Newsletter · 2026-07-30 · Ashutosh Agarwal

L'équipe AlphaFold éclate alors que les laboratoires d'IA se lancent dans la fabrication de leurs propres médicaments - AI Drug Discovery Weekly - Semaine du 30 juillet 2026

Newsletter sur la découverte de médicaments par IA pour la semaine du 30 juillet 2026. Google démantèle l'équipe AlphaFold, transférant des chercheurs vers Gemini et Isomorphic Labs ; Anthropic a révélé qu'elle allait développer ses propres médicaments précliniques ; et Regeneron, Bristol Myers Squibb et Eli Lilly ont montré que les données patients propriétaires désormais perçues comme la véritable barrière à l'entrée se trouvent entre les mains des acteurs historiques, tout cela à l'approche des résultats du 5 août de Recursion, Schrodinger et Lilly.

AI Drug Discovery Weekly

Semaine du 30 juillet 2026 : L'équipe AlphaFold éclate alors que les laboratoires d'IA se lancent dans la fabrication de leurs propres médicaments

L'équipe qui a résolu le problème du repliement des protéines est en train d'être démantelée, et les entreprises d'IA ont décidé d'arrêter de vendre des pelles pour se mettre elles-mêmes à creuser.

TL;DR

• Google démantèle l'équipe AlphaFold. Des chercheurs de l'équipe qui a remporté un prix Nobel pour la prédiction des structures protéiques ont été transférés vers Gemini ou réaffectés à Isomorphic Labs, la division de découverte de médicaments d'Alphabet. Environ un quart de l'équipe a déjà purement et simplement quitté l'entreprise. Le vice-président de la recherche de DeepMind a déclaré que la "stratégie de longue date des grands défis a désormais évolué". Traduction : le projet d'IA au service de la science le plus célébré de la décennie a perdu une bataille budgétaire interne face à un chatbot.
• Anthropic va développer ses propres médicaments. Pas des outils pour les laboratoires pharmaceutiques, mais de véritables programmes précliniques, pour des maladies rares et négligées. Cela a été révélé cette semaine dans le podcast de BioCentury, et cela change la question concurrentielle pour toute entreprise pharmaceutique envisageant de souscrire à sa plateforme.
• La semaine dernière, le consensus était que "le modèle n'est pas le goulot d'étranglement, ce sont les données." Cette semaine, nous avons découvert qui possède ces données, et ce sont les acteurs historiques. Regeneron a séquencé trois millions de personnes et découvert plus de 100 mutations génétiques protectrices, dont environ 50 sont devenues des programmes de médicaments. Bristol Myers Squibb a étendu son propre supercalculateur d'IA pour réduire l'identification des cibles de plusieurs semaines à quelques jours. Eli Lilly concède l'accès à un milliard de dollars de ses données de recherche historiques.
• Reid Hoffman quitte le conseil d'administration de Microsoft pour diriger à plein temps une entreprise de chimie par IA. Il affirme que Manas AI a produit des composés anticancéreux "que les humains n'avaient pas découverts", et que ses chimistes computationnels n'avaient jamais vus auparavant. Il appelle cela en interne "le coup 37 pour la chimie".
• Schrodinger a lancé le seul véritable produit de la semaine, un assistant IA agentique appelé Bunsen, associé à l'infrastructure de NVIDIA et de Google Cloud. Fait notable : aucun podcast n'en a parlé.
• Recursion a connu une semaine véritablement silencieuse. Aucune nouvelle, aucune action d'analyste, aucune couverture podcast. Sa seule apparition a été celle de sa PDG décrivant un laboratoire ayant fait croître un billion de neurones.
• Nos trois valeurs suivies publient toutes leurs résultats le même jour : le 5 août. Tout, cette semaine, relève du positionnement avant publication.

What's new

L'équipe AlphaFold est en train d'être démembrée

C'est l'histoire de la semaine, et elle mérite d'être énoncée clairement car il est facile de la sous-estimer.

AlphaFold est la raison pour laquelle la plupart des gens en dehors de la biologie ont entendu parler de l'IA en découverte de médicaments. Il prédit la forme tridimensionnelle qu'une protéine adoptera en se repliant à partir de sa séquence génétique sous-jacente, un problème qui avait résisté au domaine pendant cinquante ans. Ses créateurs ont remporté un prix Nobel. Avant AlphaFold, l'humanité avait déterminé expérimentalement environ 170 000 structures protéiques sur cinq décennies. Après, ce chiffre est passé à 200-300 millions.

Sur le Daily Tech News Show (29 juillet), les animateurs ont rapporté que de nombreux chercheurs de cette équipe, "dont certains, soit dit en passant, ont été reconnus par un Nobel pour leur travail sur AlphaFold", ont été transférés "vers Gemini ou réaffectés à Isomorphic Labs, l'entreprise de découverte de médicaments d'Alphabet issue de DeepMind". Et le chiffre qui compte : "environ un quart de l'équipe aurait apparemment déjà quitté l'entreprise."

Le vice-président de la recherche de DeepMind, Pushmeet Kohli, a présenté cela comme une évolution stratégique, la "stratégie de longue date des grands défis" du groupe ayant "désormais évolué" vers une concentration plus étroite sur Gemini, qui, selon les animateurs, "est apparemment la plus grande priorité de Google. Ils travaillent très dur pour rivaliser à ce niveau de pointe."

Les animateurs ont interprété cela comme une victoire pour Google, et il existe une version défendable de cet argument. Comme l'un d'eux l'a formulé : "DeepMind AlphaFold était en un sens sa propre entité parce qu'il devait l'être. Et le fait de le 'replier' - pardon pour le mauvais jeu de mots - dans Gemini, et d'en faire une partie de la recherche scientifique que Gemini est déjà capable de mener et qui est déjà utilisée dans la recherche, cela ne fait que rendre l'ensemble beaucoup plus solide." Les outils AlphaFold restent ouverts, et Isomorphic Labs continue.

Mais en écartant cette présentation, voici ce qui s'est réellement passé : le projet d'IA scientifiquement le plus célébré au monde était en concurrence interne pour attirer des talents face à un chatbot généraliste, et il a perdu. Un quart des effectifs est parti. Pour un secteur dont toute la thèse d'investissement repose sur l'idée que "l'IA va transformer la biologie", le fait que la preuve phare de cette thèse n'ait pas pu être défendue comme priorité autonome au sein même de l'entreprise qui l'a créée mérite qu'on s'y attarde.

Il existe un signal connexe la même semaine. Sur Tech Brew Ride Home (29 juillet), la discussion sur la façon dont les laboratoires d'IA se précipitent vers des systèmes capables de s'auto-améliorer a noté que Demis Hassabis poursuivrait, selon certaines informations, une voie différente, à travers des "modèles du monde" plutôt que des agents de codage qui s'améliorent récursivement eux-mêmes. La semaine dernière, nous avons évoqué Woody Sherman de Cythera défendant des "modèles du monde à l'échelle nanométrique" fondés sur la physique pour les molécules, plutôt que des modèles de langage. Ces deux fils pourraient être en train de converger : le pari en interne chez DeepMind pourrait être que la science moléculaire revienne par les modèles du monde, et non par une équipe dédiée à la prédiction de structures.

Anthropic devient un développeur de médicaments

L'épisode de BioCentury du 28 juillet contenait une révélation qui méritait plus d'attention qu'elle n'en a reçu.

L'épisode était construit autour d'un exercice de cartographie : la journaliste Lindsay et sa collègue Karen Tkach-Tusman ont passé du temps à comprendre comment les récentes sorties des grandes entreprises d'IA s'articulent au sein de la chaîne de recherche pharmaceutique. Anthropic a lancé Claude Science fin juin. Google construit quelque chose de similaire. NVIDIA vend les outils et la puissance de calcul en dessous. Amazon construit des agents pour des tâches spécifiques. OpenAI travaille sur le modèle lui-même.

