Newsletter · · Ashutosh Agarwal
La semaine où la découverte de médicaments par IA a été auditée - Focus sectoriel : Santé & Biotech - Semaine du 28 juillet 2026
Newsletter startups et capital-risque pour la semaine du 28 juillet 2026. Le focus sectoriel Santé et Biotech, où les podcasts ont cessé de célébrer la découverte de médicaments par IA pour se mettre à la compter, avec Xaira, ARC Institute, Caris, Bayesian Health, Initiate Ventures et Yosemite au centre de l'attention, et un débat en cours sur la question de savoir si un modèle appris peut battre la physique.
Focus sectoriel : Santé & Biotech
Semaine du 28 juillet 2026 : la semaine où la découverte de médicaments par IA a été auditée
La rotation de cette semaine atterrit sur la Santé et la Biotech. Le thème commun à tous les podcasts : le secteur a enfin commencé à compter. Un chercheur est parti à la recherche de la vague de médicaments conçus par IA que tout le monde pensait voir monter, et il en est revenu avec un chiffre que personne n'a aimé.
Le paysage
Depuis trois ans, l'argument de vente est que l'IA allait comprimer la découverte de médicaments. Cette semaine, plusieurs podcasts ont indépendamment cessé de célébrer pour se mettre à mesurer, et les chiffres sont plus intéressants que le battage médiatique.
Commençons par l'audit. Sur le Digital Pathology Podcast, Thibault Geoui a détaillé un exercice simple. Le Boston Consulting Group avait publié une étude comptabilisant combien de médicaments « développés par IA » étaient en essais cliniques. Fin 2023, la réponse était 67. Geoui a travaillé avec le chercheur en IA Eliott Greenblatt pour reproduire la même méthodologie et demander ce qui s'était passé depuis.
« Je me disais vraiment, OK, avec tout l'investissement qu'on a eu dans l'IA pour la découverte et le développement de médicaments, on doit avoir genre 300, 400 médicaments. On en a trouvé seulement six ou sept de plus. Je me suis dit, comment ça se fait ? J'étais vraiment, vraiment surpris. »
Six ou sept de plus, 28 mois plus tard. Et aucun médicament conçu par IA n'a encore atteint le marché. Geoui est prudent ici : le ou les deux médicaments parfois décrits comme développés par IA et approuvés sont, à y regarder de plus près, des médicaments repositionnés, des médicaments existants réorientés vers une nouvelle maladie. L'IA a aidé au repositionnement. Ce n'est pas la même chose.
Il propose des raisons plutôt que des accusations. Certains des 67 originaux ont simplement échoué, ce qui est normal étant donné le taux d'échec d'environ 95 % du secteur. Beaucoup ont changé de propriétaire, parce que les biotechs IA-first font avancer un actif jusqu'à un certain point puis le remettent à une grande entreprise pharmaceutique disposant de l'échelle nécessaire pour mener les essais de phase avancée.
Et il y a un contre-argument réellement solide enfoui dans ce mauvais chiffre. Insilico Medicine, l'exemple que prend Geoui pour le vrai cas de figure, a comprimé la découverte et le travail préclinique des cinq à six ans habituels à environ 18 mois. Les sceptiques disent qu'Insilico n'a toujours pas mis de médicament sur le marché. C'est vrai. Mais comme le formule Geoui :
« Ils échoueront après cinq ou six ans au lieu d'échouer après 18 mois. Je préfère échouer après 18 mois. »
C'est là l'état honnête des choses. L'IA n'a pas encore rendu les médicaments meilleurs. Elle a rendu la première partie moins chère et considérablement plus rapide, ce qui, dans un métier où 95 % des tentatives meurent, vaut déjà beaucoup en soi, avant même une seule approbation.
Deuxième fil conducteur : le goulot d'étranglement s'est déplacé des algorithmes vers les données, plus précisément vers un type de données qui, pour l'essentiel, n'existe pas encore.
Cela est apparu le plus clairement sur Latent Space, où Bo Wang, chief AI scientist de Xaira Therapeutics, et Ci Chu, chief discovery officer, ont expliqué pourquoi la conception de protéines a décollé alors que la biologie cellulaire ne l'a pas fait. La réponse de Chu : la conception de protéines a hérité de 70 ans de données structurales de haute qualité, curées par la communauté, dans la Protein Data Bank. C'est ce qui a rendu AlphaFold possible. Rien de comparable n'existe pour les cellules ou les patients.
