Newsletter · 2026-07-23 · Ashutosh Agarwal

Le véritable goulot d'étranglement de la découverte de médicaments par IA, ce sont désormais les données - AI Drug Discovery Weekly - Semaine du 23 juillet 2026

AI Drug Discovery Weekly pour la semaine du 16 au 23 juillet 2026 : trois podcasts distincts, consacrés à Xaira, A-Alpha Bio et Cythera, convergent vers la même conclusion, à savoir que le modèle n'est plus la contrainte dans la découverte de médicaments et que la bataille porte désormais sur qui possède les bonnes données générées en laboratoire, tandis qu'une voix sceptique du Digital Pathology Podcast souligne qu'aucun médicament véritablement conçu par IA n'est encore arrivé sur le marché.

AI Drug Discovery Weekly

Semaine du 23 juillet 2026 : le véritable goulot d'étranglement de la découverte de médicaments par IA, ce sont désormais les données

Ligne d'objet : le modèle n'a jamais été le goulot d'étranglement : cette semaine, trois laboratoires distincts l'ont dit tout haut, et la bataille porte désormais sur les données.

TL;DR

Le thème le plus retentissant des podcasts de cette semaine a été un accord frappant : le modèle d'intelligence artificielle ne freine plus la découverte de médicaments. Trois équipes indépendantes, la start-up bien financée Xaira, l'entreprise de plateforme de données A-Alpha Bio, et un chimiste computationnel chevronné qui dirige désormais Cythera, ont chacune affirmé, à leur manière, que la véritable pénurie concerne les bonnes données générées en laboratoire (ou la bonne façon de représenter une molécule pour un ordinateur). Le goulot d'étranglement est passé du cerveau aux yeux et aux mains.
Il ne s'agit pas seulement de "plus de données". La nuance apparue cette semaine, c'est que la biologie a besoin d'un type de données spécifique que les bases de données publiques actuelles ne contiennent pas, pour l'essentiel : des données de cause à effet, des données sur ce qui ne fonctionne pas (pas seulement ce qui fonctionne), et des données mesurées de la même manière à chaque fois pour qu'un modèle puisse réellement les comparer.
Xaira a lancé X-Cell, un modèle de "cellule virtuelle" de 4,5 milliards de paramètres, et a fait de sa philosophie le titre de l'épisode : les modèles causaux ont besoin de données causales. Sa réponse consiste à fabriquer ces données en interne, à l'échelle industrielle (Latent Space, 21 juillet).
Le rappel à la réalité le plus clair de la semaine : malgré tout le battage médiatique, il n'existe encore aucun médicament véritablement conçu par IA approuvé et sur le marché, le ou les deux exemples souvent cités se révèlent être des médicaments plus anciens repositionnés (Digital Pathology Podcast, 22 juillet).
Un aperçu saisissant de la direction que prend tout cela : Lila Sciences a décrit avoir réalisé "environ cinq ans de travail biotech en six mois, pour 10 % du coût", atteignant un niveau de données au stade du singe sur une thérapie anticancéreuse avec une équipe de deux ou trois personnes et un laboratoire automatisé (Latent Space, 16 juillet).
Un mouvement de personnel notable est apparu incidemment : Anthropic aurait recruté John Jumper, le créateur d'AlphaFold lauréat du prix Nobel, selon Woody Sherman de Cythera, un signe supplémentaire que les grands laboratoires d'IA s'enfoncent plus profondément dans la science elle-même, et non plus seulement dans la vente d'outils (Data in Biotech, 20 juillet).
Sur les actions que nous suivons : Recursion (RXRX) est resté stable et proche de son plus bas de l'année ; Schrödinger (SDGR) a de nouveau reculé ; Eli Lilly (LLY) a bondi après un important résultat d'essai sur un médicament contre l'obésité, sans rapport avec l'IA.

