Intelligence artificielle
La découverte de médicaments par IA déclenche un supercycle de fusions et acquisitions dans la biotechnologie
La nouvelle ère de la biotechnologie pilotée par l’IA
L’industrie pharmaceutique a été initialement construite sur les compétences de l’industrie chimique, qui a commencé à créer des produits de plus en plus utiles, notamment à des fins médicales. Au début, il s’agissait principalement d’isoler et de purifier des composés chimiques naturels comme l’aspirine à partir de l’écorce de saule et la quinine à partir d’un arbre tropical.
Ensuite, elle a commencé à créer des composés entièrement nouveaux qui n’existaient pas dans la nature et les a transformés en médicaments. Cependant, cette approche a commencé à échouer au cours des dernières décennies.
Les produits chimiques les plus faciles à produire ou les plus faciles à découvrir ont déjà été trouvés, et les 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 et l’ARN pour créer des médicaments. Cela a donné naissance à l’insuline artificielle, aux thérapies monoclonales, aux thérapies géniques et à de nombreux autres progrès impressionnants.
Cependant, ici aussi, les progrès ont commencé à stagner, car les fruits les plus accessibles ont été cueillis : la plupart des biologiques actifs sont déjà identifiés et connus, laissant les mécanismes biologiques complexes et difficiles à comprendre pour guérir les maladies qui résistent toujours au traitement.
Il s’agit d’un problème grave pour les grandes entreprises pharmaceutiques. Non seulement de nombreux traitements basés sur la chimie sont-ils hors de la protection des brevets ou sur le point de l’être, mais la stratégie qui consiste à acheter ou à s’associer avec des startups de biotechnologie n’est plus suffisante.
Ces entreprises doivent acheter de l’innovation rapidement, et ce qui a fonctionné auparavant ne suffit plus.
En grande partie, cela est dû au fait qu’une représentation véritable d’une cellule humaine unique serait presque incompréhensible pour une personne, comme le montre une image générée par ordinateur de tous les composants d’une cellule humaine unique qui a fait le tour du monde il y a quelques années.
Source: Newsweek
Heureusement, une nouvelle vague d’innovation en biotechnologie émerge de la mise en œuvre de l’IA dans les laboratoires biologiques. Cela se combine avec une révolution dans les données disponibles à partir de la soi-disant “révolution multiomique“, qui crée une quantité sans précédent de données jusqu’au niveau intracellulaire.
Et l’IA, avec sa capacité d’analyse de grands ensembles de données allant bien au-delà de celle de l’esprit humain, aide maintenant à donner un sens à tout cela.
Source: World Economic Forum
Illustratif de cette tendance est le partenariat annoncé le 12 janvier2026, entre Nvidia (NVDA ) et Eli Lilly (LLY ), prévoyant d’investir conjointement jusqu’à 1 milliard de dollars sur cinq ans dans les infrastructures et la recherche pour la découverte de médicaments par IA.
L’ère de la biologie numérique
La biologie numérique change l’endroit où le temps, le coût et le risque d’échec s’accumulent dans le processus de découverte de médicaments – en déplaçant davantage l’exploration et l’optimisation dans le calcul avant que les travaux de laboratoire les plus coûteux ne commencent.