Pire, les données qui existent sont du mauvais type. Les grands atlas de cellules uniques sont observationnels, décrivant des cellules saines telles quelles. La découverte de médicaments a besoin de réponses causales : si je réduis l'expression de ce gène, que se passe-t-il ? L'explication de Chu sur les raisons pour lesquelles les données observationnelles ne peuvent pas y mener est la version la plus limpide de cet argument entendue cette semaine :
« Disons que vous observez les gènes A, B, C monter et descendre ensemble dans votre jeu de données descriptif. Vous pouvez en déduire que A régule B et C... Vous pourriez tout aussi bien dire que B régule A et C, et ce serait parfaitement raisonnable aussi... Et il y a n façons d'ajuster un réseau régulateur causal sur ce groupe de données. »
C'est pourquoi, dit-il, les modèles entraînés sur des données descriptives « ne surpassent pas encore les modèles linéaires sur les tâches causales ». Un modèle à cinq milliards de paramètres qui perd face à une simple droite est un aveu inhabituellement franc pour une entreprise qui vient d'en livrer un.
Troisièmement : l'argent bouge, et il se dirige vers les entreprises qui possèdent leurs propres expériences. Sur Ground Truths, Patrick Hsu, cofondateur de l'ARC Institute, a fait une remarque qui devrait retenir l'attention de tout fondateur. Les laboratoires d'IA de pointe rivalisent désormais directement pour le budget pharma, et ils disposent du capital le moins cher du secteur.
« Si vous deviez lever du capital-risque aujourd'hui pour essayer de développer contre une toute nouvelle cible... vous êtes une opération qui perd de l'argent pendant les deux, trois, quatre, cinq, six, sept, huit premières années. »
Comparez cela à Anthropic, qu'Hsu situe à un rythme annuel d'environ 60 milliards de dollars. Il a décrit une « bataille pour le milieu » : FutureHouse a essaimé Edison Scientific, l'équipe de Biomni a essaimé Philo, Anthropic a lancé Claude Science, OpenAI a son propre outillage, et Chai Discovery vend des modèles de conception d'anticorps. Tous se retrouvent dans les mêmes réunions d'achat pharma.
Entreprises à connaître
Xaira Therapeutics : X-Cell. Xaira a publié X-Cell, un modèle de « cellule virtuelle » à 4,9 milliards de paramètres qui prédit ce qui arrive à une cellule quand on éteint un gène. La partie intéressante n'est pas le modèle, c'est l'usine derrière. Xaira a construit ses propres données d'entraînement à l'aide de Perturb-seq, une technique CRISPR groupée qui permet d'inactiver un gène par cellule sur des milliers de cellules au sein d'une seule expérience mélangée, de sorte qu'il n'y a pas d'effets de lot à nettoyer. Le jeu de données Pisces qui en résulte couvre 25 millions de cellules réparties sur 16 types cellulaires, à l'échelle du génome.
Le résultat qui compte : ils n'ont entraîné le modèle que sur des cellules T au repos, puis lui ont demandé de prédire ce que feraient des perturbations sur des cellules T activées qu'il n'avait jamais vues. Cela a fonctionné. Bo Wang a décrit la réaction comme « un moment de stupéfaction pour les biologistes, le fait que ce soit la première fois que les biologistes constatent réellement que le modèle peut prédire exactement comment ces lignées cellulaires jamais vues réagissent à différentes perturbations ».
