Newsletter · · Ashutosh Agarwal

Les pure-plays de la découverte de médicaments par IA se séparent le jour des résultats - AI Drug Discovery Weekly - Semaine du 30 juillet au 6 août 2026

Une synthèse de ce que les podcasts sur la découverte de médicaments par IA et les résultats du T2 ont dit pour la semaine du 30 juillet au 6 août 2026, alors que Schrödinger et Recursion ont publié leurs résultats le même jour et ont reçu des notes opposées, tandis que le secteur convergeait vers l'idée que la donnée propriétaire, et non le modèle d'IA, constitue le véritable rempart concurrentiel.

AI Drug Discovery Weekly

Semaine du 30 juillet au 6 août 2026 : les pure-plays de la découverte de médicaments par IA se séparent le jour des résultats

TL;DR

  • L'événement majeur de la semaine, ce sont les résultats. Les trois entreprises que nous suivons ont publié leurs résultats le mardi 5 août. Les deux « pure-plays » natives de l'IA ont publié à quelques heures d'intervalle et le marché leur a attribué des notes opposées. Schrödinger (SDGR) a battu les attentes et relevé ses prévisions, signé un accord pour déployer son nouvel assistant IA dans l'ensemble du groupe de recherche de Bristol Myers Squibb, et bondi. Recursion (RXRX) a manqué son chiffre d'affaires, réduit ses dépenses, encaissé une nouvelle étape de partenariat, et bougé à peine, toujours proche de son plus bas sur 52 semaines.

  • Eli Lilly (LLY) a livré un résultat spectaculaire, battant les attentes et relevant ses prévisions, porté par sa franchise contre l'obésité. Sa pertinence pour cette newsletter est surtout indirecte : le rachat par Lilly, pour 2,3 milliards de dollars, d'une start-up appelée Ajax, bâtie sur le logiciel de Schrödinger, est précisément ce qui a donné à Schrödinger un gain exceptionnel et une étape de 10 millions de dollars ce trimestre. L'histoire de l'IA appliquée aux médicaments et celle des GLP-1 sont désormais liées financièrement.

  • Le thème le plus répété dans les podcasts cette semaine : le modèle d'IA n'est plus la difficulté principale. Posséder des données que l'on a soi-même générées, si. Un investisseur perspicace de Braidwell a expliqué pourquoi, et les fondateurs de Chai Discovery, partenaires de Lilly, Novartis, Argenx et Pfizer, ont décrit le « cercle vertueux » qui transforme ces données en avantage. C'est la troisième semaine consécutive où l'idée « la donnée, pas le modèle » domine, et c'est désormais l'affirmation la plus solide du secteur.

  • À la frontière technologique, Google a totalement remanié la direction de son IA. Demis Hassabis a été promu « à l'étage », et les ingénieurs légendaires Jeff Dean et Sanjay Ghemawat sont partis fonder une entreprise, Discovery Loop, dont tout le discours tient en une phrase : « l'IA est le chercheur », avec la découverte de médicaments explicitement inscrite à la feuille de route. C'est le prolongement direct de l'éclatement de l'équipe AlphaFold révélé la semaine dernière : les personnes qui ont bâti l'IA appliquée à la science chez Google continuent de partir pour la refaire ailleurs.

  • Un élément plus modeste mais réel dans notre univers de couverture : Vertex a signé une collaboration de 28 millions de dollars avec AbCellera (ABCL) sur des médicaments anticancéreux et auto-immuns de type anticorps de nouvelle génération, un vote de plus en faveur du modèle « s'associer au spécialiste des anticorps par IA ».

Ce qui est nouveau

1. Le modèle d'IA n'est pas le goulot d'étranglement. La donnée, si. (C'est désormais toute la thèse.)

Si vous ne devez lire qu'une chose cette semaine, que ce soit l'entretien du Biotech 2050 Podcast (3 août) avec Nick Myerberg, responsable de l'IA au fonds crossover Braidwell. C'est l'articulation la plus claire à ce jour de l'endroit où l'argent intelligent pense que se situe l'avantage concurrentiel.