Quoi de neuf

Xaira plante un piquet : "les modèles causaux ont besoin de données causales"

L'événement phare de la semaine vient d'un nom de notre univers de couverture. Xaira Therapeutics, l'une des start-up de médicaments par IA les mieux financées, s'est rendue sur un podcast d'ingénierie IA très suivi pour présenter X-Cell, son premier modèle de "cellule virtuelle". Une cellule virtuelle est exactement ce que son nom indique : un modèle informatique qui tente de prédire ce qui se passe à l'intérieur d'une cellule vivante lorsqu'on change quelque chose, par exemple si l'on réduit l'activité de l'un des quelque 20 000 gènes de la cellule, qu'advient-il de tous les autres, et la cellule commence-t-elle à se comporter comme une cellule malade ou saine ? Cela compte pour la recherche de médicaments car la plupart d'entre eux agissent précisément en actionnant un interrupteur biologique vers le haut ou vers le bas (Latent Space, 21 juillet).

Deux éléments se sont démarqués. D'abord l'échelle : X-Cell est un modèle de 4,5 milliards de paramètres ("paramètres" désignant les réglages internes qu'un modèle ajuste ; plus il y en a, grosso modo, plus la capacité est grande). Ensuite, et surtout, l'argument autour duquel les deux scientifiques de Xaira, la responsable scientifique en IA Bo Wang et le directeur de la découverte Ci Chu, ont construit toute la conversation. Chu a tracé une ligne nette entre deux types de données :

Les données descriptives, instantanés de cellules saines, le type qui existe déjà dans d'énormes collections publiques (il a cité une base de données qui a démarré avec plus de 33 millions de cellules). Cela montre à quoi ressemblent les cellules.
Les données causales, données qui capturent ce qui se passe parce qu'on a stimulé la cellule d'une manière précise. Cela montre ce que font les cellules lorsqu'on intervient.

Son affirmation sans détour : les modèles entraînés uniquement sur des données descriptives "ne surpassent pas encore les modèles linéaires sur les tâches causales". En clair, une IA géante entraînée sur des instantanés n'est pas meilleure que de simples mathématiques vieilles de plusieurs décennies pour répondre à la question qui compte réellement pour la conception de médicaments : si je fais ceci à la cellule, que se passe-t-il ? La raison est un piège logique : si les gènes A, B et C montent et descendent toujours ensemble dans un instantané, on ne peut réellement pas savoir si A contrôle B et C, ou si B contrôle les autres, ou si un quatrième élément les contrôle tous. Il y a trop d'explications tout aussi valables. Il faut réaliser l'expérience pour le savoir (Latent Space, 21 juillet).

Le véritable produit de Xaira n'est donc pas seulement le modèle, c'est une usine à données causales. Ils utilisent une technique de laboratoire appelée Perturb-seq, qui emploie l'outil d'édition génétique CRISPR pour désactiver un gène à la fois, mais le fait sur d'énormes ensembles de cellules simultanément, sans variation gênante d'un lot à l'autre. Ils ont publié un jeu de données appelé Pisces : 16 types de cellules différents sur 25 millions de cellules, testant les gènes à l'échelle du génome entier. Wang a noté que le changement de méthode d'entraînement interne du modèle (d'"autorégressive" à "diffusion", deux façons différentes dont une IA apprend à générer sa sortie) a apporté un bond significatif sur le test le plus difficile, prédire des effets dans des situations que le modèle n'avait jamais vues. Dans une démonstration, ils n'ont entraîné X-Cell que sur des lymphocytes T immunitaires au repos, puis lui ont demandé de prédire ce que feraient des suppressions de gènes sur des lymphocytes T activés qu'il n'avait jamais étudiés, et cela a fonctionné, en battant la référence mathématique simple. Ce résultat de "généralisation à quelque chose de jamais vu" est toute la raison de construire un grand modèle plutôt que de simplement interroger une base de données (Latent Space, 21 juillet).

Pour contexte sur la récurrence de ce fil conducteur : Bo Wang est le professeur de l'Université de Toronto dont le laboratoire a publié l'un des premiers "modèles de fondation" pour les cellules uniques (appelé scGPT) environ quatre mois après le lancement de ChatGPT, et qui a aidé à forger le terme moderne de "cellule virtuelle". Quand quelqu'un avec ce parcours dit que la contrainte se situe au niveau des données, et non de la conception du modèle, cela mérite d'être écouté.