Wang a aussi hiérarchisé ce qui pilote réellement la performance, ce qui est inhabituellement utile pour quiconque construit dans ce domaine : « la qualité rapportée à l'échelle des jeux de données, puis l'architecture, puis les connaissances préalables ». Il a noté que passer d'un entraînement autorégressif à des modèles de langage à diffusion apportait un gain significatif spécifiquement pour la généralisation à des tâches jamais vues. Latent Space: The AI Engineer Podcast, « Causal Models Need Causal Data: Xaira's X-Cell model for Drug Discovery » (21 juillet 2026)
Anthropic : Coefficient Bio et Claude Science. Patrick Hsu a confirmé qu'Anthropic a racheté Coefficient Bio, une startup issue du groupe d'ingénierie d'anticorps de Genentech, spécialisée dans la conception d'anticorps zero-shot, et a lancé Claude Science, un espace de travail de recherche. Hsu relie cette poussée au parcours du PDG Dario Amodei, titulaire d'un doctorat en neurosciences computationnelles de Princeton. Sa description de l'espace de travail donne une bonne idée de la direction que cela prend : un biologiste sans capacité de programmation peut dire « je veux utiliser Evo pour générer une nouvelle recombinase d'ADN », faire dépêcher des sous-agents par le système, appeler AlphaFold dans le navigateur pour vérifier si la protéine générée semble raisonnable, puis commander l'ADN chez un fournisseur de synthèse. Ground Truths, « Patrick Hsu: How Is AI Catalyzing Life Science? » (20 juillet 2026)
ARC Institute. Âgé de quatre ans et demi, réparti entre des chercheurs académiques ayant des postes conjoints à Stanford, Berkeley et UCSF, et des centres technologiques internes. Il a publié Evo et Evo2 (des modèles de langage entraînés sur l'ADN à travers toute l'évolution) ainsi que State et Stack (ses premiers modèles de cellule virtuelle). L'ambition décrite par Hsu consiste à faire fonctionner le modèle à l'envers : l'initialiser dans un état cellulaire malade et demander quelle séquence de perturbations ramène la cellule vers la santé. « Ce n'est peut-être pas une perturbation magique unique... mais cela peut être une combinaison dans le temps pour naviguer lentement sur la variété d'états cellulaires. » ARC travaille aussi avec OpenAI sur des cibles thérapeutiques pour la maladie d'Alzheimer. Ground Truths, « Patrick Hsu: How Is AI Catalyzing Life Science? » (20 juillet 2026)
Biomni (Stanford). Publié dans Science et longuement évoqué sur Ground Truths : un agent connecté à 150 outils et logiciels spécialisés plus une base de données de 2 500 publications. Les cas de test étaient d'une ampleur inhabituelle : diagnostic de maladies rares, analyse en cellule unique et, fait notable, données de capteurs portables, plus de 1 000 participants dans une étude COVID avec 1,4 milliard de relevés de fréquence cardiaque, dont il a validé six biomarqueurs. Il a également traité plus de 300 000 cellules uniques pour identifier de nouvelles voies dans le développement squelettique embryonnaire. La lecture d'Hsu sur la raison pour laquelle cela fonctionne soudainement : c'est en aval du fait que les agents de codage sont devenus bons. Parce que le code est vérifiable de bout en bout, les modèles de codage se sont améliorés le plus vite, et se retrouvent maintenant en amont de chaque autre verticale, y compris la biologie. Ground Truths, « Patrick Hsu: How Is AI Catalyzing Life Science? » (20 juillet 2026)
Cythera et Silicon Therapeutics : Woody Sherman. Sherman a passé plus d'une décennie chez Schrödinger, fondé Silicon Therapeutics, mis à l'échelle la plateforme chez Roivant, et dirige désormais la science chez Cythera, qui développe des médicaments oraux pour des cibles immunologiques aujourd'hui accessibles seulement via des biologiques injectables.
L'histoire de Silicon Therapeutics est la preuve concrète : un agoniste STING amené du concept à la clinique en environ trois ans, avec une équipe d'environ 10 personnes en computationnel et 10 en laboratoire humide. STING était considéré comme quasi non médicamentable. Les molécules naturelles qui l'activent sont des dinucléotides cycliques, de grosses molécules encombrantes éliminées de l'organisme avant d'agir. L'équipe de Sherman a plutôt trouvé une molécule beaucoup plus petite, de type médicament, et l'a amenée à s'apparier avec elle-même dans le site de liaison via une interaction d'empilement pi-pi quantique, ce qu'il pense n'avoir jamais été réalisé auparavant.
