Je suis tombé sur quelque chose d'intéressant dans le domaine de la biotechnologie. Il y a un goulot d'étranglement qui bloque depuis un certain temps la découverte de médicaments par l'IA, et une spin-off de Stanford appelée 10x Science vient de lever 4,8 millions de dollars pour le résoudre.

Donc voilà : des modèles d'IA comme AlphaFold peuvent désormais générer des milliers de candidats médicaments potentiels à une vitesse folle. Mais après ? Les chercheurs doivent encore tester physiquement chacun d'eux pour comprendre comment il se comporte réellement. Cette étape prend une éternité. C'est comme si l'IA pouvait produire des idées toute la journée, mais leur validation est le vrai mur.

Le point de douleur spécifique concerne les données de spectrométrie de masse. C'est la norme d'or pour analyser les molécules, mais l'interprétation nécessite une expertise rare et consomme énormément de temps des scientifiques. Les fondateurs—David Roberts, Andrew Reiter, et Vishnu Tejas—ont vécu cette frustration de première main à Stanford, en travaillant sur la recherche en immunologie du cancer.

Leur plateforme combine des algorithmes de chimie traditionnels avec des agents d'IA entraînés capables d'interpréter intelligemment les résultats de spectrométrie de masse. Ce qui la différencie, c'est que le raisonnement est traçable, ce qui est important pour la réglementation pharmaceutique. Un scientifique de Rilas Technologies qui l'a testée a dit que l'IA a identifié le type de protéine analysée simplement à partir du nom de fichier, puis a automatiquement extrait la séquence depuis des bases de données en ligne. C'est ce genre d'économie de temps qui s'accumule dans toute une opération de recherche.

Le financement provient d'Initialized Capital, Y Combinator, et d'autres. Mais la vraie validation, c'est qu'ils travaillent déjà avec plusieurs grandes entreprises pharmaceutiques et institutions académiques. Ce n'est pas théorique—c'est déjà utilisé.

Ce qui est astucieux dans leur modèle économique, c'est qu'il s'agit d'un SaaS à revenus récurrents. Les entreprises pharmaceutiques paient mensuellement pour faire passer leurs candidats par la plateforme. Pas de dépendance à la réussite d’un seul médicament. C’est un profil de risque bien meilleur que celui de la biotech traditionnelle.

Les fondateurs ont une expertise approfondie à la fois en biochimie et en IA, ce qui est une combinaison rare. Ils ne se contentent pas de résoudre un seul goulot d’étranglement dans la découverte de médicaments par l’IA—ils construisent ce que Roberts appelle « l’intelligence moléculaire », intégrant finalement les données protéiques avec d’autres informations cellulaires pour une vision plus complète.

Si cela prend, cela pourrait accélérer significativement les délais de développement des médicaments. L’écart entre la génération de candidats par l’IA et leur validation réelle a été le vrai point de blocage. Des outils comme celui-ci pourraient être le pont qui permettrait à toute la chaîne de découverte de médicaments par l’IA de fonctionner à grande échelle.