Newsletter · · Ashutosh Agarwal

L'IA prend les commandes du laboratoire : GPT-5 dépasse la référence de 40% - AI Drug Discovery Weekly - Semaine du 16 juillet 2026

Newsletter sur la découverte de médicaments par IA pour la semaine du 9 au 16 juillet 2026. Ginkgo Bioworks a laissé GPT-5 mener une expérience complète de bout en bout dans son laboratoire robotisé en cloud et a dépassé de 40 % le meilleur résultat publié, Formation Bio a exposé comment une entreprise native de l'IA pourrait devenir le prochain géant pharmaceutique, et le laboratoire humide, et non le modèle, s'est imposé comme le véritable goulot d'étranglement du secteur.

AI Drug Discovery Weekly

Semaine du 16 juillet 2026 : l'IA prend les commandes du laboratoire, GPT-5 dépasse la référence de 40%

En bref

  • Le résultat le plus marquant de la semaine vient de Ginkgo Bioworks (DNA). Dans le cadre d'un projet mené avec OpenAI, l'entreprise a laissé GPT-5 conduire une expérience scientifique complète de bout en bout, la concevoir, en lire les résultats, concevoir le cycle suivant, le tout au sein de son « cloud lab » piloté par des robots. Après six cycles, l'IA a dépassé de 40 % le meilleur résultat publié jusqu'alors. Il s'agit d'un basculement où l'IA ne se contente plus de suggérer des molécules mais fait elle-même la science. (The Times Tech Podcast, 9 juillet)

  • Le PDG de Formation Bio a livré la réponse la plus nette à ce jour à la grande question de l'année : une entreprise native de l'IA peut-elle devenir le prochain Eli Lilly, plutôt que de vendre ses médicaments à l'actuel Eli Lilly ? Il a expliqué, chiffres à l'appui, pourquoi aucun nouveau géant pharmaceutique n'est né depuis les années 1980, et comment il compte briser ce schéma. (The Heart of Healthcare, 13 juillet)

  • De nouveaux chiffres sectoriels ont émergé : on compte désormais 173 médicaments d'origine IA en essais cliniques, contre seulement 24 fin 2023, et les médicaments conçus par IA franchiraient les essais précoces avec un taux de 80 à 90 %, contre 40 à 65 % par la méthode classique. (Equity Mates, 8 juillet)

  • Le goulot d'étranglement continue de se déplacer. Ce n'est plus l'intelligence de l'IA qui pose problème, mais la vitesse à laquelle on peut réellement mener des expériences dans le monde réel pour la nourrir. LabGenius peut imaginer 2 millions de designs d'anticorps, mais n'en teste physiquement qu'environ 3 000 toutes les cinq à six semaines. (The Bio Report, 8 juillet)

  • Les marchés n'en ont eu cure. RXRX, SDGR et LLY ont toutes reculé sur la semaine, Recursion étant la plus touchée, revenant près de son plus bas sur 52 semaines, tandis que Lilly bénéficiait dans le même temps d'une nouvelle vague de relèvements d'objectifs de cours de la part des analystes, portée par l'optimisme sur les médicaments contre l'obésité.

Ce qui est nouveau

L'événement le plus important de la semaine : une IA a mené une expérience réelle, pas une simulation, et a gagné.

Le cofondateur et PDG de Ginkgo Bioworks, Jason Kelly, a détaillé le processus sur le Times Tech Podcast. D'abord, le dispositif. Ginkgo exploite ce qu'elle appelle des « cloud labs », de véritables laboratoires où des robots effectuent le travail physique (déplacer d'infimes quantités de liquide, faire passer des échantillons dans des machines), de sorte qu'un scientifique puisse piloter l'ensemble depuis un clavier, comme on pilote un site web. Kelly décrit ainsi le travail de laboratoire à l'ancienne : « cinq ans debout devant une paillasse, à déplacer des liquides transparents avec beaucoup, beaucoup de précaution, à l'aide d'outils appelés pipettes... en somme, des pailles très sophistiquées. » Le cloud lab retire la main humaine de cette équation. (The Times Tech Podcast, 9 juillet)

L'expérience menée avec OpenAI posait une question plus vaste : un modèle d'IA, GPT-5 en l'occurrence, pouvait-il assumer la part réflexive de la science, pas seulement la partie manuelle ? Les véritables scientifiques travaillent en boucle : avoir une idée, mener des expériences, examiner les éléments surprenants des données, concevoir un cycle suivant plus intelligent, et répéter jusqu'à obtenir une réponse. Ginkgo a laissé le modèle exécuter cette boucle en toute autonomie, dans un domaine appelé synthèse protéique acellulaire (une méthode épurée pour fabriquer des protéines en éprouvette). À chaque cycle, le modèle concevait environ 30 000 expériences miniatures. Les humains n'ont fixé que des « garde-fous » : toujours exécuter quatre copies de chaque recette, toujours inclure des échantillons témoins, et laisser le modèle « faire ce qu'il veut » pour le reste.