Une deuxième voix, même diagnostic : A-Alpha Bio et le problème des "données négatives"

Si le propos de Xaira pouvait sembler être celui d'une entreprise vantant ses propres mérites, une entreprise totalement distincte a dit presque la même chose cette semaine. A-Alpha Bio, essaimée en 2018 du laboratoire du pionnier de la conception de protéines David Baker à l'Université de Washington, aujourd'hui forte de 35 personnes après avoir levé environ 50 millions de dollars, exploite une plateforme de laboratoire appelée AlphaSeq capable de mesurer environ un million d'interactions protéine-protéine en une seule expérience, toutes dans des conditions identiques (The Bio Report, 15 juillet).

Le PDG David Younger a formulé trois points qui se superposent presque parfaitement à l'argument de Xaira, ce qui rend cette convergence intéressante :

Les modèles deviennent une commodité ; les données sont la douve. Selon ses mots, les entreprises "commencent par se concentrer sur les données open-source... atteignent rapidement un goulot d'étranglement", puis tentent d'en tirer davantage en ajustant l'architecture du modèle, mais "un modèle ne sera jamais meilleur que les données sous-jacentes".
La célèbre base de données publique est trop petite et trop unilatérale. La Protein Data Bank (la bibliothèque de référence des structures protéiques résolues expérimentalement) contient "moins d'un millier" d'un type clé de structure d'anticorps donné et seulement environ 10 000 structures anticorps-antigène au total, et elle ne croît que d'environ 1 000 structures par an. Comme il l'a formulé : "nous ne voulons pas attendre cent ans pour atteindre cent mille structures." A-Alpha peut en générer des milliers en quelques semaines.
La lacune la plus négligée concerne les données négatives. Les bases de données publiques enregistrent les interactions qui ont fonctionné. Mais pour entraîner un modèle de manière fiable, "il est tout aussi important de disposer d'une abondance de données négatives" : les combinaisons qui ont échoué. Un modèle qui n'a jamais vu que des réussites n'a aucune idée de ce à quoi ressemble un échec (The Bio Report, 15 juillet).

Younger a également signalé un changement d'humeur dans le secteur qui relie toute la semaine : jusqu'à récemment, l'hypothèse était que "des données de laboratoire humide disponibles publiquement plus des astuces d'apprentissage automatique astucieuses suffiraient", et maintenant "le consensus a vraiment changé". Les entreprises natives de l'IA "se heurtent" à des murs de données et se tournent vers des sociétés comme la sienne car les ajustements d'architecture n'ont plus de marge de manœuvre. Ses clients incluent Amgen, Bristol Myers Squibb et Gilead (pour qui A-Alpha a conçu un anticorps anti-VIH à protection plus large).

La troisième voix hausse les enjeux : peut-être avons-nous besoin d'un tout autre type d'IA

La version la plus provocatrice de l'argument est venue de Woody Sherman, un chimiste computationnel au parcours rare : plus d'une décennie chez Schrödinger (SDGR, un nom que nous suivons), fondateur de Silicon Therapeutics, un passage à faire monter en puissance des plateformes chez Roivant, et désormais responsable scientifique chez Cythera, qui conçoit des comprimés oraux pour atteindre des cibles qui ne fonctionnent aujourd'hui que par injection (Data in Biotech, 20 juillet).

L'affirmation de Sherman : les grands modèles de langage qui alimentent ChatGPT et Claude sont "brillants pour le code et la paperasse" et aident réellement du côté de l'écriture, de la lecture et du codage dans le travail sur les médicaments, "mais là où les modèles de langage n'ont pas beaucoup de force, c'est pour traiter des molécules. Et la découverte de médicaments, c'est entièrement une question de molécules." Selon lui, entasser plus de données dans un modèle de langage ne résoudra pas ce problème, car une molécule n'est pas vraiment une phrase. Son alternative, qu'il appelle "physical AI" ou "modèle du monde à l'échelle nanométrique" : au lieu de représenter une molécule comme une chaîne de texte ou un croquis 2D plat (les raccourcis habituels), on la représente comme la physique la voit réellement, comme un objet tridimensionnel quantique fait d'orbitales électroniques. Cythera a construit un modèle appelé Cyformer pour faire exactement cela, en apprenant à partir de calculs quantiques plutôt que de raccourcis choisis par des humains (Data in Biotech, 20 juillet).