Puis, au milieu de la conversation, un animateur a demandé : "Lizzie, j'ai une question. J'ai cru comprendre qu'Anthropic se lançait elle-même dans le développement préclinique de médicaments ?"

La réponse : "Oui. ... Anthropic va désormais développer des programmes précliniques pour des maladies rares et négligées. Ils n'ont pas dit grand-chose au-delà de cela."

La question de suivi est celle que tout dirigeant pharmaceutique va désormais se poser : "Donc, si vous êtes une entreprise qui envisage d'utiliser ses outils, cela soulève-t-il des drapeaux rouges pour vous ? Et maintenant, cette entreprise est aussi mon concurrent ?"

BioCentury a posé cette question directement à Anthropic et s'est entretenu avec Jonah Kuhl, qui a déclaré que la plateforme "ne s'entraîne pas sur les données de l'utilisateur ni ne conserve ses données de quelque manière que ce soit. Et que cela ne fait pas partie de leur modèle d'affaires." Le motif invoqué est de comprendre les difficultés auxquelles les laboratoires pharmaceutiques font face dans le développement de médicaments. BioCentury n'a pas simplement accepté cela : "Je pense que reste à voir si cela se déroule vraiment ainsi, ou s'il y a autre chose derrière tout ça."

Pourquoi cela compte commercialement : tout l'argument de vente de l'IA en plateforme aux laboratoires pharmaceutiques est "donnez-nous vos données propriétaires et nous vous rendrons plus rapides". Si le fournisseur de plateforme exploite également sa propre pipeline, même dans des maladies rares et négligées, commercialement peu attrayantes et donc un point de départ diplomatique, le calcul de confiance change. BioCentury a prédit la parade : "l'émergence de moyens alternatifs d'accéder aux modèles. Des choses comme l'apprentissage fédéré ou d'autres consortiums qui regroupent ou collectent des données de manière protégée pour un objectif précis, sans que vous ayez nécessairement à soumettre vos données à un concurrent potentiel." (L'apprentissage fédéré consiste à entraîner un modèle partagé sans qu'aucune partie ne remette ses données brutes.)

Pour situer l'ampleur de ce qui se passe : sur Equity (22 juillet), Matt Murphy de Menlo Ventures a noté qu'Anthropic avait dépassé un taux de revenu annualisé de 47 milliards de dollars au mois de mai, contre 9 milliards en 2025, et a attribué cela à son orientation entreprise et à des produits comme "Claude Code pour les sciences de la vie". Une entreprise à ce niveau de revenu qui se lance dans le développement préclinique n'est pas un simple projet scientifique.

Les acteurs historiques viennent d'abattre leurs cartes, et leurs données sont énormes

Le numéro de la semaine dernière avait trouvé trois voix indépendantes convergeant vers une même affirmation : le modèle d'IA n'est plus la contrainte, ce sont les bonnes données générées en laboratoire qui le sont. Cette semaine, nous avons obtenu la réponse à la question de suivi évidente, à savoir qui possède réellement ces données, et la réponse est inconfortable pour les entreprises pures de découverte de médicaments par IA.

Regeneron. Aris Baras, qui dirige le Regeneron Genetics Center, a donné ce qui est peut-être l'entretien le plus substantiel de la semaine sur Business Of Biotech (27 juillet).

Il commence par le véritable problème, qui n'est pas la modélisation. Son équipe a analysé chaque cible de médicament jamais poursuivie, chaque médicament approuvé, tout ce qui a jamais été tenté lors d'un essai, et a constaté que cela couvrait "quelque chose comme peut-être 10 % du génome. 10 %. Il y a 20 000 gènes et nous n'avons vraiment pu en explorer qu'environ 10 %." D'où, selon ses mots, "notre industrie a un taux d'échec de 90 %. La plupart des gens n'en ont pas conscience. Nous nous réveillons chaque jour et la plupart de ce que nous faisons échoue."

Leur approche : trouver des personnes dont la génétique les protège des maladies, puis développer un médicament qui imite cette mutation. L'inspiration venait de PCSK9 - la Dallas Heart Study a découvert que les porteurs d'une version défectueuse de ce gène avaient "des taux de crise cardiaque inférieurs de 90 % et des niveaux très bas de mauvais cholestérol." Le point de Baras sur pourquoi cela dé-risque tout : "L'essai clinique a presque déjà été réalisé. Vous pouvez examiner des milliers de personnes dont les données couvrent toute une vie, à qui il manque ce gène, et regarder les bénéfices qu'elles en retirent. Bon, et là, tout d'un coup, ça ne ressemble plus à un taux d'échec de 90 %."

Le hic, c'est que ces personnes sont rares, "une sur 1 000, une sur 10 000", et un seul exemple ne prouve rien. "En trouver une, c'est formidable. Mais pour être absolument sûr, il faut en voir des centaines. Il faut en voir des milliers." C'est là toute la justification de l'échelle : trois millions de personnes séquencées.

Treize ans plus tard, le résultat : "Nous avons trouvé plus de 100 de ces histoires extraordinaires, presque fascinantes, presque incroyables de facteurs génétiques humains protecteurs. Nous en avons pris environ la moitié, peut-être 50, et les avons transformées en nouveaux médicaments sur plus d'une décennie, dans le pipeline de Regeneron." Y compris dans les domaines les plus difficiles, la neurodégénérescence, et même le cancer : "Des gens nés avec des variants génétiques qui les protègent de développer un jour un cancer. Imaginez les possibilités."

Il a détaillé un exemple en cours sans nommer la cible : un gène ayant "la plus grande taille d'effet que nous ayons observée en termes de réduction de la graisse hépatique et de réduction du risque de maladie du foie, de toute la génétique, de tout gène, de toute cible." Comme la version protectrice du gène est défectueuse, "nous savons immédiatement que nous devons fabriquer un inhibiteur." Comme leurs données transcriptomiques ont montré qu'il se situe à l'intérieur des cellules hépatiques, "impossible de le faire avec un anticorps." Ils l'ont donc acheminé via leur partenariat avec Alnylam vers un médicament à réduction génique désormais en développement avancé, avec des données espérées plus tard cette année. C'est toute la boucle, de la génétique des populations à la sélection de la modalité jusqu'à la clinique, et il faut noter à quel point peu de tout cela relève de l'IA.

Là où l'IA intervient réellement se divise en deux couches, et la seconde est la partie stratégiquement intéressante.

La couche banale : ils l'utilisent pour le "variant calling", c'est-à-dire le tri des milliards de variants génétiques par génome pour distinguer ceux qui sont insignifiants de ceux qui comptent vraiment, et pour automatiser l'annotation à travers "des centaines de milliers d'images." Baras attribue l'adoption précoce "certainement des modèles Claude" à son directeur des données sur le point de partir à la retraite, Jeffrey Reed.

La couche stratégique est, dans ses propres mots, la citation de la semaine :

C'est phénoménal ce que ces entreprises ont accompli en développant ces modèles d'IA. Et elles ne font que s'améliorer. Et devenir plus efficaces, peut-être. Mais elles ont tendance à finir par se ressembler, n'est-ce pas, quand elles sont entraînées sur des données publiques. Donc Anthropic et OpenAI s'entraînent en grande partie sur beaucoup des mêmes données. Elles peuvent donc se différencier sur leurs modèles. Mais qu'en serait-il si vous pouviez associer ces modèles, ou mieux encore, les entraîner sur le type de données que nous générons ici ?