Son argument central, en termes simples : le modèle d'IA sophistiqué dont tout le monde parle est en train de devenir une commodité. Il l'a dit directement : « l'architecture des modèles... est probablement déjà, et continuera d'être, de plus en plus banalisée. Bien sûr, la valeur ne réside pas tant dans l'architecture du modèle. Si l'on regarde l'ensemble des laboratoires de pointe dans le domaine des LLM... les modèles, dans l'ensemble, se ressemblent. » Ce qui distingue réellement les gagnants, selon lui, c'est la capacité d'une entreprise à générer ses propres données propriétaires, des expériences que l'on mène soi-même, dans ses propres laboratoires, qu'un concurrent ne peut pas récupérer sur internet, puis à réinjecter ces données dans le modèle de sorte que « la prochaine donnée que vous générez soit plus informative que la précédente ». Il a qualifié l'alternative épuisée sans détour : « la valeur latente dans les jeux de données publiquement disponibles a été épuisée, du moins dans certains domaines, et... cela ne nous a pas menés bien loin. »

Myerberg a également proposé une relecture marquante d'AlphaFold, la percée sur la structure des protéines qui a valu un prix Nobel. Selon lui, son succès ne tient pas uniquement au modèle de Google : il est « la récolte de cette institution scientifique bâtie sur des générations de scientifiques », à savoir environ un demi-siècle et « un ordre de grandeur, disons, 50 milliards de dollars » que les biologistes structuraux ont dépensés pour constituer la base de données publique des structures protéiques déterminées expérimentalement, sur laquelle le modèle s'est entraîné. Son avertissement aux fondateurs qui pensent qu'un seul modèle va « résoudre toutes les maladies humaines en 10 ans » : AlphaFold a résolu un problème très spécifique et très bien défini parce qu'il s'appuyait sur un jeu de données rare et immaculé. La majeure partie de la biologie n'a pas un tel jeu de données qui l'attend.

Il a cité les entreprises soutenues par Braidwell et expliqué pourquoi :

  • Proxima : travaille sur les « colles moléculaires » et autres modulateurs de proximité (une classe de médicaments qui rapproche deux protéines plutôt que de simplement en bloquer une). Historiquement, ces découvertes relevaient de la « sérendipité » ; l'avantage de Proxima est de générer les données d'interaction qui n'existent pas autrement.
  • Lila Sciences : construit des « laboratoires pilotés en autonomie » pour que les prédictions de l'IA « affrontent la réalité » rapidement et à moindre coût. Braidwell a co-dirigé sa série A il y a environ un an.
  • Une entreprise de conception d'anticorps non nommée, qui associe un modèle puissant à un « laboratoire dans la boucle », et qui, selon lui, prend de l'avance parce que les jeux de données publics sur les anticorps sont exceptionnellement bons.

La même plainte, « on ne veut pas payer pour la donnée », a servi de titre à tout un épisode cette semaine, Data in Biotech (5 août), « Pourquoi la biotech parle d'IA mais ne veut pas payer pour la donnée dont elle a besoin ». La tension décrite est le revers de la thèse de Myerberg : tout le monde s'accorde désormais à dire que la donnée est le rempart concurrentiel, mais la générer est coûteux et peu glorieux, elle reste donc sous-financée.

Pourquoi c'est important : c'est le prisme à travers lequel juger chaque entreprise du secteur. Génère-t-elle ses propres données différenciantes, et ces données s'accumulent-elles avec effet composé ? Le pari de Recursion dans son ensemble (une immense usine de données en interne) et celui de Schrödinger (une simulation fondée sur la physique qui génère des données de « vérité terrain ») sont tous deux, en somme, des réponses à cette exacte question.

2. Chai Discovery : « la conception de médicaments est un autre problème de mise à l'échelle »

L'autre écoute incontournable de la semaine est Training Data (4 août), un long entretien avec les deux cofondateurs de Chai Discovery, Josh et Matt. Chai est l'une des entreprises privées d'IA appliquée aux médicaments les plus suivies, et le titre résume leur conviction : concevoir un médicament deviendra une discipline d'ingénierie, comme écrire du code, plutôt que le processus « d'essais-erreurs » et « sérendipiteux » qu'il a toujours été.