Le résultat, dans les mots de Kelly : « Après quatre cycles, nous avions déjà battu l'état de l'art. Et après six cycles, nous l'avons battu de 40 %. » La référence était le meilleur chiffre de « protéine par dollar » publié auparavant par un laboratoire universitaire. La conclusion de Kelly mérite qu'on s'y attarde : un scientifique « pourrait lancer un agent, disons un agent GPT-5, et lui dire d'aller travailler pendant quelques semaines... Et on pourrait peut-être en faire tourner 10, 100 ou 1 000 en même temps, poursuivant chacun des hypothèses différentes. » C'est véritablement une autre manière de faire de la science, une multitude de chercheurs numériques infatigables qui traitent des expériences en parallèle.

Il a également avancé un argument économique qui concerne l'ensemble du secteur. Les laboratoires automatisés, affirme-t-il, ne sont pas seulement plus rapides mais aussi moins coûteux : les robots permettent de compacter les équipements (environ 3 fois moins d'espace au sol) et de fonctionner 24 heures sur 24 (environ 3 fois plus d'heures de fonctionnement), ce qu'il arrondit à une « amélioration de 9 à 10 fois » l'efficacité pour exécuter exactement le même travail. Et une remarque géopolitique bien sentie : la biotech occidentale a déplacé le travail de laboratoire vers la Chine uniquement parce que les scientifiques humains y sont moins chers. Le pari de Kelly est que l'automatisation du laboratoire est le seul moyen pour l'Occident de conserver, tout simplement, ses industries scientifiques.

Le second grand thème de la semaine : qui finira par posséder les médicaments. Sur The Heart of Healthcare, le PDG de Formation Bio, Ben Liu, a apporté la réponse la plus concrète à ce jour à la question soulevée la semaine dernière, à savoir si les entreprises d'IA bâtiront leurs propres empires pharmaceutiques ou se contenteront de vendre des outils à l'industrie pharmaceutique traditionnelle. Son point de départ est une véritable énigme : les derniers géants pharmaceutiques fondés (Vertex, Amgen, Regeneron) remontent tous aux années 1980. Pourquoi aucun depuis ? (The Heart of Healthcare, 13 juillet)

Son explication repose entièrement sur les mathématiques du risque. Une biotech financée par du capital-risque met trois à cinq ans rien que pour amener un médicament aux essais cliniques chez l'humain, puis deux à quatre années supplémentaires pour obtenir un résultat de phase intermédiaire (« phase 2 »), et seulement environ 30 % de ces résultats reviennent positifs. Quand un médicament fonctionne, un grand laboratoire pharmaceutique proposera généralement environ 3 milliards de dollars pour le racheter (à peu près une année de ventes au pic). L'alternative, mener soi-même l'essai final coûteux, coûte quelques centaines de millions de dollars et comporte environ 40 % de risque de tomber à zéro, contre 60 % de chances d'un gain de 6 à 9 milliards de dollars. En faisant le calcul ajusté au risque, soutient Liu, le choix rationnel est presque toujours de vendre. Ainsi, les jeunes entreprises pharmaceutiques prometteuses se font avaler avant même de pouvoir grandir.

La réponse de Formation est structurelle. L'entreprise est conçue selon un modèle en « hub and spoke » qui lui permet de vendre un seul médicament sans vendre l'entreprise entière, et elle s'impose de tenter « au moins 10 coups », car avec un taux de réussite de 30 %, dix tentatives donnent en moyenne trois gagnants, et cette arithmétique de portefeuille rend enfin rationnel de continuer à bâtir plutôt que d'empocher les gains. Liu veut une entreprise qui ressemble à « l'Eli Lilly ou le Novartis de cette génération », mais dirigée par « quelques centaines de personnes augmentées par ces systèmes d'IA » plutôt que 100 000. L'entreprise a débuté comme un service d'exécution d'essais cliniques appelé TrialSpark (l'approche « ramper, marcher, courir », en construisant d'abord la plomberie), est soutenue entre autres par Sam Altman et Lockheed, et s'est associée à l'ancien PDG de Novartis, Joe Jimenez, pour créer un fonds dédié aux médicaments baptisé Adidam Bio. Ses outils d'IA portent des noms : « Forge » conçoit les essais et « Apollo » les exécute, et l'entreprise enregistre même ses propres réunions internes et ses mémos d'investissement pour entraîner ses modèles à la manière dont l'entreprise prend ses décisions.