Pourquoi ne pas simplement exécuter directement la physique ? Parce que c'est terriblement lent : une simulation rigoureuse basée sur la physique d'une seule molécule "coûte environ une journée par molécule sur un GPU", il est donc impossible de cribler des millions de molécules de cette façon. La physical AI est censée apprendre le raccourci vers la physique, pour donner rapidement des réponses de qualité physique.

L'indice que ce n'est pas seulement l'opinion d'un contrariant isolé : Sherman a noté qu'Anthropic aurait récemment recruté John Jumper, le scientifique de DeepMind qui a partagé un prix Nobel pour AlphaFold, et a souligné que Jumper "est vraiment un gars des atomes... il comprend les atomes, les molécules, les simulations moléculaires." Lu avec tout le reste de cette semaine, un schéma se dessine : les entreprises qui possèdent les talents en IA les plus pointus se dirigent vers le problème des molécules et de la physique, et non l'inverse. (Il s'agit d'une affirmation faite dans le podcast ; ce détail sur l'embauche doit être traité comme rapporté par Sherman plutôt que confirmé indépendamment ici.)

Le laboratoire de demain ressemble à un centre de données, et il produit déjà des candidats-médicaments

Si trois voix s'accordent à dire que la contrainte réside dans les données, la question suivante évidente est : qui construit la machine qui les génère ? La réponse la plus concrète de la semaine est venue de Lila Sciences, dont les fondateurs décrivent la construction "d'usines scientifiques d'IA" (Latent Space, 16 juillet).

Leur cadre de pensée mérite d'être compris car il explique la logique économique derrière tout le mouvement de "génération de ses propres données". La raison pour laquelle l'IA d'aujourd'hui est devenue performante, selon leur argument, est la combinaison d'une puissance de calcul énorme et de données énormes, et ces données provenaient d'Internet, désormais épuisé. (Ils citent la formule bien connue selon laquelle Internet est "le combustible fossile" de l'IA, et "nous n'avons qu'un seul Internet".) Alors d'où viendra le prochain jeu de données de la taille d'Internet ? Leur réponse : mener de vraies expériences et laisser la nature elle-même noter les suppositions de l'IA. Selon leurs propres mots, "la science... utilisant la nature et les expériences comme vérificateur est la version ultime" de l'approche qui a rendu l'IA performante en mathématiques et en programmation, car dans les deux cas, la réponse peut être vérifiée (Latent Space, 16 juillet).

Deux détails ont rendu cela concret plutôt que théorique :

Leur laboratoire est construit comme un réseau informatique. Chaque instrument est un "nœud", et les plaques de puits lévitent littéralement sur des rails magnétiques pour se déplacer entre eux, afin que l'IA puisse concevoir et exécuter une toute nouvelle expérience qu'elle n'a jamais réalisée sans qu'un humain ait à recâbler le banc. Ils ont constitué un jeu d'entraînement de 10 000 milliards de "jetons scientifiques", des traces de raisonnement vérifiées expérimentalement en biologie, chimie et science des matériaux, et ont constaté qu'un modèle général entraîné sur l'ensemble des sciences a tendance à surpasser des modèles étroits, spécifiques à un seul domaine.
La preuve concrète : une équipe de deux ou trois personnes chez Lila, travaillant sur une version in vivo du CAR-T (une thérapie anticancéreuse puissante mais actuellement très coûteuse, autour de 400 000 dollars par traitement), a obtenu chez le singe des données où l'effet de la thérapie était "significativement meilleur" que celui d'un concurrent, Capstan, racheté par AbbVie pour environ 2,1 milliards de dollars. Leurs instructions génétiques conçues se sont exprimées environ 10 fois plus fortement que les références standards de Moderna et Pfizer. La conclusion : "cinq ans de travail biotech réalisés sur une période de six mois, pour 10 % de l'investissement total." Lila ne mènera pas l'essai clinique elle-même, ce n'est pas une entreprise pharmaceutique, c'est une entreprise de modèles, mais elle explore un modèle de "start-up zéro employé" où un tiers apporte une idée et le modèle-plus-laboratoire de Lila réalise la science (Latent Space, 16 juillet).

