Isomorphic Labs lève 600 millions de dollars pour accélérer la conception de médicaments

La course à l’intelligence artificielle ne se joue pas uniquement entre assistants conversationnels et générateurs d’images. Dans les laboratoires pharmaceutiques, l’enjeu est bien plus concret : identifier une molécule capable d’agir sur une maladie, sans provoquer d’effets indésirables inacceptables, puis démontrer son efficacité chez l’humain. C’est sur ce terrain qu’Isomorphic Labs vient d’annoncer, le 31 mars 2025, une levée de fonds de 600 millions de dollars.

Cette somme doit permettre à la société spécialisée dans la conception de médicaments assistée par IA de développer son moteur de recherche et de faire avancer ses programmes thérapeutiques. L’ambition est forte, mais elle doit être comprise à sa juste mesure : l’IA peut accélérer et orienter les premières étapes de découverte, elle ne transforme pas pour autant une prédiction informatique en médicament disponible du jour au lendemain.

Une levée de 600 millions de dollars pour passer à l’échelle

Isomorphic Labs est une entreprise du groupe Alphabet, créée à partir de travaux menés au sein de Google DeepMind. Son financement de 600 millions de dollars constitue son premier tour de table externe. Il témoigne de l’intérêt des investisseurs pour un secteur où l’IA pourrait modifier en profondeur les méthodes de recherche, tout en exigeant des moyens considérables.

Concevoir un médicament ne consiste pas seulement à trouver une idée prometteuse. Il faut comprendre une maladie, choisir une cible biologique pertinente, identifier des molécules susceptibles d’agir sur cette cible, les optimiser, les tester en laboratoire, puis les évaluer dans des essais cliniques. Les échecs sont fréquents à chaque étape et le parcours s’étend souvent sur plus d’une décennie.

La promesse d’Isomorphic Labs est d’utiliser l’IA pour rendre ce travail initial plus rationnel et plus rapide. Son objectif annoncé est de perfectionner un moteur de conception de médicaments de nouvelle génération, puis d’employer cet outil pour faire progresser ses propres programmes thérapeutiques vers la clinique.

La répartition détaillée des 600 millions de dollars entre recherche informatique, expériences biologiques, recrutement ou développement préclinique n’est pas précisée. Mais, dans ce domaine, disposer d’un moteur d’IA performant ne suffit pas : les hypothèses proposées par ordinateur doivent être confrontées aux expériences menées par des chimistes et des biologistes.

Comment l’IA peut-elle aider à concevoir un médicament ?

Les médicaments agissent généralement en interagissant avec des éléments du vivant, notamment des protéines. Certaines protéines participent au développement d’une maladie ou à son évolution. Une petite molécule peut parfois se fixer sur l’une d’elles pour modifier son activité. Encore faut-il trouver la bonne molécule, comprendre comment elle se lie à sa cible et s’assurer qu’elle pourra devenir un traitement sûr et administrable.

Traditionnellement, cette recherche repose sur une combinaison de connaissances biologiques, de simulations, de tests de très nombreuses molécules et d’itérations expérimentales. L’IA ne supprime pas ces étapes, mais elle peut aider les équipes à mieux choisir les expériences à mener.

Dans ce cadre, un moteur de conception de médicaments peut notamment servir à :

• analyser les caractéristiques d’une cible biologique et de son environnement moléculaire ;
• proposer ou prioriser des molécules susceptibles d’interagir avec cette cible ;
• prédire certaines interactions entre molécules, protéines, ADN ou ARN ;
• aider les chercheurs à sélectionner les pistes les plus prometteuses avant les tests de laboratoire.

L’intérêt est donc autant de réduire le nombre de fausses pistes que de gagner du temps. Isomorphic Labs ambitionne de réduire de moitié le temps nécessaire au développement de nouveaux traitements et d’améliorer le taux de réussite des essais cliniques. Ces objectifs restent des ambitions : leur concrétisation dépendra de résultats expérimentaux, puis cliniques, qui ne peuvent être établis par le seul calcul.