Le parcours de Josh est révélateur : il faisait partie de l'équipe d'origine chez OpenAI (GPT-1, GPT-2, et les premiers travaux sur les « lois de mise à l'échelle ») et il a résumé toute l'entreprise autour d'une question : « si les modèles peuvent apprendre à parler anglais, allemand, français, pourquoi ne pourraient-ils pas apprendre à parler ADN et protéine ? » Matt vient des mathématiques pures et de l'informatique théorique, pas de la biologie, et fait valoir que le domaine est moins intimidant qu'il n'y paraît : un anticorps, une mini-protéine, « ce ne sont que des séquences d'acides aminés... différents types de prompts pour le modèle. »

La partie la plus riche d'enseignements pour un investisseur était la manière dont ils ont décrit leur modèle économique et le cercle vertueux des données. Chai s'associe à de grands laboratoires pharmaceutiques plutôt que de construire son propre pipeline de médicaments, et ils ont nommé ces partenaires : « Eli Lilly, Novartis, Argenix, Pfizer. » Fait crucial, ils ont soutenu que le modèle du partenariat impose une rigueur qu'un pipeline captif n'impose pas : « quand nous livrons des modèles chez Chai, ils doivent vraiment fonctionner... ces partenaires ne vont pas nous faire de cadeau. » Et ils ont contesté le cliché selon lequel l'industrie pharmaceutique ne saurait pas utiliser l'IA : « beaucoup de gens nous ont dit que l'industrie pharmaceutique ne sait pas utiliser l'IA... honnêtement, ça n'a pas vraiment été notre expérience... quand ils voient la donnée, ils s'engagent à fond. » Leur explication sur le fait que l'industrie pharmaceutique n'a pas le choix : « Eli Lilly est actuellement une entreprise pharmaceutique valant mille milliards de dollars. Si elle n'obtient pas davantage de médicaments à succès, elle ne restera pas une entreprise à mille milliards de dollars pour toujours. »

Ils ont aussi été francs sur le problème de la donnée. Leur donnée d'entraînement de référence est la même base de données publique de protéines, remontant à 1970, que décrivait Myerberg, « de vrais scientifiques de laboratoire qui, depuis 1970, n'ont fait que déposer des structures cristallines... sans cela, la prédiction et la conception de structures n'auraient jamais existé », et leur réponse à ses limites est le même cercle vertueux : utiliser le modèle en interne, générer de nouvelles données sur ce qu'il sait et ne sait pas faire, puis le réentraîner. Une prédiction contre-intuitive : une meilleure IA pourrait signifier davantage de travail en laboratoire, pas moins, « de la même manière qu'il y a davantage de demande pour les ingénieurs logiciels maintenant qu'ils sont devenus plus productifs... il pourrait y avoir davantage de demande pour le laboratoire. »

Pourquoi c'est important : Chai est le meilleur point de référence privé pour les pure-plays cotées. Elle est partenaire du même client à mille milliards de dollars (Lilly) qui vient de publier un trimestre spectaculaire, et elle valide exactement le modèle « s'associer et accumuler ses données avec effet composé » que poursuivent à la fois Schrödinger et, dans une moindre mesure, Recursion.

3. Le cercle des cerveaux de l'IA chez Google s'effrite, et la découverte de médicaments est à leur tableau blanc

La semaine dernière, l'histoire portait sur l'éclatement, par Google, de son équipe AlphaFold récompensée par un prix Nobel. Cette semaine, le remaniement a touché le tout premier échelon, selon Tech Brew Ride Home (5 août) :

  • Demis Hassabis, à la tête de Google DeepMind, a été nommé président de Google DeepMind et chief scientist d'Alphabet, et continuera de diriger Isomorphic Labs, la division d'Alphabet consacrée à la découverte de médicaments par IA. Il a cadré ce mouvement autour de la santé : « j'ai toujours cru que l'application numéro un de l'IA devrait être d'améliorer la santé humaine... et quelle meilleure manière de le démontrer qu'en aidant enfin à guérir des maladies comme le cancer. » Plusieurs commentateurs ont lu ce mouvement de façon moins bienveillante, y voyant Hassabis « promu à l'étage » pour pouvoir poursuivre ses paris de recherche à long terme préférés (comme les « modèles du monde »), pendant que Google se précipite pour rattraper son retard sur une IA de codage commercialement plus urgente.
  • Jeff Dean (environ le 30ᵉ employé de Google et l'un des ingénieurs les plus révérés de l'industrie) et son collaborateur de longue date Sanjay Ghemawat partent, ainsi que deux autres scientifiques de haut rang de DeepMind, Oriol Vinyals et Quoc Le, pour fonder une entreprise à mission d'intérêt public appelée Discovery Loop. Google en est un investisseur fondateur ; parmi les autres soutiens figurent Radical Ventures et la société de Vinod Khosla.