Deux autres données utiles sur la dynamique du secteur proviennent d'une conversation à vocation d'investissement sur Equity Mates : on compte désormais 173 médicaments d'origine IA en développement clinique dans le monde, contre seulement 24 fin 2023, et les médicaments conçus par IA franchiraient leurs premiers essais chez l'humain à un taux de 80 à 90 %, contre 40 à 65 % pour les médicaments découverts par les méthodes traditionnelles. Les animateurs ont cité Insilico Medicine comme preuve à l'appui, son INS018-055, premier médicament entièrement conçu par IA à avoir achevé un essai de phase 2, a atteint cette étape pour environ 6 millions de dollars en 18 mois, contre une estimation de plus de 100 millions de dollars et plus de six ans par la méthode classique. Il convient de considérer ces pourcentages exacts comme indicatifs (les essais précoces reposent sur un échantillon restreint et auto-sélectionné), mais la tendance, elle, est bien réelle. (Equity Mates, 8 juillet)

Le débat

Où se situe désormais le véritable goulot d'étranglement : l'IA, ou le laboratoire humide qui la nourrit ?

Depuis deux ans, le débat récurrent dans ce secteur porte sur la question de savoir si la contrainte réside dans les données, la puissance de calcul, ou l'intelligence brute des modèles. Les épisodes de cette semaine pointent fermement dans une direction : les modèles ne sont plus le maillon faible, les expériences physiques le sont.

L'illustration la plus nette est venue de LabGenius, dont le directeur scientifique, Angus Sinclair, a décrit la conception d'anticorps capables de frapper deux cibles à la fois (utile, mais dangereux s'ils attaquent des cellules saines ou déclenchent une réaction immunitaire excessive). Son point clé : pour ce type de conception, il existe à peine des données publiques sur lesquelles s'appuyer, « une pénurie d'informations », de sorte que l'entreprise doit générer ses propres données en laboratoire. Et voici où le bât blesse : l'IA de LabGenius peut proposer jusqu'à 2 millions de designs, mais le laboratoire humide ne peut en tester physiquement qu'environ 3 000 toutes les cinq à six semaines. L'imagination est pratiquement infinie ; les mains, elles, ne le sont pas. (The Bio Report, 8 juillet)

Sinclair a également fait preuve d'une franchise rafraîchissante à propos du battage médiatique. Il a affirmé que l'IA tient réellement ses promesses en matière de conception de protéines et d'anticorps de novo, des domaines riches en données publiques d'entraînement, mais qu'elle « doit encore rattraper son retard et progresser » sur des problèmes plus difficiles et pauvres en données, comme les anticorps multi-spécifiques. Son verdict sur ce qu'il faut pour y remédier : principalement davantage de données.

C'est précisément pour cela que le pari du cloud lab de Ginkgo et le problème de débit de LabGenius sont les deux faces d'une même pièce. Si la contrainte contraignante est « combien d'expériences réelles puis-je mener par semaine », alors celui qui industrialise le laboratoire humide, le rend plus rapide, moins cher, et exploitable par une IA du jour au lendemain, contrôle le rythme de tout le secteur. Cela rejoint également le point soulevé la semaine dernière par Mike Koeris de la DARPA, selon lequel la biologie souffre d'une pénurie du bon type de données. Le consensus qui se dégage à travers les épisodes récents : la frontière n'est plus un modèle plus intelligent, mais une manière plus rapide et moins coûteuse de fabriquer les données expérimentales dont ce modèle a besoin.

Un second débat sous-jacent est venu s'aiguiser grâce à Formation Bio : outils ou médicaments ? Ben Liu a explicitement choisi de posséder les médicaments plutôt que de vendre des logiciels à l'industrie pharmaceutique, car « quand on mène des essais pour d'autres entreprises... il ne s'agit pas toujours de savoir comment faire les choses le moins cher et le plus vite possible. Il s'agit de savoir comment en extraire un maximum de revenus. » Voilà un défi direct au modèle économique consistant à « vendre des pelles », et un rappel que les acteurs natifs de l'IA les plus ambitieux souhaitent de plus en plus concurrencer leurs futurs clients, plutôt que les servir.