Faire défiler vers la droite →
| Phase de découverte | Goulots d’étranglement traditionnels | Changement numérique / biologie | Impact économique | Capture de valeur principale |
|---|---|---|---|---|
| Identification de cibles | Signaux biologiques rares ou bruyants ; cycles d’hypothèses lents | Multiomique + ML priorisent les voies causales et les biomarqueurs ; classement rapide des hypothèses | Plus de chances de réussite avec moins de programmes sans issue | Pharmacie riche en données et propriétaires de jeux de données |
| Découverte de médicaments | Dépistage en laboratoire coûteux et limité par le débit | Dépistage in silico explore un plus grand espace chimique avant la synthèse | Coût par médicament réduit ; boucles d’itération plus rapides | Plateformes de calcul + de modélisation ; fournisseurs d’automatisation de laboratoire |
| Optimisation des candidats | Échecs ADME/tox tardifs dans le cycle ; boucles de chimie médicinale lentes | Modèles génératifs proposent des candidats optimisés pour la puissance, la sélectivité et le développement | Moins de cycles de révision ; meilleure capacité de développement dès le départ | Intégrateurs pharmaceutiques avec des pipelines de translation solides |
| Validation préclinique | Modèles animaux ne correspondent pas à la biologie humaine ; validation lente et variance élevée | Meilleur choix de biomarqueurs + modèles pertinents pour l’homme ; essais automatisés à haut débit | Qualité du signal améliorée dans les travaux d’activation de l’IND | Stacks d’automatisation et plateformes d’essais ; CRO avec outils d’IA |
| Traduction clinique | Réponse hétérogène des patients ; stratification médiocre augmente les taux d’échec | Stratification multiomique identifie les sous-groupes de répondants et les points de terminaison d’essai plus tôt | Efficacité des essais améliorée ; moins de dilution de l’efficacité | Propriétaires de médicaments (pharmacie/biotechnologie) avec exécution clinique |
L’essor de la multiomique
La complexité énorme des systèmes vivants a conduit à l’émergence de la multiomique, un domaine qui combine tous les sous-segments de la biologie :
- Génomique : l’analyse de la séquence d’ADN dans le noyau des cellules.
- Transcriptomique : l’analyse de l’ARNm transportant 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 avec des sucres (« post-traductionnelle »).
- Métabolomique : l’analyse des composés chimiques et du métabolisme.
- Microbiomique : l’analyse de tous les microbes vivant à l’intérieur ou sur le corps.
- Multiomique à cellule unique : l’analyse multiomique sur des cellules individuelles.
- Biologie spatiale : l’analyse en 3D de l’emplacement de mRNA, de protéines ou de cellules spécifiques.
Source: Ark Research
La multiomique est également apparue grâce à des outils analytiques beaucoup plus puissants, des séquenceurs génétiques à la biologie spatiale.
Le problème est cependant que cela génère une telle quantité de données que, pour la première fois, le problème pour les biologistes n’est pas de trouver enfin un point de données intéressant à utiliser pour des applications pratiques, mais de décider quelles données sont vraiment pertinentes pour un problème donné.
Si chaque nouveau-né dans le monde avait son génome séquencé, une pratique probable dans les années à venir, cela générerait 10 000 fois les données utilisées par une IA comme Llama chaque année.
Source: Ark Research
Qu’est-ce que la biologie numérique ?
Une nouvelle option pour la recherche en biotechnologie est récemment apparue : l’approche in silico, où une ou plusieurs cellules virtuelles sont simulées sur un ordinateur.
« En 2026, l’identification des cibles de maladies reposera sur l’exploration in silico avant que toute validation en laboratoire ne commence.
Cela réduira le nombre de programmes qui stagnent pendant le développement préclinique.
Veronica DeFelice – Directrice des biologiques chez 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 de protéines comme Google’s AI AlphaFold (GOOGL ) a amélioré de jusqu’à 500 fois depuis 2018.
Source: Ark Research
Il est donc probable que les simulations in silico deviendront une technologie incontournable pour la plupart des entreprises pharmaceutiques et biotechnologiques.
Une autre forme de biologie numérique est l’utilisation d’un système de détection avancé pour identifier les marqueurs de cancer dans un échantillon de sang, remplaçant les biopsies coûteuses et moins efficaces, conduisant à une découverte plus précoce de cancers potentiels.
Enfin, l’automatisation, la robotique et l’IA se combinent pour créer des laboratoires automatisés qui peuvent effectuer des expériences sans main-d’œuvre humaine et vérifier des millions de molécules ou de composés potentiellement utiles à un coût inférieur et 100 fois la vitesse des méthodes de recherche traditionnelles.
Investir dans la découverte de médicaments par IA
(LLY )
Présentation d’Eli Lilly
Eli Lilly est une entreprise pharmaceutique massive qui a construit son empire médical sur la quinine, puis sur l’insuline.
Le traitement du diabète est resté au cœur de l’entreprise, avec une longue série de molécules découvertes et approuvées au cours des trois dernières décennies pour cette maladie. Cela comprenait la tirzépétide, commercialisée sous la marque Mounjaro.
Dans les années 2010, Eli Lilly s’est également fortement investi 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 construire un portefeuille solide de médicaments contre le cancer.