Le postulat entier de Discovery Loop mérite d'être compris car il vise droit la découverte de médicaments. Leur discours consiste à automatiser la méthode scientifique elle-même : « vous proposez une expérience, vous mettez en œuvre ce qu'il faut pour la mener, vous évaluez l'expérience, et vous obtenez des résultats », en faisant tourner des milliers de ces boucles pour réaliser des « avancées surhumaines » dans, explicitement, « la conception de puces, la biologie, la découverte de médicaments et la conception de matériaux ». Khosla a tracé la distinction qui rend cela différent des outils actuels : « les humains ont utilisé l'IA pour faire de la recherche, pas l'IA comme chercheur... l'idée fondamentale de Discovery Loop est que l'IA est le chercheur. »

Pourquoi c'est important : deux semaines de suite, les personnes qui ont été les pionniers de l'IA appliquée à la science à l'intérieur de l'entreprise qui l'a sans doute inventée continuent de partir pour la poursuivre en paris indépendants et concentrés. C'est haussier pour l'idée de la découverte de médicaments par IA et, on peut le soutenir, baissier pour l'idée qu'une seule grande plateforme technologique finira par la posséder entièrement. Cela relève aussi la barre concurrentielle pour chaque pure-play : la prochaine vague de concurrence est une brochette de start-ups qui traitent « l'IA comme le scientifique », et non « l'IA comme un outil pour le scientifique ».

4. Une manière moins coûteuse de faire des médicaments : sauver ceux mis de côté, avec l'IA qui fait la lecture

Business of Biotech (3 août) a réuni Annette Bakker (Children's Tumor Foundation) et Andrew Lo (le professeur du MIT connu pour appliquer l'ingénierie financière au développement de médicaments) autour d'une autre facette de « l'IA dans la découverte de médicaments » : l'utiliser pour sauver des médicaments que des entreprises ont abandonnés. Le rôle de l'IA est peu glorieux mais réel : des chatbots travaillant aux côtés d'experts humains peuvent « éplucher des quantités énormes de littérature » pour identifier en quelques jours des actifs mis de côté prometteurs, un travail qui « aurait littéralement pris des années ».

L'angle financier était la partie la plus intéressante. Lo a soutenu qu'il existe désormais « un dossier économique très crédible pour une solution purement privée » pour les médicaments contre les maladies ultra-rares, construite autour du bon de priorité d'examen (priority review voucher, PRV), une récompense transférable que la FDA accorde pour le développement de certains médicaments contre les maladies rares, et qui peut être revendue à d'autres fabricants de médicaments. Les ventes de bons dépassent désormais « les cent millions de dollars », certaines « plus de cent cinquante millions de dollars ». L'affirmation provocatrice de Lo : « même si vous ne faisiez jamais payer un seul centime pour le médicament après approbation, même si vous le donniez gratuitement, les investisseurs feraient tout de même un très, très beau retour rien qu'à la vente des PRV. » L'obstacle pratique évoqué par Bakker : au sein des grands laboratoires pharmaceutiques, sortir un médicament mis de côté « n'est le travail de personne », faire sortir un seul médicament (Gomekli) de Pfizer vers SpringWorks aurait nécessité, d'après les informations rapportées, « 200 volontaires ». Elle et Lo construisent une base de données vérifiée d'actifs mis de côté pour corriger cela.

Deux fils rejoignent les semaines précédentes : la FDA a tenu une réunion sur le repositionnement de médicaments le 5 août (Bakker y était invitée), et la crainte, récurrente, que « la biotech chinoise puisse les devancer » sur le secret est réapparue, un sous-thème récurrent des discussions politiques du secteur.