Il établit ensuite explicitement la comparaison des dépenses : les entreprises d'IA investissent des milliards dans des centres de données pour s'entraîner sur des données publiques, tandis que "les milliards que nous avons dépensés et la décennie que nous avons passée à construire ces ensembles de données propriétaires sont plus spécifiques et propres au secteur de la santé." Sa vision de la récompense : associer des centaines de millions de dossiers de santé s'étalant sur des décennies à une profondeur génomique et protéomique, et "vous pouvez enfin commencer à entraîner des modèles pour comprendre la biologie humaine et la prédire."

Son objectif final déclaré ne laisse aucune place à l'ambiguïté quant à un éventuel plafonnement de ce programme : "Je vois vraiment un avenir où nous allons générer le génome et le protéome de tout le monde. Il n'y a donc pas de rendement décroissant. Il n'y a pas de ligne d'arrivée ici. Nous y allons à fond."

Un aveu réellement franc, qui joue dans l'autre sens : le fait d'avoir été un pionnier précoce du séquençage "devient beaucoup moins un avantage stratégique pour nous." Les coûts de séquençage se sont effondrés. La barrière à l'entrée, c'est le lien entre les génomes et des décennies de dossiers de santé, pas le séquençage lui-même.

Bristol Myers Squibb. Science News Daily (22 juillet) a rapporté que BMS a étendu sa plateforme d'IA, s'appuyant sur "un superpod DGX initial lancé il y a environ trois ans, avec l'objectif d'accélérer l'identification des cibles de plusieurs semaines à quelques jours." (Un superpod DGX est le supercalculateur d'IA pré-assemblé de NVIDIA.) La direction a présenté l'objectif comme "réduisant le travail manuel, et améliorant la probabilité que les programmes en cours d'avancement soient les bons" - notez cette seconde clause, qui concerne l'amélioration du taux de réussite, non de la vitesse. Aucun chiffre financier ni calendrier de commercialisation n'a été divulgué. BioCentury a séparément signalé cela comme faisant partie d'une tendance : "peut-être que les grands laboratoires pharmaceutiques, qui ont le capital nécessaire pour conclure ce type d'accords, contrairement à une petite biotech qui ne peut peut-être accéder qu'à la plateforme elle-même, pourront aller plus vite et faire plus."

Eli Lilly. Lilly fait la même chose sous un troisième angle, en louant ses données comme barrière à l'entrée. Le 23 juillet, Sprint Bioscience a officiellement rejoint Lilly TuneLab, la plateforme de découverte de médicaments par IA que Lilly a lancée fin 2025. L'accord donne à Sprint accès à des modèles prédictifs entraînés sur les données de recherche propriétaires de Lilly, décrites comme représentant plus d'un milliard de dollars d'investissement de recherche historique. Un rapport sectoriel distinct paru le même jour a mis en avant le laboratoire de co-innovation d'environ un milliard de dollars entre Lilly et NVIDIA et son supercalculateur "LillyPod", opérationnel début 2026 avec 1 016 GPU Blackwell Ultra.

En rassemblant les trois, un schéma se dessine qui devrait inquiéter quiconque est long sur les valeurs pures de découverte de médicaments par IA : les grands laboratoires pharmaceutiques construisent en interne ce que les entreprises de découverte de médicaments par IA vendent. Ils ont les données, ils ont le capital pour les accords de calcul, et comme l'a formulé le reportage de BioCentury, "le facteur limitant n'est pas le modèle ou l'accès à la plateforme, mais plutôt les données et les types d'essais qu'ils réalisent."

Reid Hoffman mise tout sur la chimie par IA

Sur Masters of Scale (25 juillet), en conversation avec Satya Nadella, Reid Hoffman a annoncé qu'il quittait le conseil d'administration de Microsoft à la fin de l'année, après dix ans, pour retourner en "mode fondateur" chez Manas AI, son entreprise de chimie pilotée par IA.

Sa raison est un résultat, et il l'a décrit avec soin. Manas a un nom interne pour ce qu'ils observent : "nous avons une description interne du coup 37 pour la chimie, parce que nous voyons une chimie qui pourrait effectivement tenter sa chance contre des cancers et d'autres maladies vraiment intéressants."

(Pour ceux qui auraient manqué la référence : le coup 37 était le coup joué par AlphaGo contre Lee Sedol en 2016, qu'aucun joueur humain n'aurait choisi, qui ressemblait à une erreur, et qui s'est révélé génial. Il est devenu l'expression consacrée pour désigner une IA produisant quelque chose de véritablement en dehors de l'intuition humaine, plutôt que simplement plus rapide.)

La validation qu'il propose est la surprise d'experts humains : "nous avons certains des meilleurs chimistes computationnels au monde et ils ont regardé et dit, c'est très intéressant, nous n'avons jamais vu ça auparavant, et ça pourrait marcher." Et de manière cruciale : "le type de chimie que nous faisons, comme, les humains n'avaient pas découvert cette chimie chez Manas."

Sa façon d'expliquer pourquoi cela se produit est la partie utile de son argument. L'IA, dit-il, est "une intelligence extraterrestre... une version différente de l'IA qui a été construite pour beaucoup imiter l'intelligence humaine, ce qui crée toute une utilité pour nous, mais ses schémas de raisonnement ne sont pas les mêmes que les nôtres. Et les gens rencontrent cela fréquemment et se disent, oh, c'est effrayant. Vous pouvez répondre, eh bien, non, en fait... c'est aussi merveilleux parce que cela rend possibles de nouvelles choses."

À son crédit, il n'a pas survendu le calendrier : "c'est très tôt, n'est-ce pas ? Et donc ces choses prennent du temps avec toutes les procédures d'IND." (Un IND est la demande qu'une entreprise dépose auprès de la FDA avant de pouvoir tester un médicament sur des humains, la première véritable porte réglementaire.) Un composé nouveau qui impressionne des chimistes est encore loin d'être un médicament.

L'autre véritable science de la semaine

Une protéine conçue a réduit le taux d'erreur de CRISPR de plus de cinq fois. Rapporté sur AI Chat (24 juillet) : une équipe de recherche chinoise a utilisé AlphaFold pour reconcevoir la protéine d'édition génique CRISPR-Cas9, en testant 23 substitutions d'acides aminés sur 10 positions clés. Les éditions hors cible, des coupures au mauvais endroit dans le génome, qui constituent le problème de sécurité central de l'édition génique, sont passées de 28 % à 5 %, tandis que la précision sur la cible visée était maintenue. Publié dans Nature. Un détail mécanistique frappant : plus de 95 % des sites hors cible présentaient des changements dans les acides aminés en contact avec l'ARN guide, même là où la forme globale de la protéine restait inchangée. C'est un bon exemple d'une IA de prédiction de structure faisant quelque chose d'utile qui n'est pas "concevoir un nouveau médicament à partir de zéro" - elle a rendu un outil existant plus sûr.

Scape Bio a publié un article dans Nature sur des mini-protéines conçues par IA pour une classe de cibles qui a résisté aux produits biologiques. Sur The Bio Report (22 juillet), le cofondateur et PDG Christopher Norn a exposé le fossé. Les GPCR, la famille de récepteurs à l'origine d'une grande part des médicaments approuvés, et la famille sur laquelle agissent les médicaments contre l'obésité de type GLP-1, sont majoritairement médicamentés par de petites molécules et des peptides. Les anticorps fonctionnent à peine ici : "il existe très peu d'exemples de médicaments approuvés. Il y en a trois au total. Et parmi ces trois anticorps, aucun n'a la capacité d'activer le récepteur."