Valeurs à suivre

Recursion Pharmaceuticals (RXRX), 3,02 $, en baisse d'environ 20 % par rapport aux 3,76 $ de la semaine dernière et de retour près de son plus bas sur 52 semaines de 2,77 $ (fourchette 2,77–7,18 $ ; capitalisation boursière ~1,4 milliard de dollars). Elle a chuté de 8,8 % lors de la seule journée de référence, sur un volume important (34,6 millions d'actions contre une moyenne de 19,3 millions), signe d'une véritable pression vendeuse, pas d'une dérive discrète. Aucune couverture par les podcasts de découverte de médicaments par IA n'a évoqué Recursion cette semaine, et aucune actualité d'entreprise n'est apparue durant cette période, ce qui suggère qu'il s'agit davantage d'un mouvement de sentiment et de positionnement que d'un événement précis. Il vaut la peine de surveiller si le repli se poursuit jusqu'à la prochaine mise à jour de son pipeline, toujours attendue plus tard cette année.

Schrodinger (SDGR), 15,60 $, en baisse d'environ 7 % par rapport aux 16,79 $ de la semaine dernière (fourchette sur 52 semaines de 10,95 à 23,75 $ ; capitalisation boursière ~1,2 milliard de dollars), en recul de 4,1 % sur la journée. Là encore, aucune mention récente dans les podcasts ni actualité d'entreprise cette semaine ; cette valeur pure de conception de médicaments basée sur la physique reste discrète sur les ondes.

Eli Lilly (LLY), 1 170,23 $, en baisse d'environ 4 % par rapport aux 1 216,95 $ de la semaine dernière, alors même que la communauté des analystes a multiplié les relèvements d'objectifs de cours (fourchette sur 52 semaines de 623,78 à 1 249,45 $ ; capitalisation boursière ~1 100 milliards de dollars). Les relèvements d'objectifs de cette semaine : BofA à 1 334 $, Guggenheim à 1 273 $, UBS à 1 425 $, Bernstein à 1 385 $, et Citi à 1 600 $, tous en recommandation Achat ou Surperformance, tous motivés par un solide deuxième trimestre et par la rotation en cours hors des valeurs liées à l'IA vers des valeurs pharmaceutiques à croissance durable. Comme noté la semaine dernière, cet optimisme concerne les médicaments contre l'obésité et les GLP-1, et non la découverte de médicaments par IA. Bernstein a toutefois signalé un lancement américain « plus faible que prévu » pour l'un des produits, en guise de mise en garde.

Lilly a également fait l'actualité cette semaine, même si rien de tout cela ne relève d'une histoire de découverte par IA :

  • L'entreprise a accepté d'acquérir AtaiBeckley pour 6,75 $ par action en numéraire, plus jusqu'à 2,50 $ par action sous forme de paiements liés à des étapes clés, soit environ 2,8 milliards de dollars versés d'avance et environ 1 milliard de dollars supplémentaires en paiements potentiels, une prime d'environ 40 %. L'atout convoité est BPL-003, un 5-MeO-DMT (un psychédélique) administré par voie intranasale pour la dépression résistante au traitement. Il s'agit d'un pari sur les neurosciences, pas sur l'IA.
  • Son médicament anticancéreux Retevmo a obtenu l'approbation complète de la FDA pour les tumeurs solides positives à la fusion RET (oncologie de précision, associée à un test génétique).
  • Un fait plus modeste mais en lien avec le thème de la semaine : VivoSim (VIVS) a reçu un paiement d'étape de 5 millions de dollars de la part de Lilly pour l'administration de la première dose à un patient dans une étude de phase 2 d'un médicament que Lilly lui avait racheté. VivoSim conçoit des modèles de tissus humains cultivés en laboratoire, utilisés pour tester des médicaments avant les essais chez l'humain, un outil pour « générer de meilleures données précliniques », et un discret rappel que la couche de génération de données que cette newsletter ne cesse d'évoquer commence à se traduire en véritables jalons financiers.