Le débat

Est-ce que tout cela fonctionne déjà, ou est-ce encore une promesse ? L'évaluation la plus utile est venue de la table ronde côté buy-side lors de Biotech Hangout Ép. 191 (enregistré le 31 juillet), une semaine qui préparait le terrain avant les résultats. Le panel d'investisseurs et de banquiers spécialisés en biotech a abouti à une vision nuancée qui mérite d'être retenue :

  • Le scénario optimiste : l'IA transforme véritablement le processus même de faire de la science, rédiger des protocoles, concevoir des expériences, rédiger les résultats, relire des articles, en transformant des « semaines et des mois » de temps de scientifique en « 10 minutes ». Un intervenant a noté qu'une entreprise d'outils de recherche, Cadence, « a ajouté plus de 150 000 scientifiques sur son site rien qu'au cours des derniers mois. » Le secteur est « en pleine effervescence », et l'intérêt des grands laboratoires pharmaceutiques pour l'IA est « vraiment fort », il y a même eu une spéculation (rejetée) selon laquelle Anthropic pourrait « tout simplement racheter Bristol Myers ou AbbVie ».
  • Le scénario sceptique, et il est important : « fabriquer des molécules avec l'IA ne résout pas nécessairement le goulot d'étranglement de notre industrie », a mis en garde un investisseur, car « le coût réel se situe en fait du côté clinique, où l'IA est utile, mais pas autant. » Un autre l'a formulé ainsi : une plateforme « peut avoir une puissance illimitée et une capacité limitée... à ensuite la traduire en pratique. » Conclusion : l'IA sera « une technologie qui va s'intégrer dans la recherche de tout le monde », un facilitateur plutôt que « le moteur unique. »
  • Et directement sur nos deux pure-plays, un intervenant a dit tout haut ce que beaucoup pensent tout bas : « recursion et Schrodinger... ont été très exposées à l'IA... si l'on regarde ces graphiques boursiers, ils n'ont pas été particulièrement brillants. »

Cette dernière phrase résume tout le débat. Les résultats de cette semaine constituaient le premier vrai test permettant de savoir si les pure-plays « exposées à l'IA » peuvent convertir l'engouement en chiffres, et elles ont répondu de manière très différente.

Un second débat, plus étroit, se poursuit du côté des essais cliniques. Note to File (2 août) est resté sceptique quant à la volonté de la FDA d'intégrer l'IA et les données en temps réel dans les essais, notant que dans un essai (TRAVERSE), seuls 2 des 29 sites avaient réellement mis en œuvre l'initiative depuis son lancement en décembre 2023, un schéma du type « on tire d'abord, on vise ensuite » où le problème que l'on cherche à résoudre reste flou. Le rappel : même là où l'IA fonctionne en laboratoire, c'est l'étape clinique, coûteuse et lente, qui concentre encore l'essentiel du coût et du risque.

Valeurs à surveiller

Les trois entreprises ont publié leurs résultats du T2 de l'exercice 2026 le mardi 5 août. Les cours ci-dessous sont ceux du jeudi 6 août.

Schrödinger (SDGR) : la pure-play qui a tenu ses promesses

  • Cours : 17,81 $, en hausse de 8,6 % sur la journée (6 août), et en hausse d'environ 16 % par rapport aux 15,35 $ de la semaine dernière. C'est le mouvement le plus marquant du groupe. Capitalisation boursière d'environ 1,3 milliard de dollars, encore bien en dessous de son plus haut sur 52 semaines de 23,02 $.
  • La publication (un net dépassement des attentes suivi d'un relèvement des prévisions, sur les métriques qui comptent) :
  • Chiffre d'affaires de 58,9 M$, contre ~47,2 M$ attendus.
  • La valeur annuelle des contrats (ACV), la meilleure jauge de son activité logicielle récurrente, s'est établie à 29,6 M$, en hausse de 27 % sur un an, confortablement au-dessus de sa fourchette de prévisions annuelles de croissance de 10 à 15 %. Le chiffre d'affaires logiciel s'est élevé à 32,5 M$, et la part, à plus forte marge, « hébergée » (cloud) a bondi à 47 % du chiffre d'affaires logiciel, contre 31 % un an plus tôt.
  • L'entreprise a relevé ses prévisions annuelles de chiffre d'affaires liées à la découverte de médicaments à 65 M$-75 M$ (contre 55 M$-65 M$ précédemment) grâce à une étape de 10 M$, et a réitéré sa prévision annuelle d'ACV de 218 M$-228 M$ (à noter : une agence de presse avait publié un chiffre déformé, « 21 M$-228 M$ », le chiffre correct est 218 M$-228 M$).
  • Le bénéfice par action publié de 0,08 $ ressemble à un basculement massif vers le profit, mais attention : il a été fortement dopé par environ 49 M$ d'autres produits exceptionnels, provenant surtout d'un gain lié au rachat d'Ajax par Lilly, plus l'étape de 10 M$ liée à Ajax. Ce n'est pas un profit d'exploitation propre.
  • Le fond de l'histoire côté IA : le matin de la publication des résultats, Schrödinger a annoncé un accord stratégique avec Bristol Myers Squibb pour déployer Bunsen, son nouveau « co-scientifique IA agentique », à grande échelle dans l'ensemble de l'organisation de recherche de BMS, aux côtés de ses outils d'exploration chimique à grande échelle et de RetroSynth (planification de synthèse par IA). Robert Abel, directeur scientifique : « nous sommes ravis qu'ils déploient Bunsen à grande échelle. » Le PDG Ramy Farid a relié cela au thème dominant de la semaine, presque mot pour mot : « alors que la biopharma navigue dans un paysage de l'IA en évolution rapide... le besoin de générer des données de vérité terrain n'a jamais été aussi grand. En intégrant nos simulations très précises fondées sur la physique à l'IA, et en lançant notre co-scientifique agentique Bunsen... [nous bâtissons] l'infrastructure informatique de référence pour l'avenir de la découverte de médicaments. »
  • Le point de tension à noter : Bunsen est la plus grande histoire produit de Schrödinger, pourtant, comme la semaine dernière, il n'a suscité pratiquement aucune discussion dans les podcasts. L'événement commercial (un grand laboratoire pharmaceutique le déployant largement) est bien réel ; la conversation extérieure n'a pas encore rattrapé son retard. Le lancement commercial complet de Bunsen reste ciblé pour fin 2026.

