Intelligence artificielle
La découverte de médicaments par IA déclenche un supercycle de fusions‑acquisitions dans la biotechnologie
La nouvelle ère de la biotechnologie pilotée par l’IA
L’industrie pharmaceutique a d’abord été construite sur la puissance de l’industrie chimique, qui a commencé à créer des produits toujours plus utiles, y compris à des fins médicales. Au départ, il s’agissait principalement d’isoler et de purifier des composés chimiques naturels comme l’aspirine provenant de l’écorce de saule et la quinine d’un arbre tropical.
Ensuite, elle a commencé à créer des composés entièrement nouveaux qui n’existaient jamais dans la nature et à les transformer en médicaments. Cependant, cette approche a commencé à échouer au cours des dernières décennies.
Les produits chimiques les plus faciles à produire ou à découvrir ont déjà été trouvés, et d’autres molécules sont souvent insuffisantes : trop instables, trop toxiques, trop difficiles à fabriquer, etc.
En conséquence, l’industrie pharmaceutique s’est tournée vers la biotechnologie, qui réutilise des molécules biologiques comme les hormones, les protéines ou l’ADN & l’ARN en médicaments. Cela a donné l’insuline artificielle, les thérapies monoclonales, les thérapies géniques et de nombreuses autres avancées impressionnantes.
Cependant, même ici les progrès ont commencé à stagner, le fruit à portée de main ayant été cueilli : la plupart des biothérapies actives sont déjà identifiées et connues, laissant les mécanismes biologiques plus complexes et difficiles à comprendre pour guérir les maladies encore résistantes aux traitements.
C’est un problème sérieux pour les grandes entreprises pharmaceutiques. Non seulement de nombreux traitements basés sur la chimie sont hors de protection par brevet ou le seront bientôt, mais la stratégie de simplement acheter ou s’associer à des startups biotechnologiques ne suffit plus.
Ces entreprises doivent acquérir rapidement de l’innovation, et ce qui fonctionnait auparavant ne suffit plus.
En grande partie, cela s’explique par le fait qu’une représentation fidèle d’une cellule humaine unique serait presque incompréhensible pour une seule personne, comme l’illustre une image générée par ordinateur de tous les composants d’une cellule humaine qui est devenue virale il y a quelques années.
Source: Newsweek
Heureusement, une nouvelle vague d’innovation biotechnologique provient du déploiement de l’IA dans les laboratoires biologiques. Cela s’accompagne d’une révolution des données disponibles grâce à la soi‑disant « révolution multi‑omique », qui génère une quantité sans précédent de données jusqu’au niveau intracellulaire.
Et l’IA, avec sa capacité d’analyse de grands ensembles de données bien au‑delà de celle d’un esprit humain, aide désormais à donner du sens à tout cela.
Source: World Economic Forum
Illustratif de cette tendance, le partenariat annoncé le 12 janvier 2026 entre Nvidia et Eli Lilly prévoit d’investir conjointement jusqu’à 1 milliard de dollars sur cinq ans dans l’infrastructure et la recherche pour la découverte de médicaments par IA.
L’ère de la biologie numérique
La biologie numérique modifie les moments où le temps, le coût et le risque d’échec s’accumulent tout au long du pipeline de découverte de médicaments — déplaçant davantage d’exploration et d’optimisation vers la computation avant le début des travaux de laboratoire humide les plus coûteux.
Faites glisser pour faire défiler →
| Phase de découverte | Goulot d’étranglement traditionnel | IA / biologie numérique | Impact économique | Capture de valeur principale |
|---|---|---|---|---|
| Identification de la cible | Signaux biologiques rares ou bruyants ; cycles d’hypothèses lents | Multi‑omiques + ML priorisent les voies causales et les biomarqueurs ; classement rapide des hypothèses | Plus de tirs au but avec moins de programmes sans issue | Pharma riche en données et propriétaires de jeux de données propriétaires |
| Découverte de hits | Le criblage en laboratoire humide est coûteux et limité par le débit | Le criblage in‑silico explore un espace chimique plus vaste avant la synthèse | Coût par hit réduit ; boucles d’itération plus rapides | Plateformes de calcul + modèles; fournisseurs d’automatisation de laboratoire |
| Optimisation des leads | Échecs ADME/tox tardifs dans le cycle ; boucles de chimie médicinale lentes | Les modèles génératifs proposent des candidats optimisés pour la puissance, la sélectivité et la développabilité | Moins de cycles de refonte ; meilleure développabilité dès le départ | Intégrateurs pharmaceutiques avec des pipelines translationnels solides |
| Validation préclinique | Les modèles animaux ne correspondent pas à la biologie humaine ; validation lente et forte variance | Meilleure sélection de biomarqueurs + modèles pertinents pour l’homme ; essais automatisés à haut débit | Qualité de signal supérieure entrant dans le travail de habilitation IND | Stacks d’automatisation et plateformes d’essais ; CROs avec outils IA |
| Traduction clinique | Réponse patient hétérogène ; mauvaise stratification augmente les taux d’échec | La stratification multi‑omique identifie plus tôt les sous‑groupes de répondants et les critères d’essai | Meilleure efficacité des essais ; moins de dilution de l’efficacité | Propriétaires de médicaments (pharma/biotech) avec exécution clinique |
L’essor du multi‑omique
L’extrême complexité des systèmes vivants a conduit à l’émergence du multi‑omique, un domaine qui regroupe tous les sous‑segments -omiques des sciences biologiques et présenté comme la prochaine étape de la biotechnologie :
- Génomique: l’analyse de la séquence d’ADN dans le noyau des cellules.