Un tour d'horizon de ce qui fonctionne réellement en ce moment

Pour un état des lieux mesuré du domaine, le cardiologue Eric Topol a reçu Patrick Hsu, cofondateur de l'ARC Institute, qui a passé en revue des résultats concrets plutôt que des promesses (Ground Truths, 20 juillet) :

Deux systèmes "co-scientifiques" d'IA publiés en mai ont accompli un travail réel : la version de Google a proposé un repositionnement de médicaments pour la leucémie, la fibrose hépatique et la résistance antimicrobienne, et le système d'une organisation à but non lucratif (appelé Robin) a proposé un traitement de la dégénérescence maculaire.
Un agent nouvellement publié dirigé par Stanford, appelé Biomni, doté de 150 outils spécialisés et d'un accès à des milliers de publications, a réduit un flux de travail de recherche de 360 heures à moins de 2 heures (une accélération d'environ 200 fois), validé six biomarqueurs de la COVID-19 à partir de 1,4 milliard de relevés de capteurs de fréquence cardiaque, et mis au jour de nouvelles pistes biologiques dans le développement osseux embryonnaire.
Hsu a été franc sur les limites : les modèles d'aujourd'hui "hallucinent encore des valeurs" et "tracent le mauvais graphique", et un expert du domaine dirait que ces résultats "ne satisfont pas encore vraiment ma fonction de goût". Mais il a souligné la grâce salvatrice de la biologie, "il existe une vérité de terrain" : on peut toujours tester l'idée de l'IA dans de vraies cellules, sur de vrais animaux et de vrais patients.

Il a également fait une remarque incisive sur l'avantage concurrentiel qui fait écho aux calculs financiers des numéros précédents : les grands laboratoires d'IA ont "le coût du capital le plus bas" pour développer des médicaments. Là où une biotech saigne de l'argent pendant des années, Anthropic va "atteindre... environ 60 milliards de dollars de chiffre d'affaires annualisé", ce qui finance un immense "nombre de tentatives". Et il a décrit le plafond pratique de la vitesse : une boucle purement numérique est quasi instantanée, une expérience en tube à essai boucle en quelques heures à une journée, une expérience sur cellules prend des jours, une expérience sur tissu plus longtemps encore, "comprimer la durée de ces boucles à mesure qu'on monte en complexité biologique, c'est vraiment tout l'enjeu du jeu." Cette seule phrase est sans doute l'énoncé le plus limpide du thème de toute la semaine.

Le débat

La question charnière de la semaine dernière était de savoir si le véritable goulot d'étranglement en matière de valeur est le laboratoire humide qui génère les données (laboratoires automatisés/en cloud, génération de données précliniques) plutôt que le modèle d'IA. Cette semaine, la réponse a été retentissante et presque unanime, puis elle est devenue plus précise, et un contre-argument utile est apparu.

Le consensus (trois voix indépendantes) : le modèle n'est plus le goulot d'étranglement ; ce sont les données.

Xaira : il faut des données causales, générées en intervenant sur les cellules, car des instantanés ne peuvent pas enseigner la cause à effet (Latent Space, 21 juillet).
A-Alpha Bio : il faut des données négatives et des données interopérables (mesurées de la même manière à chaque fois), que les bases de données publiques n'ont pas (The Bio Report, 15 juillet).
Woody Sherman de Cythera : place la barre encore plus haut, peut-être que l'IA de type linguistique n'a tout simplement pas la bonne forme pour les molécules, et il nous faut une "physical AI" fondée sur la physique (Data in Biotech, 20 juillet).

Notez la scission au sein même du consensus : deux des trois (Xaira, A-Alpha) disent que la solution est plus de données, et de meilleures données ; le troisième (Sherman) dit que la solution est une meilleure façon de représenter le problème à l'ordinateur. Les deux peuvent être vrais, et ils pointent vers des gagnants différents, les entreprises usines à données face aux entreprises de modèles physiques.