Recursion (RXRX) : la pure-play qui n'a pas tenu ses promesses

  • Cours : 3,18 $, quasiment stable sur la journée et en hausse d'environ 5 % par rapport aux 3,03 $ de la semaine dernière. Toujours proche de son plus bas sur 52 semaines de 2,77 $ (le plus haut était de 7,18 $). Capitalisation boursière d'environ 1,7 milliard de dollars.
  • La publication (un résultat mou) : chiffre d'affaires de seulement 7,7 M$, bien en dessous des ~12,0 M$ attendus, avec une petite perte par action. Le récit choisi par la direction portait sur la discipline et l'endurance, pas sur une percée : l'entreprise a réduit ses prévisions annuelles de charges d'exploitation en trésorerie de 15 M$, à 375 M$, et a indiqué que sa trésorerie (environ 556,8 M$ en fin de trimestre) lui offre une visibilité « jusqu'au début de 2028 ». La directrice financière a présenté cette réduction comme le fait de « faire autant, voire plus, avec moins ».
  • Le fond côté IA/partenariats (le seul véritable point positif) : lors de la conférence, Recursion a annoncé que Genentech a fait avancer la première cible en neurosciences de la collaboration Roche/Genentech, décrite comme « jusque-là inexplorée », vers un programme conjoint de découverte précoce, ce que la direction a présenté comme la preuve que sa plateforme peut « découvrir de la biologie nouvelle », et pas seulement optimiser une biologie déjà connue. L'entreprise a désormais réalisé plus de 216 M$ au titre du seul partenariat Roche/Genentech et plus de 500 M$ d'entrées de trésorerie cumulées sur l'ensemble de ses partenariats, avec plus d'une douzaine d'étapes de découverte franchies. Elle a également mis en avant des chiffres de plateforme : plus de 50 pétaoctets de données propriétaires ; des candidats obtenus avec environ 330 composés sur environ 1,5 an, contre une norme sectorielle d'environ 2 500 composés sur environ 4 ans, et le recrutement de Hoifung Poon (venu de Microsoft Research) comme Chief AI Officer. Côté pipeline interne, son programme phare REC-4881 (pour la maladie rare FAP) doit livrer des données de Phase 2 supplémentaires en novembre.
  • La lecture : mesurée à l'aune de la thèse « la donnée, pas le modèle », Recursion est le pari le plus pur sur la génération de ses propres données à grande échelle, mais ce trimestre encore, elle n'a pas pu pointer vers l'inflexion clinique ou commerciale que les investisseurs attendent. Le message était « nous avons une visibilité jusqu'en 2028 et les étapes continuent d'arriver au compte-gouttes », ce qui explique pourquoi l'action a à peine bougé. Elle reste une histoire à démontrer.