Ce qu'il faut en déduire

  • La couche du laboratoire humide pourrait bien être l'endroit où la valeur s'accumule discrètement. Si le véritable goulot d'étranglement du secteur consiste à mener des expériences rapidement et à moindre coût (Ginkgo, LabGenius), alors les entreprises qui industrialisent l'expérimentation, laboratoires automatisés et en cloud, criblage à haut débit, modèles tissulaires comme ceux de VivoSim, occupent un point de passage obligé pour tous les autres. C'est la même logique de « pelles et pioches », mais appliquée au laboratoire, et non au modèle.
  • À surveiller : l'extension du basculement vers « posséder le médicament ». La décision de Formation Bio de devenir une entreprise pharmaceutique plutôt qu'un fournisseur d'outils fait écho au mouvement d'Anthropic (évoqué les semaines précédentes) vers ses propres programmes de médicaments. Si davantage d'acteurs natifs de l'IA choisissent de concurrencer l'industrie pharmaceutique plutôt que de l'approvisionner, les acheteurs finaux de logiciels de découverte de médicaments par IA (les grands laboratoires pharmaceutiques) pourraient découvrir que leurs fournisseurs se transforment en rivaux, un risque stratégique qu'aucun modèle n'intègre encore.
  • Tempus (TEM) reformule l'opportunité comme un problème de plomberie de données. L'argument d'Eric Lefkofsky, selon lequel jusqu'à 20 % des décès par cancer aux États-Unis résultent de patients suivant le « mauvais parcours thérapeutique », et que corriger le flux de données pourrait sauver plus de 100 000 vies par an, rappelle qu'une grande partie de la valeur de l'IA à court terme en médecine consiste à orienter correctement les patients existants, et non à inventer de nouvelles molécules. Tempus affirme n'être qu'« à 20 % du chemin » de la connexion des quelque 8 000 à 9 000 hôpitaux américains (elle en atteint environ 5 500 aujourd'hui), ce qui laisse entrevoir un long chemin à parcourir. (AI and Healthcare, 10 juillet)
  • Les chiffres macroéconomiques sont à double tranchant. 173 médicaments en essais (contre 24 il y a deux ans) et des taux de réussite précoce de 80 à 90 % sont indéniablement encourageants, mais le succès en phase précoce est la partie facile, et les échecs coûteux et difficiles surviennent encore lors des essais tardifs. Il faut garder l'optimisme ancré dans la réalité : une découverte plus rapide et moins coûteuse ne prouve pas encore une approbation plus rapide et moins coûteuse.

Ce qui a changé par rapport à la semaine dernière

  • La question en suspens de la semaine dernière a reçu une réponse concrète. La question ouverte était de savoir si la barrière protectrice réside dans des données de laboratoire humide exclusives (la vision de CZI/de l'industrie pharmaceutique) ou dans des données synthétiques produites à moindre coût (la vision des laboratoires d'IA riches en puissance de calcul). Cette semaine a reformulé le débat : LabGenius montre que la barrière protectrice réside dans les données exclusives précisément parce qu'on ne peut pas les acheter publiquement et qu'on ne peut pas encore en produire suffisamment ; le plafond de débit du laboratoire humide (2 millions de designs, 3 000 tests) est le véritable mur. Le débat est passé de « données contre puissance de calcul contre QI du modèle » à « le modèle va bien ; le laboratoire est le goulot d'étranglement ».
  • Le fil narratif « laboratoire d'IA devenu entreprise pharmaceutique » est passé d'Anthropic à un plan d'action plus complet. La semaine dernière, c'était Anthropic qui appliquait Claude Science à son propre pipeline. Cette semaine, Formation Bio a fourni la logique commerciale concrète, les mathématiques du risque expliquant pourquoi les start-up pharmaceutiques se vendent, ainsi que la structure en hub-and-spoke et les « 10 tentatives » conçues pour contourner ce problème. Le récit d'intégration verticale s'appuie désormais sur des chiffres, pas seulement sur un titre accrocheur.
  • Une toute nouvelle preuve concrète sur l'aspect économique. Le chiffre d'Insilico (6 millions de dollars/18 mois pour une phase 2 achevée contre plus de 100 millions de dollars/plus de 6 ans) constitue la comparaison de coûts la plus nette enregistrée jusqu'à présent, et le bond de 24 à 173 dans le pipeline clinique quantifie la vitesse à laquelle cette approche s'étend.
  • Les cours ont de nouveau divergé du récit. Pour la deuxième semaine consécutive, l'enthousiasme se concentre dans les podcasts tandis que les valeurs négociables (RXRX, SDGR) dérivent ou chutent ; la baisse hebdomadaire d'environ 20 % de Recursion vers son plus bas sur 52 semaines est le mouvement notable. La vigueur de Lilly reste une histoire d'obésité et de rotation sectorielle, pas une histoire d'IA, sans changement par rapport à la semaine dernière.
  • Nouveau nom à surveiller : VivoSim (VIVS), via son jalon avec Lilly, une entreprise de simulation de tissus humains précliniques, un nouvel entrant de plus dans la couche « générer de meilleures données ».