Aucun logiciel commercial ne pouvait modéliser cela, alors ils ont construit l'outil eux-mêmes. « Il n'a été nécessaire que pendant quelques mois du projet, mais il en a vraiment été une partie critique. » Son résumé de la discipline requise est la phrase que les fondateurs devraient scotcher au mur :
« Le calcul peut être extrêmement puissant lorsqu'il est utilisé de manière appropriée, mais on ne peut pas fabriquer des médicaments sur ordinateur. »
Data in Biotech, « Beyond Language: Why Drug Discovery Needs Physical AI, Not Just Large Language Models » (20 juillet 2026)
Caris Life Sciences : MyClarity. L'exemple le plus concret de la semaine de « l'IA est déjà dans la clinique ». Le Dr George Sledge, EVP et directeur médical, a décrit un actif de données comprenant plus d'un demi-million d'exomes entiers, plus d'un demi-million de transcriptomes entiers, et des millions de lames de pathologie numérisées, rattachés à des données de remboursement et à des dossiers médicaux électroniques. Pour donner une échelle : un exome compte 23 000 gènes ; un transcriptome, 61 000 transcrits par cellule.
MyClarity fonctionne à partir de l'objet le plus humble de la médecine, la lame colorée H&E, que Sledge appelle « une technologie de pointe... de 1877 ». Le pathologiste d'un médecin envoie une lame, elle est numérisée, téléversée, puis passée dans un algorithme. En 24 heures, le résultat revient en indiquant si une patiente atteinte d'un cancer du sein au stade précoce, récepteur d'œstrogène positif, risque une récidive précoce (auquel cas elle pourrait avoir besoin de chimiothérapie) ou une récidive tardive, 10 à 20 ans plus tard (auquel cas elle a besoin d'une hormonothérapie prolongée). « C'est quelque chose que nous ne pouvions tout simplement pas faire il y a même deux ans. »
Il a aussi donné un bon exemple de ce que l'échelle permet d'obtenir : pour étudier l'amplification d'ESR1, ils ont dû fouiller 30 000 patientes atteintes de cancer du sein pour en trouver environ 120 cas.
Et une statistique frappante sur la raison pour laquelle les cliniciens en ont besoin : sur le site hématologie et oncologie de la FDA, « il y a littéralement une nouvelle indication chaque semaine de l'année depuis cinq ou six ans ». Le verdict de Sledge : « le métier le plus difficile de la planète en ce moment, c'est d'être oncologue médical généraliste ». Healthcare NOW Radio, « News You Can Use Special Edition: AI In Action with George Sledge » (19 juillet 2026)
Initiate Ventures et TensorBio. Jessica Owens, ancienne des CDC, biologie du cancer à Stanford, associée investisseur chez Kleiner Perkins et cofondatrice de Grail, qu'elle a aidé à bâtir en une entreprise de 8 milliards de dollars, a lancé Initiate Ventures avec les cofondateurs Yana et Randy Scott (qui a introduit trois entreprises en bourse). Ils cofondent et financent des entreprises de santé IA-natives « au stade du tableau blanc », et n'investissent délibérément pas dans des actifs thérapeutiques, l'agtech ou les dispositifs implantables, parce que les thérapeutiques « exigent une montagne de capital » qui casserait leur modèle de propriété.
L'entreprise du portefeuille TensorBio développe un test sanguin pour stadifier la fibrose hépatique dans la MASH. Les calculs de marché d'Owens méritent d'être répétés car ils recadrent une maladie que la plupart des investisseurs jugent de niche : 20 millions de patients avec maladie active et 80 millions avec maladie précurseur. Sa comparaison : toute la biopsie liquide en oncologie repose sur environ 18 millions de survivants du cancer et environ 2 millions de nouveaux cas par an. « La MASH, c'est massif. »
Le besoin clinique est spécifique. Il n'y avait aucun médicament MASH approuvé avant 2024, donc personne ne se donnait la peine de dépister. Maintenant il y en a (Rezdiffra exige que les patients soient au stade de fibrose F2 ou plus), donc les patients doivent connaître leur stade, puis savoir si le médicament fonctionne.
Son point réglementaire est celui que les fondateurs devraient noter. Tout le monde supposait que ces tests seraient régulés par la FDA ; au lieu de cela, la voie du test développé en laboratoire (LDT) et de la CLIA semble bien partie pour durer dans un avenir prévisible. Cela compte commercialement : « Une fois approuvé par la FDA, c'est verrouillé, et il faut redéposer un dossier à la FDA à chaque fois qu'on veut modifier le test. » Sous CLIA, un diagnostic peut continuer à apprendre à partir de résultats du monde réel.