La molécule de tirzépétide a depuis été réutilisée comme médicament anti-obésité, sous la marque Zepbound, le plus grand concurrent d’Ozempic. Cela a été un sauvetage pour Eli Lilly, car de nombreux médicaments plus anciens sont sortis des brevets, ce qui signifie que les fabricants de médicaments génériques peuvent désormais les produire et concurrencer sur le prix.
Pourtant, s’appuyer massivement sur un seul peptide breveté et ses dérivés potentiels est une position risquée et non durable à long terme. Comme de nombreuses autres entreprises du secteur, 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 le fait d’aller tout à fait dans l’IA et la biologie numérique.
Découverte de médicaments par IA d’Eli Lilly
La plus grande et la plus récente annonce autour de la découverte de médicaments par IA et d’Eli Lilly est son partenariat avec Nvidia.
« NVIDIA et Lilly réunissent le meilleur de nos industries pour inventer un nouveau plan pour la découverte de médicaments — un où les scientifiques peuvent explorer de vastes espaces biologiques et chimiques in silico avant qu’une seule molécule ne soit créée. »
Le plan combinera les laboratoires humides d’Eli Lilly avec des laboratoires de calcul sec, permettant une expérimentation assistée par IA 24h/24 et 7j/7. Cela se combine avec un supercalculateur d’IA précédemment annoncé utilisant 1 000 GPU Nvidia Blackwell Ultra pour une usine d’IA qui formera de grands modèles de fondation biomédicaux et de frontière pour identifier, optimiser et valider de nouvelles molécules.
« Nos modèles de fondation font naître de nouvelles possibilités pour nos chimistes, les aidant à découvrir de nouveaux motifs et configurations d’atomes qui étaient hors de portée des méthodes traditionnelles. »
Ce partenariat de 1 milliard de dollars est le dernier (et le plus important) mouvement de l’entreprise pharmaceutique dans la découverte de médicaments par IA. Auparavant, elle a notamment :
- Entamé une collaboration de recherche avec Insilico Medicine, avec jusqu’à 100 millions de dollars à payer au startup en fonction des jalons de recherche.
- Partenariat avec Circle Pharma pour exploiter les IA d’Eli Lilly pour améliorer ses thérapies macrocycliques, y compris pour des cibles historiquement non médicamenteuses.
- Construire des modèles d’apprentissage automatique avec insitro, un pionnier de l’apprentissage automatique pour la découverte et le développement de médicaments.
- Collaboration avec OpenAI pour découvrir de nouveaux médicaments pour traiter les bactéries résistantes aux médicaments.
- Utilisation des modèles d’IA de Genetic Leap pour la découverte de médicaments ciblant l’ARN dans un accord de 409 millions de dollars.
- Partenariat d’IA avec la société de biotechnologie numérique d’Alphabet/Google Isomorphic Labs, qui recevra 45 millions de dollars à l’avance et est éligible à jusqu’à 1,7 milliard de dollars en jalons de performance.
- Un accord d’une valeur pouvant atteindre 670 millions de dollars avec Genesis Therapeutics pour la plate-forme de modélisation 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 plate-forme d’IA propriétaire ciblant les récepteurs couplés aux protéines G (GPCR), dans le but de renforcer la présence déjà leader d’Eli Lilly sur le marché de l’obésité.
- Un accord avec BigHat Biosciences pour faire progresser la découverte de thérapies d’anticorps pilotées par l’IA grâce à sa plate-forme Milliner.
Eli Lilly a également conclu un partenariat avec Benchling, une plate-forme logicielle basée sur le cloud conçue pour la R&D dans les sciences de la vie, pour fournir aux startups de biotechnologie l’accès à des modèles formés sur des décennies de données de recherche propriétaires de Lilly.
Appelé TuneLab, cette plate-forme devrait aider Eli Lilly à s’associer avec des startups de sciences de la vie en phase précoce dans le cadre de son programme « Catalyze360 ».
Dans l’ensemble, ces partenariats de découverte de médicaments par IA et cette construction d’infrastructures dans toutes les directions sont susceptibles de reconstruire le pipeline de découverte d’Eli Lilly et de renforcer sa position dans les antibiotiques, les médicaments contre le cancer, les maladies rares et l’obésité.
Dernières actualités et développements sur Eli Lilly (LLY)