Eli Lilly (LLY) : le géant, et la mécanique financière derrière les pure-plays

  • Cours : 1 192,80 $, en hausse d'environ 2 % sur la journée et d'environ 3 % par rapport aux 1 155,27 $ de la semaine dernière. Capitalisation boursière d'environ 1 120 milliards de dollars.
  • La publication (un dépassement spectaculaire suivi d'un relèvement des prévisions) : chiffre d'affaires de 22,97 Md$, en hausse de 48 % sur un an, contre ~20,7 Md$ attendus ; bénéfice par action non-GAAP de 8,38 $ contre ~6,58 $ attendus (tous deux incluant une lourde charge de 3,03 $ liée à de la recherche acquise). Les ventes de Mounjaro se sont élevées à 9,9 Md$ (en hausse de 91 %) et celles de Zepbound à 4,9 Md$ (en hausse de 46 %) ; la nouvelle pilule GLP-1 orale, l'orforglipron (marque Foundayo), a enregistré 98 M$ de ventes pour son premier trimestre. Lilly a relevé ses prévisions annuelles de chiffre d'affaires à 85 Md$-87 Md$. Son médicament de nouvelle génération à triple hormone, le retatrutide, dispose désormais d'un dossier de données complet, avec un dépôt de dossier aux États-Unis prévu au T1 2027. Les analystes ont réagi par une vague de relèvements d'objectifs de cours (Wells Fargo à 1 330 $ ; BMO à 1 400 $ ; Morgan Stanley à 1 419 $ ; Cantor à 1 410 $).
  • Pourquoi cela figure dans une newsletter sur l'IA : Lilly ne commercialise pas de plateforme de découverte par IA, mais l'entreprise est l'ancrage financier de l'écosystème cette semaine. Son rachat, pour 2,3 milliards de dollars, d'Ajax Therapeutics, une entreprise bâtie sur la plateforme de Schrödinger, est précisément ce qui a généré le gain exceptionnel de Schrödinger et l'étape de 10 M$ ce trimestre. Lilly est aussi le partenaire le plus cité de Chai Discovery. Lorsque les fondateurs de Chai ont dit qu'une entreprise pharmaceutique à mille milliards de dollars « ne restera pas une entreprise à mille milliards de dollars pour toujours » sans nouveaux médicaments à succès, c'est de Lilly qu'ils parlaient, et l'entreprise dépense en conséquence auprès de ses partenaires natifs de l'IA.

Répercussions

  • AbCellera (ABCL) : Vertex a signé une collaboration avec un versement initial de 28 M$ avec AbCellera sur des engageurs de lymphocytes T multi-spécifiques de nouvelle génération (médicaments de type anticorps) pour les maladies auto-immunes, selon Telltales (2 août). (Pour être précis : le grand mouvement de Vertex cette semaine-là a été une opération distincte, l'acquisition entièrement en numéraire de Crelenetics pour 10 Md$ ; AbCellera était le petit partenariat scientifique à ses côtés, pas une acquisition.) Le montant est modeste, mais c'est un vote de confiance significatif en faveur du modèle « s'associer au spécialiste des anticorps par IA », la même thèse sur la conception d'anticorps que Braidwell et Chai ont défendue toute la semaine.
  • Le cadrage acheter-plutôt-que-construire est désormais partout. Telltales, un podcast sur les marchés produit par IA, a relié les accords pharmaceutiques de la semaine au débat sur les dépenses d'investissement des hyperscalers : une entreprise « avec un vrai flux de trésorerie disponible achète » une capacité au lieu de la construire, et « le prix de ce raccourci est fixé par qui d'autre a du cash cette semaine-là. » C'est exactement la dynamique à l'œuvre dans la découverte de médicaments par IA, Lilly et BMS ont les moyens d'acheter ou de déployer des plateformes à grande échelle ; les petites biotechs ne les ont pas. Cela renforce le point soulevé la semaine dernière : les grands laboratoires pharmaceutiques, et non les pure-plays à court de liquidités, pourraient capter l'essentiel de la valeur.
  • NVIDIA et Google Cloud restent la couche des pelles et pioches. L'accès anticipé à Bunsen de Schrödinger est associé à du calcul et des outils NVIDIA et Google Cloud, un rappel que le pari « vendre des pelles » (le calcul et le cloud sous-jacents à toute l'IA biologique) continue de s'accumuler quel que soit le laboratoire pharmaceutique gagnant.
  • Les bons de priorité d'examen comme moteur de financement (issu de la discussion avec Andrew Lo) méritent d'être surveillés comme un catalyseur réel, non lié à l'engouement, pour les développeurs de maladies rares, des prix de bons dépassant 100 M$ peuvent rendre rentable, à eux seuls, un programme autrement non économique.