Le contre-argument, une saine dose de "pas si vite" : sur le Digital Pathology Podcast, le biologiste structural Thibault Geoui a exposé pourquoi l'IA n'a pas encore "révolutionné" la découverte de médicaments, et c'est la voix sceptique la plus utile que nous ayons entendue depuis des semaines (Digital Pathology Podcast, 22 juillet) :

Le fait marquant : il n'existe encore aucun médicament véritablement conçu par IA approuvé et vendu. Le ou les "un ou deux" souvent cités se révèlent, à y regarder de plus près, être des médicaments plus anciens repositionnés, l'IA a aidé à trouver un nouvel usage pour un médicament existant, ce qui selon lui n'est pas la même chose qu'une IA concevant un médicament. Sa propre définition d'un véritable "médicament développé par IA" est un cas où l'IA a apporté une valeur significative tout le long de la chaîne : trouver la biologie de la maladie, choisir la cible, concevoir la molécule, prédire son innocuité.
La perspective sur AlphaFold : il l'a qualifié de réellement transformateur, il lui a fallu quatre ans pour résoudre une structure protéique pendant sa thèse ; AlphaFold le fait en quelques minutes, et le monde est passé d'environ 170 000 structures résolues expérimentalement en 50 ans à 200 à 300 millions depuis la sortie d'AlphaFold. Mais "cela n'a pas résolu la découverte de médicaments, car la découverte de médicaments ne se résume pas à avoir une structure." Une structure est une pièce importante du puzzle, pas le puzzle entier.
L'ampleur pure et simple du problème : il existe environ 10 puissance 60 petites molécules ressemblant à des médicaments ; pour saisir cette échelle, chaque grain de sable sur Terre ne représente que 10 puissance 25, et chaque atome de l'univers représente 10 puissance 80. On ne peut ni toutes les fabriquer ni même toutes les calculer ; le jeu consiste à choisir la prochaine poignée à réellement synthétiser.
Un argument subtil en faveur de l'automatisation : il a pointé un embarras de longue date en biologie, une célèbre revue d'Amgen a constaté qu'environ 60 % des expériences phares sur le cancer n'étaient pas reproductibles, et des enquêtes ultérieures ont trouvé des résultats similaires. Pour les tâches d'"optimisation" répétitives (comme trouver la meilleure recette pour cultiver une lignée cellulaire), il a soutenu qu'on ne veut en réalité pas qu'un humain y touche, les machines échantillonnent les possibilités de manière plus systématique et cohérente. Mais pour une véritable découverte ouverte, "l'implication humaine reste très importante." Il a salué Insilico Medicine comme l'exemple "tech-bio" par excellence, une entreprise construite d'emblée sur le numérique, conçue pour produire des données réutilisables, tout en notant que même eux n'ont pas encore mis sur le marché un médicament approuvé conçu par IA.

La question charnière de cette semaine : si tout le monde s'accorde désormais à dire que la contrainte réside dans des données propriétaires et conçues sur mesure, alors la valeur durable pourrait revenir à celui qui possède l'usine à données, les Xaira, A-Alpha Bio et Lila Sciences de ce monde, plutôt qu'à celui qui possède le modèle le plus astucieux. Mais surveillez le contre-pied : si la "physical AI" fondée sur la physique (Cythera, et désormais peut-être Anthropic-avec-Jumper) parvient à extraire des prédictions de qualité pharmaceutique à partir des premiers principes avec moins de données, la douve se déplace du volume de données vers la perspicacité de modélisation. Lequel est le véritable goulot d'étranglement, le laboratoire ou la physique ?

Actions en jeu

Cours au 23 juillet 2026 (FactSet). Aucune actualité spécifique à l'IA n'a motivé ces mouvements cette semaine.