La raison est physique. Ces récepteurs sont enchâssés dans la membrane grasse d'une cellule et ne sont pas solubles, de sorte que la voie standard pour fabriquer un anticorps ne fonctionne pas : on extrait le récepteur de la membrane et "ils adoptent des conformations légèrement différentes, et les molécules que l'on crée de cette manière finissent par être non fonctionnelles." La solution de contournement de Scape est de cribler la liaison "directement à l'intérieur de cellules humaines, en laissant les récepteurs dans leur environnement natif."

Leurs molécules conçues sont des mini-protéines, "de seulement 40 à 70 acides aminés de long", face à des anticorps "environ 15 fois plus longs", ce qui, selon Norn, leur confère un meilleur ajustement physique : "nous sommes capables de pénétrer assez profondément dans leur poche et de les verrouiller dans l'état souhaité." Il les décrit comme "sélectives comme des anticorps, stables comme des petites molécules", et formulables pour survivre à la digestion en vue d'une thérapie limitée à l'intestin.

Le résultat : en travaillant avec le laboratoire de David Baker, "nous l'avons maintenant fait pour 11 GPCR différents... nous pouvons générer des modulateurs pour soit activer, soit [inactiver] ces récepteurs." L'article de Nature a été publié le même jour que l'épisode.

Il y a aussi un joli détail sur la place des modèles de langage, qui n'a rien à voir avec la conception moléculaire. Norn les a utilisés pour la sélection de cibles, historiquement "un exercice où de nombreuses personnes réunies dans une salle discutent d'une cible spécifique... des discussions interminables" où "chacun avait son GPCR favori." À la place : "avec les LLM, nous pouvons le faire systématiquement. Nous avons utilisé des milliards de tokens pour cela, à travers, je crois, 3 000 combinaisons différentes de cible-indication-mécanisme d'action pour les GPCR, afin d'aboutir à une liste d'environ huit désormais." Il a maintenu des humains dans la boucle : "nous restons des humains et nous examinons cela, et nous avons peut-être dans certains cas des connaissances sectorielles qui nous permettent de classer différemment de ce que l'IA choisirait." Une autre note honnête : pour générer les squelettes protéiques, ils utilisent des méthodes du laboratoire Baker comme la diffusion RF, mais aussi "de grandes bibliothèques de charpentes natives qui s'expriment parfois un peu mieux que les squelettes générés par IA." La nature bat encore parfois le modèle.

L'entreprise est petite et jeune : issue en juin de l'incubation du Bioinnovation Institute de Copenhague après deux ans et demi de construction technologique, ayant levé une amorce et en train de lever davantage.

Les modèles de langage génomiques progressent vers la fabrication. Off Script (28 juillet) a couvert un coin de la chaîne que cette newsletter a sous-traité : l'application de modèles de langage entraînés sur des génomes à l'optimisation de souches et au rendement de bio-fabrication, rendant plus productifs les organismes génétiquement modifiés qui produisent des anticorps et des produits biologiques. La découverte fait les gros titres ; le rendement de fabrication est là où se trouve en réalité une grande partie de la marge.

L'argent public finance la roue à aubes des données. Crain's Daily Gist (29 juillet) a noté que l'Université Northwestern a reçu une subvention NSF de 20 millions de dollars pour construire un laboratoire cloud d'ingénierie protéique, où l'IA propose des designs de protéines, les chercheurs les synthétisent et les testent, et les résultats reviennent en tant que données d'entraînement. Modeste en taille, mais c'est exactement l'architecture "générez vos propres données" que les épisodes de Xaira et Lila Sciences la semaine dernière présentaient comme l'ensemble du jeu, apparaissant désormais dans le financement scientifique fédéral.

Réglementation : le pilote de la FDA sur les essais assistés par IA reçoit ses premières véritables critiques

Note to File (22 juillet) a passé en revue les commentaires publics sur la demande d'informations de la FDA relative à son programme pilote pour l'optimisation par IA des essais cliniques en phase précoce. Cela mérite d'être suivi car c'est le point où l'IA dans le développement de médicaments cesse d'être une histoire de recherche et devient une histoire de conformité.

Le commentaire le plus incisif est venu de Massive Bio, qui a fait valoir que la FDA devrait concevoir cela comme "un programme d'orchestration d'essais assisté par IA, de niveau réglementaire, gouverné par des humains, et non une évaluation étroite de modèle ou une expérimentation opérationnelle réservée aux promoteurs." Les animateurs se sont ralliés à cette critique : "cela ressemble à une expérimentation opérationnelle réservée aux promoteurs. C'est bien qui ils ont fait monter sur scène, non ? Deux promoteurs."

Ils ont également remis en question le choix de commencer par l'oncologie, où "le taux d'inclusion n'est généralement pas très élevé. Il y a là beaucoup de points de données très confus... Cela semble un endroit étrange pour commencer." Bien qu'ils aient concédé le contre-argument : si l'objectif réel est de relier les essais aux dossiers médicaux électroniques, l'oncologie a du sens "parce que les essais cliniques deviennent des soins cliniques. Et donc cela devrait figurer dans le DME."

Il y avait un scepticisme ouvert envers l'entreprise privée au centre de tout cela : "saisir les données directement dans le système Paradigm, c'est ce qui est diffusé vers la FDA, ce qui est également étrange. Je veux dire, manifestement Paradigm a passé pas mal de temps à lever beaucoup d'argent en restant plutôt discrète. Et puis tout d'un coup, ils émergent et voilà qu'ils ont cette relation."

Le changement de ton est le signal : "quand c'est sorti pour la première fois, tout le monde applaudissait juste à quel point c'était une avancée majeure vers l'innovation. Et je me disais, est-ce vraiment le cas, je ne comprends pas. Et maintenant, au moins, des gens sortent du bois et deviennent un peu plus critiques."

Un épisode compagnon de la même émission (30 juillet) a fourni l'énoncé le plus clair de la règle actuelle du jeu. En discutant de Gleam, une entreprise utilisant l'IA pour aider les coordinateurs d'essais dans la saisie de données, la norme a été décrite en deux parties : l'outil doit être "adapté à son objectif" et il doit y avoir "un humain responsable à l'autre bout." L'application vise les entreprises qui déploient l'IA sans révision humaine, ou utilisent des outils inadaptés à l'objectif visé. C'est en principe une barre basse et en pratique une contrainte significative, qui exclut la version entièrement autonome de presque tous les argumentaires d'automatisation des essais.

Séparément, le même épisode a interprété les restrictions de la FDA sur les données cliniques chinoises comme relevant de la politique industrielle plutôt que de la politique de qualité des données : "essaient-ils simplement de signaler qu'ils ne veulent pas que le travail de recherche clinique se délocalise à l'étranger ?"

The debate

Le débat de la semaine dernière portait sur un goulot d'étranglement. Trois voix indépendantes affirmaient que le modèle d'IA n'était plus la contrainte, et le débat portait sur ce qui l'avait remplacé : davantage de données de laboratoire de meilleure qualité (Xaira, A-Alpha Bio, Lila Sciences) contre une meilleure façon de représenter les molécules qui nécessiterait moins de données (l'approche fondée sur la physique de Cythera).

Cette semaine, le débat s'est déplacé vers un terrain plus inconfortable : si les données sont la barrière à l'entrée, alors cette barrière appartient aux entreprises qui ont passé les vingt dernières années à accumuler des patients, pas à celles qui ont passé les cinq dernières à accumuler des GPU.

Voici les arguments présentés dans les deux sens, car les deux ont été défendus cette semaine.