Elle a aussi été franche sur la qualité des preuves dans le flux actuel de pitchs : « Je vois beaucoup trop de pitchs où c'est genre, quelle était votre cohorte de découverte ? Et c'est genre huit personnes plus tous ces dossiers de DME. » The BioCentury Show, « Ep. 115: Initiate's Owens on what it takes to be AI-native » (23 juillet 2026)
Yosemite (Reed Jobs). La société de Reed Jobs a annoncé le premier closing d'un deuxième fonds ciblant 350 millions de dollars. Le modèle est inhabituel sur deux axes : il n'investit que dans l'oncologie (environ 40 % de la biotech), et environ un tiers du capital déployé va vers des entreprises que Yosemite crée elle-même, souvent avec des universitaires de Yale, Berkeley et Stanford. Parallèlement au fonds, 2,5 % de l'actif géré alimente un fonds à recommandation du donateur pour des subventions de recherche sans contrepartie, complété par 1 million de dollars par an provenant des frais de gestion. Dans le premier fonds, deux entreprises sur 20 sont issues directement d'une subvention.
Sur ce que l'IA fait réellement pour lui : « Ce que l'IA peut faire en ce moment, c'est accélérer beaucoup de travail ingrat sur lequel, franchement, elle ne fait pas nécessairement un meilleur travail. Mais ce qu'elle fait, c'est le faire incroyablement vite et avec des résultats reproductibles et cohérents. » Son exemple : trouver une molécule qui se lie à une cible demandait autrefois un postdoc faisant de la cristallographie aux rayons X, coûtait environ 50 000 dollars et prenait des semaines. « Maintenant, c'est quelque chose qu'on peut modéliser en quelques minutes. »
Il a aussi signalé un changement dans la conception des essais qui pourrait compter plus que n'importe quel modèle. Au lieu de recruter un bras contrôle, on utilise un substitut synthétique et on ne recrute que le bras actif. « Cela va diviser par deux le nombre de patients nécessaires, et cela va massivement augmenter la vitesse de tout ça. » Il dit que la FDA s'y engage désormais.
Deux chiffres macro de sa part. Sur l'environnement de financement : la pharma entre dans sa plus grande falaise de brevets de l'histoire tout en étant assise sur des liquidités record, ce qui a déclenché une vague acquisitive au cours des huit derniers mois environ. Sur la base de recherche : l'an dernier, une administration a demandé une coupe pouvant aller jusqu'à 40 % du budget du NIH, alors que la plus grande coupe précédente était de 1 % en 2009, ce qui avait coûté leur emploi à environ 7 000 chercheurs du NIH. Le Congrès a rejeté la demande de 40 %.
Et la meilleure illustration de ce que débloque une meilleure chimie : Revolution Medicines, aujourd'hui valorisée environ 40 milliards de dollars, cible KRAS, l'oncogène le plus fréquemment muté, dans le cancer du pancréas, et a doublé la survie dans l'adénocarcinome pancréatique, de 12 à 24 mois. L'analogie de Jobs : une bonne cible médicamenteuse, c'est Pac-Man, avec une bouche évidente à bloquer ; KRAS « ressemble un peu à l'Étoile de la Mort face à votre Pac-Man... cet ovale qui continue simplement son chemin et vous tue ». Des scientifiques d'Amgen sont tombés par hasard sur une poche cryptique en son sein il y a environ une décennie, produisant Lumakras. Historiquement, seulement environ 15 % de ce que code votre ADN était médicamentable, tout court. StrictlyVC Download, « Reed Jobs Is Betting Cancer Doesn't Have to Be Fatal » (21 juillet 2026)
Bayesian Health, et la lecture contradictoire. Johns Hopkins a annoncé l'autorisation FDA pour un système d'alerte précoce du sepsis, développé par le laboratoire de Suchi Saria et commercialisé par Bayesian Health, décrit comme l'un des premiers outils médicaux basés sur l'IA à obtenir une autorisation, détectant le sepsis des heures plus tôt que les cliniciens et réduisant les décès de près de 20 %. Saria a commencé à traduire la recherche après avoir perdu son neveu d'un sepsis en 2017.