Ce qui a changé par rapport à la semaine dernière

  • Le suspense de la semaine dernière a trouvé sa réponse, et elle a séparé les deux pure-plays. La semaine dernière, alors que les laboratoires d'IA de pointe s'engageaient dans le développement de médicaments et que les grandes pharmas bâtissaient de l'IA en interne, nous demandions : « que reste-t-il pour les pure-plays cotées ? » et nous avions signalé les publications du 5 août comme le test décisif : le logiciel de Schrödinger continue-t-il de s'accumuler au-dessus de sa fourchette de prévisions de 10 à 15 %, et Recursion a-t-elle converti sa capacité de génération de données en résultat concret ? Les réponses : Schrödinger, oui (ACV +27 %, un dépassement suivi d'un relèvement des prévisions, et un accord Bunsen phare à grande échelle avec BMS). Recursion, pas encore (un chiffre d'affaires manqué ; une nouvelle étape de partenaire et une réduction des dépenses d'exploitation, mais aucune inflexion clinique ou commerciale). Une pure-play a mérité son multiple « exposée à l'IA » ce trimestre ; l'autre demande encore de la patience.
  • La question de la traction de Bunsen a obtenu son premier vrai point de donnée. La semaine dernière, Bunsen venait tout juste de lancer en accès anticipé, sans aucune couverture médiatique extérieure. Cette semaine, la substance est arrivée non pas sous forme de bruit dans les podcasts, mais comme un événement commercial : Bristol Myers Squibb déployant Bunsen dans son organisation de recherche. (Le silence des podcasts sur Bunsen persiste, l'écart d'attention reste ouvert.)
  • L'éclatement d'AlphaFold est devenu un exode complet de la direction. La semaine dernière : un quart de l'équipe AlphaFold était parti et le groupe était en cours d'intégration dans Gemini/Isomorphic. Cette semaine : Hassabis a été promu à l'étage, et Jeff Dean, Sanjay Ghemawat, Oriol Vinyals et Quoc Le ont quitté Google pour fonder Discovery Loop, une entreprise « l'IA est le chercheur » avec la découverte de médicaments à la feuille de route. La tendance est désormais indéniable.
  • La thèse « la donnée, pas le modèle » s'est durcie en consensus. C'était le fil conducteur la semaine dernière (Regeneron, le point sur les « données négatives » de BioCentury), et cette semaine elle a été énoncée encore plus clairement par Braidwell, Chai, et le titre d'un épisode entier de Data in Biotech. C'est désormais l'affirmation la plus solide du secteur.
  • La mystérieuse chute de Lilly du 30 juillet s'est résolue de façon prosaïque. La semaine dernière, nous signalions une chute inexpliquée d'environ 4,5 % sur une journée pour LLY, sans cause claire. Cela n'a finalement pas eu d'importance : le dépassement suivi du relèvement des prévisions du 5 août a renvoyé l'action à la hausse, qui a fini la semaine environ 3 % plus haut.

Questions ouvertes à suivre la semaine prochaine :

  1. L'étape en neurosciences de Recursion avec Roche/Genentech et ses données de Phase 2 sur le FAP en novembre lui donnent-elles enfin un catalyseur, ou la décote « à démontrer » persiste-t-elle ?
  2. Les accords Bunsen de Schrödinger avec BMS (et son partenariat antérieur avec NVIDIA/Google) commenceront-ils à se traduire par une accélération de l'ACV, et la conversation extérieure/dans les podcasts finira-t-elle par s'intéresser à Bunsen ?
  3. Discovery Loop, ou une autre start-up « l'IA comme scientifique », nommera-t-elle une première cible scientifique ou thérapeutique, et comment les acteurs en place réagiront-ils ?
  4. Les programmes précliniques d'Anthropic pour les « maladies rares et négligées » (signalés il y a deux semaines), toujours aucun programme ou partenaire nommé. À surveiller pour le premier d'entre eux.
  5. Les portefeuilles de maladies rares financés par des bons de priorité d'examen (le modèle Lo/Bakker) verront-ils réellement le jour avec du capital réel ?