Recursion Pharmaceuticals (RXRX) : 3,01 $, essentiellement stable par rapport à 3,02 $ la semaine dernière (environ -0,3 %). Le titre reste proche de son plus bas sur 52 semaines de 2,77 $ (fourchette de 2,77 $ à 7,18 $), avec une valeur de marché d'environ 1,3 milliard de dollars. Aucune couverture podcast liée au thème et aucune actualité dans la fenêtre observée, l'action dérive près du bas de sa fourchette tandis que la conversation plus large sur les médicaments par IA se déroule autour, et non à propos, des noms d'IA de première ligne cotés en bourse.
Schrödinger (SDGR) : 15,13 $, en baisse d'environ 3 % par rapport à 15,60 $ la semaine dernière (fourchette de 10,95 $ à 23,02 $, valeur de marché d'environ 1,1 milliard de dollars). Aucune actualité spécifique à SDGR, bien que l'entreprise ait été présente indirectement dans la conversation : Woody Sherman de Cythera, qui a passé plus d'une décennie chez Schrödinger, a passé cette semaine à soutenir que la "physical AI" axée sur les molécules, le terrain de prédilection de Schrödinger en simulation basée sur la physique, est l'approche qui compte réellement (Data in Biotech, 20 juillet).
Eli Lilly (LLY) : 1 185,77 $, en hausse d'environ 1,3 % par rapport à 1 170,23 $ la semaine dernière et en hausse de près de 2 % sur la journée (fourchette de 623,78 $ à 1 249,45 $, valeur de marché d'environ 1 120 milliards de dollars). Le mouvement a été entièrement motivé par l'obésité, et non par l'IA : le 23 juillet, Lilly a annoncé que son médicament à triple hormone retatrutide avait atteint l'objectif principal dans deux essais de phase 3 (TRIUMPH-2 et TRIUMPH-3), avec des participants perdant en moyenne jusqu'à 22,5 kg (dans le diabète de type 2) et jusqu'à 25,3 kg (dans l'obésité sévère avec maladie cardiaque) à 80 semaines ; Lilly prévoit de déposer une demande d'approbation aux États-Unis au premier trimestre 2027 (TheFly, 23 juillet). Les autres actualités concernant Lilly cette semaine n'étaient également pas liées à l'IA : Novo Nordisk a poursuivi Lilly pour des publicités prétendument trompeuses sur Zepbound/Mounjaro ; des analystes ont pointé le rachat de Centessa par Lilly pour environ 7,8 milliards de dollars et son accord AtaiBeckley sur les psychédéliques comme validant ces catégories ; et un tarif douanier américain proposé de 100 % sur les médicaments génériques importés (à partir de 2028) a frappé l'ensemble du secteur pharmaceutique.

Implications pour les investisseurs

Le pari "posséder l'usine à données". L'idée d'investissement la plus solide dans les podcasts de cette semaine n'est pas une action cotée, c'est une catégorie. Si Xaira, A-Alpha Bio et Lila Sciences ont raison de dire que les données de laboratoire propriétaires et conçues sur mesure sont la ressource rare, alors la valeur migre vers les entreprises qui fabriquent des données biologiques à grande échelle (laboratoires automatisés, criblage à haut débit, données en tant que service). La plupart d'entre elles sont aujourd'hui privées (Xaira, A-Alpha, Lila), mais l'implication pour les valeurs cotées est de se demander quelles entreprises cotées possèdent un véritable moteur de génération de données par rapport à celles qui louent des données publiques que tout le monde peut utiliser (Latent Space, 21 juillet ; The Bio Report, 15 juillet).
L'argent des marchés privés continue de valider le thème. Dans la fenêtre d'actualité, la start-up de protéines par IA Chai Discovery et l'entreprise de puces IA Etched ont chacune levé "des centaines de millions", poussant leurs valorisations dans la fourchette de plusieurs milliards de dollars, TheFly les a explicitement comparées aux leaders cotés de leurs secteurs (TheFly, 23 juillet). Chai Discovery est également revenue cette semaine du côté scientifique, comme l'une des entreprises vendant des modèles de conception d'anticorps aux laboratoires pharmaceutiques (Ground Truths, 20 juillet). Le capital privé continue de financer agressivement la couche "générer des données / concevoir des molécules".
La machine des essais cliniques (CRO) est un moyen coté de jouer le thème "l'IA rend le développement de médicaments moins coûteux". Une voix de l'industrie de la recherche clinique a soutenu que le pire est passé pour les organismes de recherche sous contrat, les entreprises que les laboratoires pharmaceutiques paient pour mener leurs essais, et que l'IA est une "arme de marge et une arme de vitesse", pas un tueur d'emplois. Il a cité IQVIA avec 16,3 milliards de dollars de chiffre d'affaires en 2025 et un carnet de commandes de 32 milliards de dollars et ICON avec 8,25 milliards de dollars et un carnet de commandes de 3 milliards de dollars, a noté que Medpace devient plus efficace tout en minimisant publiquement l'IA, et a pointé le projet de directive de la FDA sur l'IA de 2025 (qui exige un humain dans la boucle) comme un feu vert de facto pour que le secteur adopte ces outils (Random Musings From The Clinical Trials Guru, 20 juillet). Cela rejoint une thèse des semaines précédentes, selon laquelle le véritable goulot d'étranglement en pharma est le développement clinique, pas la découverte, et IQVIA, ICON et Medpace sont les noms cotés les plus directement exposés si l'IA comprime les coûts des essais.
L'avantage de coût du capital des grands laboratoires d'IA est réel et mérite d'être intégré dans les prix. L'observation selon laquelle Anthropic peut autofinancer un nombre énorme de "tentatives" de médicaments à partir d'un chiffre d'affaires annualisé d'environ 60 milliards de dollars, tandis que les biotechs saignent de l'argent pendant des années, est un argument structurel expliquant pourquoi les acteurs historiques de l'IA (Anthropic, Google/Isomorphic, OpenAI) pourraient surpasser à long terme les développeurs traditionnels de médicaments (Ground Truths, 20 juillet). L'embauche rapportée de John Jumper chez Anthropic est un petit indice révélateur allant dans le même sens (Data in Biotech, 20 juillet).