- Transcriptomique: l’analyse de l’ARNm portant les instructions de l’ADN.
- Épigénomique: la modification du génome sans affecter la séquence génétique, ou « épigénétique ».
- Protéomique: l’analyse des protéines, y compris la modification des protéines par des sucres (« post‑traductionnel »).
- Métabolomique: l’analyse des composés chimiques et du métabolisme.
- Microbiomique: l’analyse de tous les microbes vivant à l’intérieur ou sur le corps.
- Multi‑omique à cellule unique: l’analyse multi‑omique sur des cellules individuelles.
- Biologie spatiale: analyse en 3D de la localisation d’ARNm, de protéines ou de cellules spécifiques.
Source: Ark Research
Le multi‑omique a également émergé grâce à des outils analytiques beaucoup plus puissants, des séquenceurs génétiques à la biologie spatiale.
Le problème est, toutefois, que cela génère un tel déluge de données que, pour la première fois, le problème des biologistes n’est plus de finalement trouver un point de données intéressant à utiliser pour des applications pratiques, mais de décider quelles données sont réellement pertinentes pour un problème donné.
Si chaque nouveau-né dans le monde voyait son génome séquencé, pratique probable dans les années à venir, cela générerait 10 000 fois les données utilisées chaque année par une IA comme Llama.
Source: Ark Research
Qu’est‑ce que la biologie numérique ?
Une nouvelle option pour la recherche biotechnologique est récemment apparue : l’approche in‑silico, où une ou plusieurs cellules virtuelles sont simulées dans un ordinateur.
“En 2026, l’identification des cibles de maladie reposera sur l’exploration in‑silico avant toute validation en laboratoire humide.
Cela réduira le nombre de programmes qui s’enlisent pendant le développement préclinique.
Veronica DeFelice – Director of Biologics at Sapio Sciences.”
Ces cellules virtuelles sont ensuite exposées au traitement potentiel, et la simulation calcule comment elles réagiraient.
Source: Ark Research
Une autre option consiste à simuler la configuration 3D d’une protéine, qui détermine en fin de compte sa fonction biologique.
Un simulateur de pliage protéique comme l’IA AlphaFold de Google (GOOGL ) s’est amélioré jusqu’à 500 fois depuis 2018.
Source: Ark Research
Il est donc probable que les simulations in‑silico deviendront une technologie indispensable pour la plupart des entreprises pharmaceutiques & biotechnologiques.
Une autre forme de biologie numérique est l’utilisation d’un système de détection avancé pour identifier les marqueurs du cancer dans un échantillon de sang, remplaçant les biopsies coûteuses et moins efficaces, menant à une découverte plus précoce des cancers potentiels.
Enfin, l’automatisation, la robotique et l’IA se combinent pour créer des laboratoires automatisés capables de mener des expériences sans intervention humaine, et d’examiner des millions de molécules ou composés potentiellement utiles à moindre coût et 100 fois plus rapidement que les méthodes de recherche traditionnelles.
Investir dans la découverte de médicaments par IA
(LLY )
Vue d’ensemble d’Eli Lilly
Eli Lilly est une immense entreprise pharmaceutique qui a construit son empire médical sur la quinine puis l’insuline.
Le traitement du diabète est resté le cœur de l’entreprise, avec une longue série de molécules découvertes et approuvées au cours des trois dernières décennies pour cette maladie. Cela incluait le tirzepatide, commercialisé sous le nom de marque Mounjaro.
Dans les années 2010, Eli Lilly s’est également lancé à grande échelle dans l’oncologie (traitements du cancer) avec une série d’acquisitions et de partenariats dans le domaine, ainsi que des efforts de développement de médicaments en interne pour constituer un portefeuille solide de médicaments oncologiques.