Les acteurs historiques l'emportent. Regeneron possède trois millions de génomes séquencés reliés à des décennies de dossiers de santé, et 100 mutations protectrices validées, dont 50 sont déjà des programmes de médicaments. Cela a pris treize ans et ne peut s'acheter. BMS possède son propre supercalculateur d'IA. Lilly loue un milliard de dollars d'historique de recherche comme plateforme. La cartographie de BioCentury l'a formulé le plus nettement : la couche intermédiaire différenciante de la chaîne est celle où "les laboratoires pharmaceutiques ou biotechs peuvent vraiment se différencier, même s'ils utilisent une plateforme ou un modèle auquel d'autres ont également accès", parce que "le facteur limitant n'est pas le modèle ou l'accès à la plateforme, mais plutôt les données et les types d'essais qu'ils réalisent, ce qui ne va pas nécessairement changer au même rythme." Et lorsqu'on lui a demandé directement si l'accès à la plateforme nivelait les chances pour les petites entreprises : "je ne sais pas si, disons, une petite biotech accédant au modèle va la mettre au même niveau qu'un grand laboratoire pharmaceutique utilisant Claude Science."

Il existe une version de second ordre de cet argument, pire encore pour les petits acteurs. Il ne s'agit pas seulement de volume de données, mais de capital pour le calcul. BioCentury a noté que les grands laboratoires pharmaceutiques peuvent conclure des accords au niveau du calcul, comme BMS avec NVIDIA, "contrairement à une petite biotech qui ne peut peut-être accéder qu'à la plateforme elle-même." Et le coût de fonctionnement des agents est désormais un véritable poste de dépense : Kimberly Powell de NVIDIA a noté que "chaque fois qu'un agent attend et réfléchit à ce qu'il doit faire ensuite, il consomme des tokens." BioCentury a établi une analogie avec ce qui s'est déjà produit dans la tech : "nous avons vu ce concept de maximisation des tokens pendant un temps, n'est-ce pas. Tout le monde voulait juste avancer le plus vite possible, encourageant tous ses employés à simplement utiliser les tokens. Et maintenant, ils se retirent parce que les gens se disent, waouh, c'est vraiment cher." Nadella a fait le même constat sur Masters of Scale, avertissant que "les gens peuvent devenir fous en dépensant beaucoup de tokens de manière inefficace", et arguant que "celui qui comprend qu'il peut utiliser les tokens plus efficacement pour un résultat qui compte dans le monde va prendre l'avantage." La discipline du coût de calcul devient une variable concurrentielle dans la découverte de médicaments, et cela favorise les bilans solides.

Les challengers l'emportent. Le contre-argument est que les acteurs historiques ont les mauvaises données, et que les résultats intéressants de cette semaine sont venus de petites équipes. Scape Bio, c'est une poignée de personnes à Copenhague qui vient de publier dans Nature et a percé onze récepteurs que trois anticorps approuvés n'avaient pas pu activer. Manas a produit une chimie que les meilleurs chimistes computationnels du monde n'avaient jamais vue. Les modèles de fondation protéiques de Chai Discovery ont été décrits par un investisseur qui les détient depuis l'amorçage comme "exceptionnels." Rien de tout cela n'a nécessité trois millions de génomes. Il fallait un problème spécifique, bien choisi, et une bonne représentation de celui-ci.

Il existe aussi un véritable argument selon lequel l'avantage en données des acteurs historiques est plus étroit qu'il n'y paraît. Baras lui-même a concédé que le fait d'être un pionnier précoce du séquençage "devient beaucoup moins un avantage stratégique" à mesure que les coûts ont baissé. La génétique des populations humaines vous dit quelles cibles valent la peine d'être poursuivies. Elle ne vous dit presque rien sur la façon de concevoir la molécule qui les atteint, ce qui est précisément là où les entreprises natives de l'IA opèrent réellement. Le propre exemple hépatique de Regeneron le prouve : la génétique a choisi la cible, mais le médicament est venu d'un partenariat avec Alnylam. La sélection de cibles et la conception moléculaire sont des métiers différents, et les entreprises pures d'IA sont majoritairement dans le second.

Et il y a une troisième possibilité inconfortable, que soulève la nouvelle AlphaFold : les laboratoires d'IA de pointe s'emparent de tout. Anthropic a un taux de revenu annualisé de 47 milliards de dollars et lance ses propres programmes précliniques. OpenAI construit GPT Rosalind, décrit sur BioCentury comme "GPT 5.5, mais enrichi d'informations scientifiques en chimie, des ensembles de données supplémentaires utilisés pour entraîner le modèle à être plus spécialisé en science." Google consolide son talent scientifique dans Gemini et ses programmes de médicaments dans Isomorphic Labs. Ce sont des organisations avec des coûts de capital plus bas que l'ensemble du secteur coté de la découverte de médicaments par IA réuni, et elles viennent tout juste de commencer à concurrencer leurs propres clients.

Là où nous en sommes. La lecture honnête est que les entreprises pures de découverte de médicaments par IA sont prises en étau des deux côtés, et cette semaine a aggravé plutôt qu'amélioré la situation. Au-dessus d'elles, les acteurs pharmaceutiques historiques disposant de données patients irremplaçables et du capital pour acheter du calcul construisent cette capacité en interne. À leurs côtés, des laboratoires d'IA de pointe disposant d'un capital bien moins cher descendent la chaîne vers le développement de médicaments lui-même. La revendication des entreprises pures sur le milieu de la chaîne, à savoir qu'elles combinent de manière unique compétence computationnelle et perspicacité biologique, est exactement la revendication que les deux voisins contestent désormais.

Il existe un actif que les acteurs historiques ne peuvent vraiment pas reproduire rapidement, et c'est le même qui est revenu la semaine dernière et à nouveau cette semaine : les données négatives. BioCentury a fait ce constat directement : "vous avez besoin des données négatives. Et ce n'est pas quelque chose qui se trouve dans [Claude] Science ou dans la banque de données protéiques à laquelle vous pourriez accéder via le connecteur. C'est quelque chose qui vient avec l'expérience et les données propriétaires de l'entreprise." Savoir ce qui a échoué, et pourquoi, ne figure dans aucune base de données publique, car personne ne publie ses échecs. Une entreprise disposant d'une décennie de ses propres expériences ratées possède quelque chose qu'aucun modèle ne peut télécharger. C'est cela, plutôt que la qualité du modèle, qui constitue l'argument le plus solide restant en faveur des spécialistes.

Et une note rassurante pour quiconque s'inquiétait que tout cela ne rende l'expertise obsolète. Interrogé sur la question de savoir si un docteur avec des années d'expérience conserve toujours un avantage, la réponse sur BioCentury était sans hésitation oui : "parce qu'il faut être capable de savoir ce que l'on doit demander et de savoir ce que l'on ne doit pas demander. Et donc il faut le contexte autour de la science et l'expérience pour guider l'agent." L'analogie proposée renvoyait à la programmation : "les gens disent, oh, plus personne ne va programmer. Mais en ce moment même, les utilisateurs les plus efficaces de [Claude] code sont ceux qui savent programmer."

Stocks in play

Nos trois valeurs suivies publient toutes leurs résultats du deuxième trimestre le même jour, le 5 août. Recursion publie avant l'ouverture, Schrodinger après la clôture, Lilly également ce jour-là. Tout ce qui suit relève du positionnement pré-résultats au sein d'une période de silence.

Schrodinger (SDGR), 15,35 $, en hausse de 1,5 % sur la semaine. La seule des trois avec un véritable événement produit. Le 27 juillet, Schrodinger a lancé la version en accès anticipé de Bunsen, qu'elle décrit comme "son nouveau co-scientifique en IA agentique qui aide les chercheurs à comprendre les objectifs scientifiques, à développer des stratégies computationnelles, à exécuter des flux de travail sophistiqués de découverte moléculaire et à interpréter les résultats."