Ce qui a changé par rapport à la semaine dernière

La question charnière de la semaine dernière a largement trouvé sa réponse. Nous nous demandions si le goulot d'étranglement du débit du laboratoire humide fait des laboratoires automatisés et de la génération de données précliniques le véritable goulot d'étranglement en matière de valeur. Cette semaine, trois voix indépendantes, Xaira, A-Alpha Bio et Cythera, ont répondu oui, la contrainte, ce sont les données (ou la façon dont les molécules sont représentées), pas le modèle. Le débat s'est désormais déplacé à l'intérieur de ce consensus, vers le type de données (causales ? négatives ? interopérables ?) et vers la question de savoir si un type différent d'IA (fondé sur la physique) peut contourner entièrement le problème des données.
Le fil conducteur "le laboratoire d'IA en tant qu'entreprise pharmaceutique" a progressé avec un chiffre concret. Depuis des semaines, nous suivons le glissement de "vendre des outils d'IA" à "utiliser l'IA pour fabriquer ses propres médicaments" (Anthropic, Formation Bio). Lila Sciences a fourni un chiffre concret à cette promesse : des données de thérapie anticancéreuse au stade du singe en six mois, pour environ 10 % du coût habituel, avec deux ou trois personnes, et un modèle économique de "start-up virtuelle" construit par-dessus (Latent Space, 16 juillet).
Nouveauté cette semaine : un sceptique crédible. Après plusieurs semaines fortement médiatisées, nous avons enfin obtenu un rappel à la réalité rigoureux, aucun médicament véritablement conçu par IA n'est encore approuvé ; AlphaFold nous a donné des structures, pas des remèdes ; et l'affirmation "des médicaments par IA sur le marché" ne résiste pas à l'examen (Digital Pathology Podcast, 22 juillet).
Nouveau nom entrant dans la conversation : Xaira, qui figurait sur notre liste de suivi mais n'était pas apparu avec substance jusqu'à présent. Également nouvellement sur le radar : A-Alpha Bio, Lila Sciences et Cythera comme incarnations privées des thèses d'usine à données et de physical AI.
Mouvement de personnel à surveiller : l'embauche rapportée de John Jumper d'AlphaFold par Anthropic constitue, si elle est confirmée, un signal significatif sur la direction que prennent les meilleurs talents en IA moléculaire.
Cours : RXRX stable et toujours proche de son plus bas de l'année ; SDGR en baisse d'environ 3 % supplémentaires ; LLY en hausse grâce aux données de l'essai sur l'obésité (retatrutide), sans rapport avec l'IA. Les noms cotés "purs" de médicaments par IA (RXRX, SDGR) continuent de traîner tandis que les développements les plus enthousiasmants se produisent dans des entreprises privées et les grands laboratoires d'IA.
Toujours silencieux côté podcasts cette semaine : Recursion (RXRX), Ginkgo (DNA), Tempus (TEM), AbCellera (ABCL), Certara (CERT), Absci (ABSI), Relay (RLAY), Isomorphic Labs, Iambic, et les plateformes de santé de Nvidia (Clara/BioNeMo) n'ont fait l'objet d'aucune couverture liée au thème.