Emily M. Bender et Alex Hanna ont passé en revue les études sous-jacentes sur Mystery AI Hype Theater 3000 et ont soutenu que le chiffre de 20 % est bien plus étroit que le titre ne le laisse penser. L'étude rétrospective a passé au crible environ 469 000 rencontres de patients, dont 9 805 avaient un sepsis ; l'analyse a ensuite écarté les cas manqués par le système et ne s'est penchée que sur les vrais positifs, avant de resserrer encore aux cas où le médecin a interagi avec l'alerte et où le patient n'était pas déjà sous antibiotiques. Les fausses alertes, celles qui coûtent de l'attention clinique, ne figurent pas au dénominateur. Comme le formule Bender : « si vous voyez un pourcentage quelque part, il faut demander quel est le dénominateur. »
Pour donner du contexte à ce scepticisme : les propres citations de l'étude notent que l'un des systèmes d'alerte précoce de sepsis les plus déployés avait une sensibilité de seulement 33 % et une précision de 2,4 %.
Le même épisode a fait remonter quelque chose que les fondateurs vendant aux agences publiques devraient surveiller : le Seattle Fire Department entretient une relation avec Corti depuis 2019, utilisant l'IA sur les appels au 911 pour aider à router les appelants, mise en place sans examen public ni notification aux appelants. Washington est un État à consentement bipartite avec une exception pour le 911. Mystery AI Hype Theater 3000, « State of Emergency, 2026.06.29 » (23 juillet 2026)
Paradigm et Massive Bio : le pilote IA de la FDA. La FDA a une demande d'information ouverte pour un pilote d'optimisation des essais cliniques précoces assistée par IA, et les animateurs de Note to File ont parcouru les commentaires publics. La recommandation centrale de Massive Bio : la FDA devrait concevoir cela comme « un programme d'orchestration d'essais assisté par IA, de qualité réglementaire et sous gouvernance humaine, et non une évaluation étroite de modèle ou une expérience opérationnelle réservée au promoteur ». La réponse des animateurs, « on dirait bien une expérience opérationnelle réservée au promoteur. Je veux dire, à 100 % », capture l'humeur des praticiens qui observent cela.
Leur question la plus pointue portait sur le choix de conception. Le pilote démarre en oncologie, ce qu'ils jugent soit astucieux soit naïf selon l'objectif : les essais en oncologie sont désordonnés et difficiles à recruter, mais parce que la participation à un essai d'oncologie est souvent les soins cliniques eux-mêmes, les données se trouvent dans le dossier médical électronique, ce qui en fait le bon terrain d'essai si ce qu'on démontre vraiment est l'intégration du DME, comme le suggère l'approche de Paradigm.
Par ailleurs, la même émission a couvert l'initiative d'essais cliniques en temps réel de la FDA, avec deux essais de preuve de concept diffusant des critères d'évaluation en direct à l'agence à mesure qu'ils se produisent, et a contesté la réduction revendiquée de 45 % du « temps mort », arguant que diffuser des données non nettoyées et non arbitrées ne règle pas le véritable goulot d'étranglement, qui est le recrutement des patients. Note to File: A Clinical Research Podcast, « WHO's New GCP Course, China Data Ban & FDA's AI Pilot » (22 juillet 2026) ; « Real-Time Clinical Trials: FDA's Big Bet or Big Mess? » (20 juillet 2026)
L'argent et le marché, en bref
Deux choses à savoir si vous financez dans cette verticale.
La fenêtre d'introduction en bourse s'ouvre, et les fusions inversées sont discrètement devenues une véritable alternative. Sur Biotech Hangout, les animateurs ont noté que la fusion inversée de Mentari dans NMED s'est accompagnée d'un PIPE de près de 300 millions de dollars, pour un anticorps bispécifique anti-PACAP contre la migraine, un mécanisme récemment validé par Lundbeck avec une approche intraveineuse. C'est désormais la sixième fusion inversée biotech accompagnée d'un financement supérieur à 200 millions de dollars. L'an dernier, il y en avait environ trois ; l'année d'avant, une ; avant cela, presque aucune. Comme l'a dit un animateur, les fusions inversées ont « enfin trouvé comment approximer une introduction en bourse avec les avantages d'une IPO et la levée de capitaux d'une IPO ». Le compromis est une couverture sell-side plus légère, partiellement compensée par des frais plus bas, bien que la plupart de ces PIPE s'accompagnent d'un parrainage bancaire et d'un certain suivi analyste intégré.