Le positionnement est délibéré et mérite d'être cité, car il constitue précisément l'argument "physique plus IA plutôt qu'IA à la place de la physique" que cette newsletter suit depuis des semaines : "En combinant l'IA avec la simulation fondée sur la physique, Bunsen permet aux chercheurs d'appliquer leur expertise à plus grande échelle... Contrairement aux systèmes d'IA généralistes qui ne font que récupérer et résumer des informations scientifiques existantes, Bunsen est optimisé pour exécuter les méthodes computationnelles validées de Schrodinger et tire parti de décennies d'expertise de l'entreprise en découverte moléculaire fondée sur la physique."

La seconde moitié de cette affirmation est celle qui est commercialement intéressante : "Bunsen rend les méthodes computationnelles avancées accessibles à des chasseurs de médicaments expérimentés qui ne sont pas des chimistes computationnels." Le problème structurel de Schrodinger a toujours été que son logiciel nécessite un chimiste computationnel pour le piloter, ce qui plafonne la base d'utilisateurs adressable au sein de tout client donné. Si une couche en langage naturel supprime véritablement cette contrainte, cela élargit le nombre de sièges par compte. Le PDG Ramy Farid a présenté cela comme supprimant les frictions du cycle de découverte et élargissant la base d'utilisateurs de la plateforme. Le lancement commercial complet est prévu d'ici fin 2026.

Le produit arrive également associé à de sérieux partenaires d'infrastructure. Dans le cadre de collaborations avec NVIDIA et Google Cloud, les deux "fourniront une plateforme d'IA full-stack co-conçue pour soutenir les premiers clients de Bunsen", incluant le calcul élastique de Google Cloud et l'intégration avec le NVIDIA BioNeMo Agent Toolkit et les GPU NVIDIA RTX PRO 6000 Blackwell Server Edition. Anthony Costa, directeur de la biologie numérique chez NVIDIA, a commenté publiquement cette chaîne technologique.

Deux mises en garde. D'abord, il s'agit d'un accès anticipé, pas de revenus, le lancement complet est à cinq mois, et l'appel de résultats du 5 août sera la première occasion d'entendre quoi que ce soit sur l'adoption précoce. Ensuite, et plus révélateur encore : pas un seul podcast dans notre analyse n'a discuté de Bunsen. Pour une entreprise dont le récit dépend d'être perçue comme un leader de l'IA, lancer un produit agentique la même semaine où les praticiens du secteur parlaient des génomes de Regeneron et de la réorganisation de DeepMind, et n'obtenir aucune attention du tout, constitue en soi un indicateur sur la part d'attention.

Contexte sur les résultats : le consensus attend une perte d'environ 0,41 $ par action sur environ 47,2 millions de dollars de revenus. Les prévisions annuelles en vigueur, issues du trimestre de mai, prévoyaient une valeur annuelle des contrats logiciels de 218-228 millions de dollars (croissance de 10-15 % par rapport à 2025) et un revenu de découverte de médicaments de 55-65 millions de dollars. Les objectifs de cours de la rue se regroupent entre la fin des dizaines et le milieu des vingtaines de dollars.

Recursion (RXRX), 3,03 $, en hausse de 0,7 % sur la semaine, toujours proche de son plus bas sur 52 semaines de 2,77 $. Une semaine véritablement vide. Aucune annonce d'entreprise substantielle, aucun changement de notation d'analyste ni de révision d'objectif de cours, et aucune couverture podcast. L'action est désormais restée effectivement plate pendant trois semaines consécutives dans la fourchette 3,01-3,03 $, après avoir été échangée jusqu'à 7,18 $ au cours de l'année écoulée.

Sa seule apparition partout a été celle de la PDG Najat Khan s'exprimant au U.S. Science Summit le 23 juillet à propos de l'alliance en neurosciences avec Roche/Genentech, où elle a décrit le partenariat générant un billion de cellules neuronales dérivées d'iPSC, décrites comme l'équivalent cellulaire d'environ douze cerveaux humains, au sein d'un laboratoire autonome, pour mener une étude de knockout du génome entier désactivant systématiquement les 20 000 gènes humains. Elle a relié cette production au supercalculateur BioHive de Recursion à Salt Lake City.

Il y a deux façons de lire cela, et elles importent pour la manière dont on se positionne avant le 5 août. La lecture généreuse est qu'il s'agit exactement de l'usine à données que les épisodes de la semaine dernière présentaient comme la véritable barrière à l'entrée, et Recursion est l'une des très rares entreprises cotées à en posséder une entièrement. Notez la symétrie avec Regeneron : 20 000 gènes est le même dénominateur que Baras a utilisé lorsqu'il a dit que le secteur n'en avait jamais couvert que 10 %. La lecture sceptique est que Recursion décrit depuis des années une échelle qui semble impressionnante, tandis que le cours de l'action a chuté de plus de moitié, et les commentaires de conférence ne constituent ni un accord, ni un jalon, ni des revenus. Un billion de cellules est un intrant. Les investisseurs attendent des extrants.

À noter également concernant l'actionnariat : BlackRock a déposé une participation passive modifiée de 8,5 %, soit environ 44,54 millions d'actions de catégorie A.

Eli Lilly (LLY), 1 155,27 $, en baisse de 2,6 % sur la semaine, dont 4,5 % rien que le jeudi. Lilly a de loin connu la semaine la plus chargée, et presque rien de tout cela ne concernait l'IA. Deux choses à distinguer ici : ce qui s'est passé pendant la semaine, et ce qui s'est passé jeudi.

Pendant la semaine, le titre était retatrutide, le médicament anti-obésité à triple hormone de Lilly, présentant des résultats de tête le 23 juillet issus de deux essais de phase 3. Les deux ont atteint leurs critères d'évaluation principaux. Dans TRIUMPH-2 (diabète de type 2 plus obésité), les patients sous 4 mg, 9 mg et 12 mg ont perdu en moyenne 29,8 lb, 45,4 lb et 49,6 lb respectivement à 80 semaines, avec des réductions de glycémie allant jusqu'à 1,6 %. Dans TRIUMPH-3 (obésité sévère avec maladie cardiovasculaire établie), les patients ont perdu jusqu'à une moyenne de 55,8 lb à 80 semaines. Les mesures cardiovasculaires secondaires à la dose la plus élevée étaient solides : triglycérides en baisse de 37,0 %, cholestérol non-HDL en baisse de 16,5 %, pression artérielle systolique en baisse de 9,3 mmHg, tour de taille réduit de 7,5 pouces, et la protéine C-réactive à haute sensibilité, un marqueur d'inflammation, en baisse de 51,2 %.

Ce sont les réserves qui ont fait bouger le titre. Sur les événements cardiovasculaires graves, les résultats n'étaient pas nets : 44 événements sous retatrutide contre 52 sous placebo sur la mesure composite à cinq composantes plus large (un ratio de risque de 0,82, suggérant un bénéfice), mais 27 contre 23 sur la mesure composite plus étroite à trois composantes (un ratio de risque de 1,12, ne suggérant aucun bénéfice). Lilly a noté que ces événements "se sont produits moins fréquemment que prévu, tant dans les bras retatrutide que placebo," ce qui est l'explication standard d'un résultat sous-dimensionné, mais cela laisse le dossier cardiovasculaire non prouvé. La tolérabilité était un véritable problème à hautes doses : les arrêts dus à des événements indésirables ont atteint 11,6 % à 9 mg dans TRIUMPH-2 et 13,5 % à 12 mg dans TRIUMPH-3, contre environ 4,8-4,9 % sous placebo. Et le calendrier de dépôt a glissé : Lilly prévoit de soumettre pour l'approbation américaine au T1 2027, un retard par rapport à la fin 2026 précédemment attendue, le temps de finaliser le dossier de données de fabrication. La couverture secondaire a également noté que la perte de poids maximale était en deçà des 28,7 % observés lors du précédent essai TRIUMPH-4. BMO a jugé les données favorablement sur le rapport bénéfice-risque global et le potentiel d'efficacité de premier plan.