La molécule de tirzepatide a depuis été réaffectée comme médicament anti‑obésité, sous le nom de marque Zepbound, le principal concurrent d’Ozempic. Cela a été un sauveur pour Eli Lilly, car de nombreux médicaments plus anciens sont sortis du brevet, ce qui permet aux fabricants de médicaments génériques de les produire également et de concurrencer sur le prix.
Cependant, compter massivement sur un seul peptide breveté et ses dérivés potentiels est une position risquée et non durable à long terme. Comme la plupart des entreprises pharmaceutiques, il y a un besoin urgent de revenir à une innovation diversifiée. Mais contrairement à beaucoup d’autres dans l’industrie, Eli Lilly a un plan, et il repose sur un engagement total envers l’IA et la biologie numérique.
Découverte de médicaments par IA chez Eli Lilly
L’annonce la plus importante et la plus récente concernant la découverte de médicaments par IA et Eli Lilly est son partenariat avec Nvidia.
“NVIDIA et Lilly réunissent le meilleur de nos industries pour inventer un nouveau plan directeur pour la découverte de médicaments — où les scientifiques peuvent explorer d’immenses espaces biologiques et chimiques in silico avant qu’une seule molécule ne soit créée.”
Jensen Huang, founder and CEO of NVIDIA
Le plan combinera les laboratoires humides autonomes de Lilly avec des laboratoires secs computationnels, permettant une expérimentation assistée par IA 24 h/24. Cela s’associe à un super‑ordinateur IA annoncé précédemment utilisant 1 000 GPU NVIDIA Blackwell Ultra pour une usine IA qui entraînera de grands modèles fondamentaux et de pointe biomédicaux pour identifier, optimiser et valider de nouvelles molécules.
“Nos modèles fondamentaux ouvrent de nouvelles possibilités à nos chimistes, les aidant à découvrir de nouveaux motifs et configurations d’atomes qui étaient hors de portée avec les méthodes traditionnelles.”
Thomas Fuchs – Chief AI Officer at Eli Lilly
Ce partenariat de 1 milliard de dollars n’est que la dernière (et la plus importante) initiative de l’entreprise pharmaceutique dans la découverte de médicaments par IA. Auparavant, elle a notamment :
- Entré en collaboration de recherche avec Insilico Medicine, avec jusqu’à 100 M$ à verser à la startup selon les jalons de recherche.
- Partenariat avec Circle Pharma pour exploiter les IA d’Eli Lilly afin d’améliorer ses thérapies macrocycliques, y compris pour des cibles historiquement indéroutables.
- Développer des modèles d’apprentissage automatique avec insitro, pionnier du machine learning pour la découverte et le développement de médicaments.
- Collaboration avec OpenAI pour découvrir de nouveaux médicaments afin de traiter les bactéries résistantes aux antibiotiques.
- Utilisation des modèles IA de Genetic Leap pour la découverte de médicaments ciblant l’ARN dans le cadre d’un accord de 409 M$.
- Partenariat IA avec la société de biotechnologie numérique d’Google/Alphabet, Isomorphic Labs, qui recevra 45 M$ à l’avance et pourra obtenir jusqu’à 1,7 milliard de dollars de jalons basés sur la performance.
- Un accord d’une valeur allant jusqu’à 670 M$ avec Genesis Therapeutics pour la plateforme IA moléculaire de l’entreprise.
- Un accord de 1,3 milliard de dollars avec Superluminal pour découvrir des médicaments contre l’obésité en utilisant l’IA, grâce à sa plateforme propriétaire pilotée par IA ciblant les récepteurs couplés aux protéines G (GPCR), dans le but de renforcer la position déjà dominante d’Eli Lilly sur le marché de l’obésité.
- Un accord avec BigHat Biosciences pour faire progresser la découverte d’anticorps thérapeutiques pilotés par IA grâce à sa plateforme Milliner.
Eli Lilly s’est également associé à Benchling, une plateforme logicielle cloud conçue pour la R&D en sciences de la vie, afin de fournir aux startups biotechnologiques un accès à des modèles entraînés sur des décennies de données de recherche propriétaires de Lilly.
Appelée TuneLab, cette plateforme devrait aider Eli Lilly à s’associer avec des sciences de la vie en phase de démarrage dans le cadre de son programme « Catalyze360 ».
Dans l’ensemble, ces partenariats de découverte de médicaments par IA et la construction d’infrastructures dans toutes les directions devraient reconstruire le pipeline de découverte d’Eli Lilly et renforcer sa position dans les antibiotiques, les médicaments contre le cancer, les maladies rares et l’obésité.
Dernières nouvelles et développements sur l’action Eli Lilly (LLY)
