, tout cela tourne en boucle. Le temps est ainsi consommé dans la communication, la correction et la confirmation.

Une fois que l’IA peut réaliser de manière stable la décomposition des tâches, la génération de contenu, l’auto-contrôle et la vérification des contraintes, ce processus passe d’un « travail humain assisté par machine » à un « travail machine généré, vérifié par un système, signé par un expert ».

Le rôle de l’IA n’est plus seulement de prédire ou de classer, mais de constituer un système organisé autour d’un objectif.

La valeur d’un système multi-agent semblable à un cerveau humain ne réside pas dans la production d’une réponse unique, mais dans sa capacité à décomposer les tâches, planifier les chemins, formuler des hypothèses, vérifier l’exécution et résumer les résultats en boucle fermée, tout en s’auto-optimisant en permanence.

Autrefois, c’était l’humain qui définissait les étapes, et le système qui exécutait ; aujourd’hui, c’est l’humain qui fixe l’objectif, et le système qui répartit les rôles, utilise des outils, vérifie les contraintes, puis produit une sortie vérifiable.

Le rôle de l’humain s’élève, plutôt que d’être remplacé, permettant une création de valeur plus efficace et durable.

Dans un système d’agents, le rôle de l’humain est « surélevé »

L’industrie pharmaceutique reste un secteur où la signature de professionnels qualifiés et la responsabilité sont essentielles. Médecins, statisticiens, experts en pharmacovigilance et gestion des données restent les garants finaux. Mais l’intervention de l’IA permet aux experts de se libérer des tâches répétitives, pour se concentrer sur des jugements clés, la délimitation des frontières et la responsabilité ultime.

Une fois ce cadre « objectif—génération—vérification—auto-évolution » opérationnel, les enjeux dépassent largement la seule recherche clinique. C’est aussi la logique fondamentale par laquelle Deep Intelligent Yao ouvre un nouveau champ dans la science des matériaux.

En abstrait, en remontant à un niveau fondamental, on constate que les domaines apparemment très différents — médicaments, pesticides, matériaux semi-conducteurs, batteries, aciers spéciaux — poursuivent tous la même tâche : rechercher la solution optimale dans un espace de solutions défini, sous des contraintes précises, en vérifiant et en convergeant. La différence réside uniquement dans l’ensemble de contraintes et la méthode de vérification.

La logique de recherche en matériaux de Deep Intelligent Yao

En mars de cette année, Deep Intelligent Yao a conclu un partenariat stratégique avec le géant de l’agrochimie verte, Tahe Co., pour accélérer la R&D de nouveaux pesticides, en s’appuyant sur son architecture bionique de cerveau artificiel multi-agent et son système auto-évolutif récursif.

Que ce soit pour la recherche de médicaments innovants ou de pesticides innovants, l’essence est de trouver la meilleure combinaison dans l’espace chimique.

Les agents IA du système multi-agent de Deep Intelligent Yao peuvent planifier, rechercher et vérifier de manière autonome dans un espace chimique immense, découvrant de nouvelles architectures moléculaires et mécanismes d’action difficiles à atteindre par la R&D traditionnelle. Cette capacité, déjà validée dans le secteur pharmaceutique, constitue une application de « réduction de dimension » dans le domaine des pesticides.

Cette transférabilité technologique augmente considérablement la valeur de Deep Intelligent Yao, attirant un afflux de capitaux.

Selon les investisseurs de ses dernières levées, en plus de Sequoia China et Dingding Capital, on trouve d’autres nouveaux actionnaires comme Dymon Asia, Xincheng Capital, Jinyi Capital et Kaita Capital, mêlant fonds américains de premier plan et institutions industrielles, avec un line-up prestigieux.

L’intérêt des capitaux traduit une tendance : le marché commence à réévaluer la véritable capacité rare des entreprises d’IA pharmaceutique, pas seulement leur capacité à raconter une histoire technologique, mais leur capacité à livrer de manière stable des travaux complexes.

Dans une certaine mesure, Deep Intelligent Yao ne se limite pas à une CRO traditionnelle ni à une version industrielle d’un agent grand public.

Sa compétence la plus profonde ne réside pas dans un seul outil, ni dans un simple modèle entraîné sur des données, mais dans une méthodologie, un savoir-faire accumulé au fil des livraisons réelles, et dans un système multi-agent semblable à un cerveau humain, capable d’intégrer stratégie clinique, exécution sur site, gestion des données, programmation clinique/statistique, rédaction médicale et organisation réglementaire.

C’est cette capacité qui constitue l’actif et l’avantage concurrentiel le plus difficile à copier pour Deep Intelligent Yao.

Pour conclure

En 2024, le prix Nobel de chimie sera en partie attribué à David Baker, le « père » de la conception de protéines, et en partie à Demis Hassabis et John Jumper, les développeurs d’AlphaFold.

David Baker (à gauche), Demis Hassabis (au centre), John Jumper (à droite)

L’attribution conjointe à deux figures majeures de l’IA est interprétée comme une « reconnaissance officielle » de l’intégration de l’informatique dans la science de la vie — non plus comme un simple outil d’aide, mais comme un moteur central de l’évolution industrielle.

Cette capacité d’évolution s’étend désormais du front de la découverte de médicaments à l’ensemble du processus de R&D.

Pour l’industrie pharmaceutique, la prochaine étape de rareté ne sera pas seulement la capacité à « trouver une réponse », mais à « achever un travail » et à « livrer un ensemble complet de preuves ».

Passer de la reconnaissance moléculaire par machine à l’organisation de essais cliniques comme un cerveau, en connectant terrain, gestion des données, programmation et soumission, la valeur de l’IA est en train d’être redéfinie.

Et sur cette voie, autrefois solitaire, Deep Intelligent Yao a déjà pris une longueur d’avance.