Le second point de pression est commercial. Foundayo (orforglipron), la pilule GLP-1 à petite molécule de Lilly approuvée en avril 2026, a connu un lancement en douceur, les prescriptions hebdomadaires stagnant depuis cinq semaines consécutives. Goldman Sachs a réduit son estimation des ventes de Foundayo au deuxième trimestre à 40 millions de dollars, contre un consensus de la rue proche de 100 millions de dollars, et a réduit son estimation de revenus américains 2026 pour ce médicament de 1,1 milliard à 755 millions de dollars. Goldman a néanmoins maintenu une recommandation d'achat et un objectif de 1 283 $, arguant que de solides ventes internationales de Mounjaro et une probable révision à la hausse des prévisions pourraient compenser ce démarrage lent. D'autres objectifs de cours ont été relevés fin juillet : JPMorgan à 1 400 $, UBS à 1 425 $, Bernstein à 1 385 $, Truist à 1 370 $, Bank of America à 1 334 $.

Nous n'avons pas de facteur unique confirmé pour la baisse de 4,5 % de jeudi, et nous n'allons pas en inventer un. Ce que nous pouvons dire, c'est que le titre a grimpé jusqu'à 1 210 $ pendant la semaine puis a rendu plus qu'il n'avait gagné en une seule séance, six jours avant une publication de résultats où le consensus pour un nouveau lancement clé pourrait devoir baisser de 60 %. C'est une configuration où le positionnement compte plus que les nouvelles.

Toujours dans la semaine de Lilly, rien de tout cela lié à l'IA : un investissement conjoint de 750 millions de dollars avec le sous-traitant de fabrication Resilience pour étendre la capacité américaine, en modernisant des installations dans l'Ohio pour augmenter la production des dispositifs d'injection KwikPen de Lilly et créer 400 emplois, dans le cadre d'une réponse sectorielle large à la menace de droits de douane de 100 % sur les médicaments de marque, à moins que les entreprises ne rapatrient leur production ou ne baissent leurs prix. Novo Nordisk a poursuivi Lilly devant un tribunal fédéral du New Jersey en vertu du Lanham Act, alléguant que la publicité télévisée de Lilly pour Zepbound et Mounjaro induit les patients en erreur en citant d'anciennes données SURMOUNT-5 qui comparent les doses les plus élevées de Lilly aux doses plus faibles des médicaments de Novo, ignorant la nouvelle formulation de 7,2 mg de Novo récemment approuvée ; Lilly affirme que ses publicités reposent sur des preuves scientifiques directes et qu'elle se défendra vigoureusement. Un ancien directeur médical exécutif de l'unité de neurosciences de Lilly a déposé une plainte pour discrimination et représailles dans le district sud de l'Indiana. Et rétrospectivement, l'acquisition de Centessa par Lilly, pour 6,3 milliards de dollars, s'est conclue au cours du trimestre, incluant jusqu'à 1,5 milliard de dollars de droits de valeur conditionnelle, sécurisant un pipeline d'agonistes du récepteur orexine 2 pour les troubles du sommeil, un accord dont les répercussions ont conduit Piper Sandler à relever son objectif de cours pour Alkermes de 43 $ à 65 $ le 28 juillet, notant qu'Alkermes a progressé de 76 % depuis l'annonce de Centessa.

Read-throughs

Pour NVIDIA (NVDA). NVIDIA est apparu dans le contenu de cette semaine plus souvent que toute biotech d'IA pure, et jamais en tant que concurrent, toujours en tant que péage. Elle fournit "les outils pour les paillasses et les modèles que les scientifiques peuvent utiliser, et l'infrastructure et le calcul nécessaires pour les faire fonctionner." BMS a étendu un superpod DGX. Lilly exploite 1 016 GPU Blackwell Ultra. Le nouveau produit de Schrodinger est livré co-conçu avec le BioNeMo Agent Toolkit de NVIDIA sur des serveurs RTX PRO 6000 Blackwell. BioCentury s'attend à davantage d'accords au niveau du calcul. Quel que soit le camp qui l'emporte dans le débat données contre modèle, NVIDIA vend aux deux, et la discipline émergente en matière de coût des tokens pousse sans doute les clients à acheter du calcul plus efficace plutôt que d'en acheter moins.

Pour Alphabet (GOOGL). Deux signaux contradictoires en une semaine. La dispersion de l'équipe AlphaFold indique que les projets scientifiques ambitieux ont perdu la priorité interne face au cœur de métier des modèles. Pendant ce temps, Google Cloud est l'un des deux partenaires d'infrastructure derrière le lancement de Bunsen de Schrodinger, et Isomorphic Labs absorbe une partie du talent AlphaFold. La lecture cohérente est qu'Alphabet consolide : le talent de recherche vers Gemini, les programmes de médicaments vers Isomorphic, la biologie commerciale vers les contrats Cloud. Cela pourrait être une entreprise mieux organisée. C'est une histoire moins bonne pour quiconque valorisait Alphabet en partie sur l'optionalité d'une science de rupture.

Pour le complexe des CRO et de l'infrastructure des essais cliniques. La critique du pilote de la FDA va à l'encontre des récits les plus agressifs sur l'IA dans les essais. La norme opérationnelle, l'outil doit être "adapté à son objectif", avec "un humain responsable à l'autre bout", exclut les versions entièrement autonomes qui sont proposées, et préserve la couche de services humains que vendent les organisations de recherche sous contrat. Dans le même temps, l'argument de Craig Lipset sur The Digital Health Roundtable pointe dans l'autre direction sur un horizon plus long : si l'IA réduit véritablement les coûts de développement suffisamment pour que des organisations à but non lucratif et des fondations de patients puissent agir comme promoteurs de médicaments, cela élargit le nombre de clients d'essais tout en comprimant la dépense par essai. Également pertinent pour la géographie de cette activité : les restrictions de la FDA sur les données cliniques chinoises semblent relever d'une politique de rapatriement, ce qui augmente à la fois les volumes et les coûts d'essais américains.

Pour Certara (CERT) et le groupe des logiciels de simulation. Le mouvement de Schrodinger est le modèle : envelopper une simulation validée fondée sur la physique dans un agent en langage naturel pour atteindre des utilisateurs non spécialistes. Quiconque vend un logiciel scientifique technique à courbe d'apprentissage abrupte fait désormais face à la même question de la part des clients : où est votre couche agent ? C'est une opportunité pour quiconque livre de façon crédible et une menace pour quiconque n'y parvient pas, car l'alternative pour le client est de construire lui-même la couche intermédiaire au-dessus d'une plateforme générale, ce que BioCentury a explicitement identifié comme l'endroit où les entreprises peuvent désormais se différencier.

Pour les valeurs d'édition génique. Le résultat de Cas9 reconçu par AlphaFold, éditions hors cible passées de 28 % à 5 %, publié dans Nature, rappelle que la contribution à court terme de l'IA à l'édition génique pourrait être d'améliorer les outils plutôt que de choisir les cibles. La perspective clinique issue de la discussion sur la drépanocytose pointait dans la même direction : de meilleures cibles d'édition, la prédiction des effets d'éditions combinatoires, et la recherche d'un remplaçant plus sûr du busulfan dans le régime de conditionnement. Ce sont des améliorations peu glamour qui, chacune, réduiraient significativement le risque des essais nécessitant actuellement 9 à 12 mois pour recruter 50 patients.