Ils ont aussi mis en contraste l'introduction en bourse de Scribe Therapeutics, levant environ 100 à 120 millions de dollars, encore en stade précoce, avec une approbation TGA australienne pour une thérapie de silençage génique PCSK9, face à l'introduction en bourse préclinique de Sana Biotechnology en 2021, qui a levé plus de 600 millions de dollars à une valorisation pré-money de 4,5 milliards de dollars. Des époques différentes, et les animateurs ont été francs sur le fait que beaucoup d'entreprises ne choisissent pas tant d'entrer en bourse qu'elles n'épuisent le capital privé : « beaucoup d'entreprises sont en bout de course pour lever des fonds auprès d'investisseurs privés... si elles veulent continuer, elles font une IPO. »
Les organisations de recherche sous contrat ne sont pas disruptées, on leur remet un levier de marge. La lecture du Clinical Trials Guru est que la demande est saine : IQVIA a déclaré un chiffre d'affaires 2025 de 16,3 milliards de dollars contre un carnet de commandes R&D de 32 milliards de dollars, et ICON 8,25 milliards de dollars. Les promoteurs, argumente-t-il, ne paieront plus pour la gestion de projet ou l'administratif, « c'est devenu une commodité », mais paieront pour « la vitesse, la certitude de recrutement, la confiance réglementaire, des données propres et la transparence opérationnelle ».
Sa réponse à la crainte que la pharma utilise des agents IA pour ramener les opérations cliniques en interne : « L'IA n'a pas de relation avec les sites. L'IA ne sait pas, en dehors d'un algorithme théorique, quels sites vont bien performer. » Il s'attend aussi à une inversion dans le recrutement, les seniors redevenant demandés et les postes juniors sous pression, précisément parce que le projet de directive IA de la FDA maintient un humain responsable dans la boucle. Si vos outils font remonter davantage de problèmes, il faut des personnes plus expérimentées pour agir dessus.
Un chiffre structurel pour quiconque vend sur ce marché : un rapport de 2025 a trouvé que 35 % des développeurs de médicaments ont augmenté leur recours aux prestataires de services fonctionnels sur deux ans, contre 29 % ayant augmenté l'externalisation full-service, les modèles flexibles et hybrides représentant désormais environ deux tiers de l'externalisation du développement clinique. Les promoteurs veulent de l'à la carte. Biotech Hangout, « Episode 190 » (24 juillet 2026) ; Random Musings From The Clinical Trials Guru, « The Worst Is Over for CROs and Jobs » (20 juillet 2026)
Un débat : peut-on faire confiance à un modèle d'IA qui affirme avoir battu la physique ?
Voici la question non résolue de la semaine, et de l'argent réel en dépend.
Il y a environ six mois, Recursion et le MIT ont publié Boltz sous licence ouverte, avec pour argument phare des prédictions d'affinité de liaison de qualité quasi-FEP à environ 1 000 fois la vitesse. (La perturbation d'énergie libre, ou FEP, est la simulation lente, basée sur la physique, à laquelle les entreprises pharmaceutiques font actuellement confiance pour estimer avec quelle force une molécule adhérera à sa cible. C'est coûteux et c'est l'étalon-or.) Si un réseau de neurones peut l'égaler mille fois plus vite, on n'a plus besoin de la physique dans la boucle, et une grande partie de l'industrie de la chimie computationnelle se retrouve reprisée du jour au lendemain.
