Comment l’intelligence artificielle peut-elle transformer la découverte de médicaments, un secteur réputé lent, complexe et extrêmement coûteux ? Face à la montée en puissance de l’IA générative, la recherche pharmaceutique est-elle en passe de vivre un tournant historique ? Depuis que plus de 200 startups cherchent à intégrer directement l’IA dans le développement de nouveaux traitements, la compétition s’intensifie et attire chaque mois de nouveaux investisseurs. Mais comment séparer la réalité de la promesse ?
Converge Bio, jeune pousse implantée entre Boston et Tel-Aviv, fait partie des entreprises qui surfent sur cette vague de fond. Elle vient de lever 25 millions de dollars lors d’un tour de financement sursouscrit, mené par des poids lourds du capital-risque et soutenu, fait notable, par des cadres-clés de Meta, OpenAI et Wiz. Mais que propose réellement la plateforme de Converge, et pourquoi suscite-t-elle autant d’intérêt alors que la concurrence s’annonce féroce ?
En pratique, l’approche de Converge repose sur des modèles génératifs entraînés avec des données moléculaires – ADN, ARN, séquences protéiques – afin d’accélérer chaque étape de la R&D pharmaceutique. Dov Gertz, son cofondateur, explique que l’entreprise ne commercialise pas de simples modèles, mais des systèmes complets, capables de générer, prédire et simuler les comportements de nouveaux candidats médicaments, directement intégrés aux workflows de leurs clients biotech et pharma. Qu’est-ce qui différencie cette approche ? Peut-elle réellement raccourcir les cycles d’innovation ?
Une course mondiale s’engage entre biotech et IA, où promesses technologiques et attentes médicales se bousculent au portillon.
Depuis sa création il y a deux ans, Converge affiche un développement éclair : 40 programmes menés auprès d’une douzaine de clients internationaux, une équipe triplée en moins d’un an, des collaborations égrenées entre États-Unis, Europe, Israël et désormais l’Asie. Les résultats seraient-ils déjà au rendez-vous ? La startup évoque des cas concrets où son IA a permis d’augmenter le rendement de certaines protéines par un facteur quatre, ou généré des anticorps d’une affinité exceptionnelle. S’agit-il de percées isolées ou des balbutiements d’une révolution de fond ?
L’écosystème semble en ébullition : Google DeepMind rafle le Nobel de chimie pour AlphaFold, Eli Lilly s’associe à Nvidia pour créer le supercalculateur le plus puissant du secteur, et Converge promet, elle aussi, de bousculer les méthodes traditionnelles du “trial-and-error” grâce à une conception moléculaire assistée par l’IA. Mais ces nouveaux outils sont-ils déjà suffisamment fiables pour transformer ce secteur vital et réglementé ?
Des défis majeurs subsistent, notamment pour limiter les “hallucinations” des modèles génératifs – une imprécision potentiellement lourde de conséquences en biotechnologie. Converge prend soin de filtrer rigoureusement ses propositions grâce à des modèles prédictifs complémentaires, mais aucune solution n’est infaillible. Les grands modèles de langage, tel que souligné par le professeur Yann LeCun, ne sont pas encore adaptés pour comprendre la biologie à l’échelle moléculaire : ici, les bases de données textuelles cèdent la place aux séquences biologiques. Faut-il dès lors revoir notre enthousiasme à la baisse, ou s’attendre à une explosion d’innovation ?
La vision portée par Converge est ambitieuse : créer, aux côtés des laboratoires “humides”, une nouvelle génération de “laboratoires génératifs” capables de simuler et d’imaginer les médicaments de demain sur ordinateur. Les autorités réglementaires, les chercheurs et le marché sont-ils prêts à adopter ce nouveau paradigme ? Au final, si le potentiel est immense, combien de ces promesses survivront à l’épreuve du réel ?
Source : Techcrunch