Pour les valorisations privées de l'IA-bio, et donc pour les comparables cotés. L'argent continue d'affluer. Chai Discovery et Etched ont réalisé des levées de fonds poussant les valorisations dans la zone de plusieurs milliards de dollars, en établissant explicitement des comparaisons avec les leaders cotés de leurs secteurs (thefly, 23 juillet), et la semaine suivante a apporté 1,7 milliard de dollars pour Atoms, plus une autre levée pour Etched (thefly, 30 juillet). Dimension déploie 1,65 milliard de dollars dans la science et le calcul avec une équipe de cinq personnes. Menlo a soutenu environ huit entreprises de modèles de découverte de médicaments, dont Xaira et Vilya. L'arithmétique inconfortable pour les investisseurs publics : Chai Discovery est valorisée en privé à plusieurs milliards, tandis que la capitalisation boursière totale de Schrodinger est de 1,1 milliard de dollars et celle de Recursion de 1,6 milliard de dollars. Soit les valorisations privées sont fausses, soit les entreprises pures cotées sont bon marché, soit, le plus probable, le marché établit une véritable distinction entre posséder un modèle protéique de pointe et posséder une activité logicielle héritée assortie d'un récit d'IA.

Une mise en garde sur les affirmations de "médicament conçu par IA". Un invité de This Week in Startups (22 juillet) a déclaré qu'un médicament conçu par IA avait atteint l'examen réglementaire de phase 3. Nous le signalons parce que c'est important, et parce que cela contredit la mise au point de la semaine dernière de Thibault Geoui, qui a soutenu qu'aucun véritable médicament conçu par IA n'a été approuvé et que le ou les exemples souvent cités sont des médicaments existants réutilisés. Atteindre l'examen de phase 3 et être approuvé sont des jalons très différents, et nous n'avons pas confirmé de manière indépendante de quel composé il s'agit. À traiter comme non vérifié et à surveiller.

What changed vs last week

Le cadre de la semaine dernière a tenu, puis s'est inversé. Le numéro du 23 juillet rapportait une convergence : trois voix indépendantes affirmant que le modèle d'IA n'est plus le goulot d'étranglement, ce sont les bonnes données. La question en suspens que nous avions laissée ouverte était de savoir si la valeur revient à celui qui possède l'usine à données, ou si les approches fondées sur la physique contournent entièrement le problème des données et redéplacent la barrière à l'entrée vers la perspicacité de modélisation.

Cette semaine, la thèse de l'usine à données n'a pas été réfutée. Elle a été confirmée, puis remise entre les mauvaises mains. BioCentury l'a reformulée de manière indépendante presque mot pour mot, "le facteur limitant n'est pas le modèle ou l'accès à la plateforme, mais plutôt les données et les types d'essais qu'ils réalisent", ce qui fait quatre semaines consécutives de convergence. Mais les entreprises qui ont exhibé les plus grandes usines à données cette semaine étaient Regeneron, Bristol Myers Squibb et Eli Lilly, pas Xaira, Lila ou A-Alpha. Si les données sont la barrière à l'entrée, les acteurs historiques ont une avance plus grande que ce que le récit ne le laissait entendre.

Le point sur les données négatives a désormais été soulevé par trois sources indépendantes en deux semaines. La semaine dernière, A-Alpha Bio soutenait que la Protein Data Bank est à la fois trop petite et dépourvue de résultats négatifs. Cette semaine, BioCentury l'a soulevé spontanément : "vous avez besoin des données négatives. Et ce n'est pas quelque chose qui se trouve dans [Claude] Science ou la banque de données protéiques." Cela est en train de passer d'une observation intéressante à l'affirmation spécifique la plus durable du secteur.

Le rôle d'Anthropic a changé de catégorie. La semaine dernière, Anthropic apparaissait comme un facilitateur, Claude Science, invoquant AlphaFold et Evo2 dans un navigateur, commandant chez IDT, avec un faible coût du capital signifiant "le plus grand nombre de tentatives." Cette semaine, elle est apparue comme un concurrent potentiel de ses propres clients, développant des programmes précliniques pour des maladies rares et négligées. C'est une entreprise différente à avoir dans sa chaîne d'approvisionnement.

Le fil John Jumper s'est résolu dans une direction inattendue. La semaine dernière, nous avions rapporté, en le signalant comme non confirmé, une affirmation selon laquelle Anthropic aurait débauché John Jumper de DeepMind, et l'avions lue comme les grands laboratoires d'IA se dirigeant vers la physique et les molécules. La nouvelle de cette semaine, selon laquelle un quart de l'équipe AlphaFold a quitté l'entreprise et le reste a été réparti entre Gemini et Isomorphic Labs, est cohérente avec des départs de cadres supérieurs, et recadre l'histoire. C'est moins "les laboratoires d'IA se déplacent vers les molécules" que "DeepMind a cessé de défendre son groupe de science moléculaire, et les talents se sont dispersés." Nous n'avons toujours pas confirmé de manière indépendante le recrutement de Jumper.

Le débat physique contre données a obtenu un produit commercial. La semaine dernière, Woody Sherman de Cythera plaidait pour des représentations fondées sur la physique plutôt que des modèles de langage. Cette semaine, Schrodinger a lancé un produit construit exactement sur cette prémisse, se contrastant explicitement avec "les systèmes d'IA généralistes qui ne font que récupérer et résumer des informations scientifiques existantes." L'argument est désormais assorti d'un test auprès de clients payants, avec un lancement complet prévu d'ici la fin de l'année.

Insilico est passée d'exemple nommé à absence. La semaine dernière, Insilico était évoquée comme l'entreprise phare de technologie-biologie sans médicament d'IA approuvé. Cette semaine, elle n'est apparue dans aucun nouvel épisode.

L'économie des tokens est un sujet nouveau. Cela ne figurait dans aucun numéro précédent. Deux conversations distinctes cette semaine, BioCentury sur les budgets biopharmaceutiques et Nadella sur Masters of Scale, ont traité le coût du fonctionnement des agents d'IA comme une variable stratégique plutôt qu'une erreur d'arrondi. On peut s'attendre à ce que cela devienne un poste récurrent dans la manière dont ces entreprises sont évaluées.

Les cours ont à peine bougé, ce qui est en soi l'histoire. Recursion a affiché 3,02 $, 3,01 $, 3,03 $ sur trois semaines consécutives tout en se maintenant près d'un plus bas sur 52 semaines. Schrodinger a récupéré la baisse de 3 % de la semaine dernière. Lilly a rendu son gain lié au retatrutide et davantage. Rien dans le récit de la découverte de médicaments par IA, ni la réorganisation d'AlphaFold, ni l'entrée d'Anthropic dans le développement de médicaments, ni le lancement du produit de Schrodinger, n'a fait bouger ces actions dans un sens ou dans l'autre. Le marché ne traite pas ce thème semaine après semaine. Il attend le 5 août.

La question charnière pour la semaine prochaine. Maintenant que les laboratoires d'IA de pointe se dirigent vers le développement de médicaments et que les acteurs pharmaceutiques historiques construisent l'IA en interne, que reste-t-il aux entreprises pures cotées ? Surveillez les publications du 5 août pour la seule réponse qui compte : la valeur annuelle des contrats logiciels de Schrodinger continue-t-elle de composer au rythme guidé de 10-15 %, et Recursion a-t-elle converti une partie de son énorme capacité de génération de données en un partenariat, un jalon, ou un résultat clinique ?