La réponse de Woody Sherman a été inhabituellement directe :
« Je peux d'abord dire que cette proposition ne tient pas. Et c'est ce que le domaine a appris au cours des six derniers mois. C'était une nouvelle excitante. C'était un excellent communiqué de presse, mais ce n'est simplement pas la réalité. »
Son argument est précis, pas dédaigneux. Les modèles appris fonctionnent bien « dans les cas où l'on dispose déjà de suffisamment de données autour de la cible et des médicaments d'intérêt ». Mais tout l'intérêt d'un programme de médicament intéressant, c'est qu'on va vers quelque chose de nouveau, où ces données n'existent pas. « Ces modèles, à ce stade, les modèles de co-folding dans leur capacité à prédire l'affinité, ne sont absolument pas proches de la méthode d'énergie libre basée sur la physique. Ils ne savent tout simplement rien sur la cible d'intérêt. »
Le problème le plus profond, ce sont les benchmarks. Sherman pense que les gens essaient sincèrement d'être honnêtes, et la fuite se produit quand même. Il a cité un article publié par Pat Walters environ une semaine plus tôt, montrant que même une date limite d'apparence propre, entraîner sur tout avant 2025 et tester sur tout après, fuit, parce qu'un élément « publié » après la date limite avait souvent été publié pour la première fois une décennie plus tôt dans des conditions légèrement différentes. « C'est encore une table de correspondance de quelque chose qui a déjà été fait. »
Il n'affirme pas que la physique gagne toujours. Il concède qu'à mesure qu'on accumule des données, « les modèles deviennent plus précis que les simulations basées sur la physique parce qu'on entraîne directement sur les critères d'évaluation qui comptent », et que la physique elle-même est pleine d'approximations. Les champs de force newtoniens utilisés en dynamique moléculaire sont des approximations de la mécanique quantique, ce qui explique précisément pourquoi son propre programme STING a dû descendre à de vrais calculs de mécanique quantique pour observer l'interaction d'empilement pi-pi qui faisait fonctionner le médicament.
Le débat n'est donc pas « IA contre physique ». Il est plus étroit et plus utile : un modèle appris généralise-t-il à une cible qu'il n'a jamais vue, ou interpole-t-il à l'intérieur d'une région qu'il a déjà mémorisée ? Personne dans ces conversations n'a prétendu disposer d'un benchmark répondant de manière fiable à cette question.
Mettez la prudence de Sherman face à l'optimisme de Reed Jobs et vous obtenez la fourchette honnête. Jobs ne prétend pas que les modèles découvrent une nouvelle biologie ; il prétend qu'ils font le travail ingrat vite, à moindre coût et de manière reproductible, et que cela seul change ce qu'une petite équipe peut tenter. Sherman est d'accord avec tout cela. Là où ils différeraient, c'est sur l'étape suivante : est-ce que l'accélération continue à s'accumuler vers une véritable nouveauté, ou plafonne-t-elle en bordure des données d'entraînement.
Geoui présente la même bifurcation comme la différence entre optimisation et découverte. L'optimisation, trouver le bon milieu de croissance pour une lignée cellulaire ou échantillonner intelligemment un espace de paramètres, « c'est vraiment le genre de chose où on n'a pas besoin de beaucoup de créativité », et il argumente qu'elle devrait être entièrement autonome, en partie parce que les humains sont la source de l'irreproductibilité. Il a cité une étude Amgen constatant qu'environ 60 % des expériences en oncologie ne pouvaient pas être reproduites, et une enquête ultérieure de Nature la situant entre 60 et 70 %. La découverte, où « même formuler la question est difficile », reste le domaine où les humains comptent.
Cette distinction est probablement la chose la plus utile qu'un fondateur puisse retenir de cette semaine. Si vous automatisez l'optimisation, l'argument est solide aujourd'hui et le retour sur investissement est mesurable. Si vous vendez de la découverte, la charge de la preuve vient de s'alourdir, parce que quelqu'un compte désormais.
Une remarque sur l'échelle
Un dernier chiffre, car il explique pourquoi tout le monde continue d'essayer malgré l'audit. Geoui a exposé l'espace de recherche pour les petites molécules médicamenteuses : il existe environ 10^60 molécules de type médicament. Pour calibrer cela : chaque grain de sable sur Terre représente environ 10^25, et chaque atome dans l'univers environ 10^80.
On ne peut pas les synthétiser. On ne peut même pas toutes les représenter dans un ordinateur. Mais le nombre qu'on peut concevoir de manière computationnelle est « de plusieurs ordres de grandeur supérieur à ce qu'on peut réellement fabriquer physiquement ».
À titre de comparaison, il a noté qu'il a fallu environ 50 ans de travail expérimental pour déterminer 170 000 structures protéiques. Depuis AlphaFold, le compte se chiffre en centaines de millions.
AlphaFold n'a pas résolu la découverte de médicaments. Personne de sérieux ne prétend cela. Mais cela a franchi une étape qui consommait autrefois quatre années de thèse d'un biologiste structural, et l'a réduite à quelques minutes. C'est la forme de chaque véritable victoire dans cette verticale jusqu'à présent : pas un remède, mais une étape qui était autrefois une carrière.
La semaine prochaine : Ventes & Service client.