AlphaFold 3, une brique majeure mais pas une usine à médicaments

La technologie citée au cœur de l’approche d’Isomorphic Labs est AlphaFold 3. Développé par Google DeepMind et Isomorphic Labs, ce modèle a été présenté comme une avancée dans la prédiction des interactions moléculaires. Là où les versions précédentes d’AlphaFold se sont fait connaître pour la prédiction de structures de protéines, AlphaFold 3 vise plus largement les interactions entre protéines et d’autres molécules biologiquement importantes.

Cette capacité est particulièrement intéressante pour la recherche pharmaceutique. Une protéine n’agit pas isolément : elle peut interagir avec une autre protéine, un fragment d’ADN, de l’ARN, un ion ou une petite molécule. Or ces interactions déterminent souvent si une substance peut devenir un candidat médicament crédible.

Pour une équipe de recherche, un modèle comme AlphaFold 3 peut fournir une représentation plus précise d’un problème moléculaire complexe. Il peut, par exemple, aider à imaginer comment une molécule pourrait se placer dans une zone donnée d’une protéine. Cela permet de mieux orienter le travail de chimie médicinale, qui consiste à modifier progressivement une molécule afin d’améliorer ses propriétés.

Il importe toutefois de distinguer une prédiction d’une preuve. Une structure plausible calculée par IA ne garantit ni que la molécule sera efficace dans une cellule, ni qu’elle sera tolérée par l’organisme, ni qu’elle apportera un bénéfice à des patients. L’outil raccourcit potentiellement la phase d’exploration, mais il ne remplace ni les cultures cellulaires, ni les modèles précliniques, ni les essais cliniques.

Des collaborations avec Eli Lilly et Novartis

La crédibilité d’une technologie de découverte de médicaments se mesure aussi à sa capacité à intéresser les groupes pharmaceutiques, qui possèdent l’expérience des essais cliniques, des procédures réglementaires et de la production à grande échelle. Isomorphic Labs a déjà noué des collaborations avec Eli Lilly et Novartis pour accélérer leurs efforts de recherche.

Ces partenariats visent à appliquer les capacités d’IA de l’entreprise à la découverte de nouveaux traitements. Les éléments disponibles font état de plus de 80 millions de dollars apportés par ces entreprises, signe que les grands laboratoires considèrent désormais l’IA comme un outil stratégique, et non comme un simple sujet de recherche exploratoire.

Pour Isomorphic Labs, ces alliances ont plusieurs intérêts. Elles donnent accès à des problématiques thérapeutiques concrètes et permettent de confronter les modèles à la réalité de programmes de recherche pharmaceutique. Pour Eli Lilly et Novartis, elles offrent la possibilité d’intégrer des méthodes de modélisation avancées à leurs capacités existantes de biologie, de chimie et de développement clinique.

Cette configuration illustre une évolution du secteur. Les entreprises spécialisées dans l’IA ne remplacent pas nécessairement les laboratoires pharmaceutiques établis. Elles deviennent plutôt des partenaires capables de renouveler la première partie de la chaîne de recherche, là où les décisions sont encore très incertaines et coûteuses.

Pourquoi la découverte de médicaments est un cas d’usage décisif pour l’IA

La recherche de médicaments est l’un des domaines où l’IA semble offrir le plus de potentiel, car elle combine trois caractéristiques : une masse considérable de données biologiques, des phénomènes moléculaires complexes et des expériences longues et onéreuses. Mieux prédire une interaction ou éliminer rapidement une piste peu crédible peut faire économiser de précieuses ressources.

Cela explique l’attention portée aux entreprises qui relient IA et biotechnologie. Leur promesse ne se limite pas à automatiser des tâches. Elles cherchent à améliorer la qualité des décisions prises très tôt dans un programme de recherche : quelle cible étudier, quelle molécule synthétiser, quel test lancer en priorité.

L’enjeu dépasse aussi la vitesse. Les maladies complexes, pour lesquelles les mécanismes biologiques sont mal compris ou difficiles à cibler, pourraient bénéficier de modèles capables d’intégrer davantage d’informations. À terme, cela pourrait contribuer à identifier des avenues thérapeutiques qui étaient jusqu’ici jugées trop difficiles à explorer.

Mais l’industrie pharmaceutique est aussi un bon rappel des limites de l’IA. Une erreur de prédiction ne se corrige pas seulement par une mise à jour logicielle. Elle peut conduire à des mois de travail expérimental supplémentaire. C’est pourquoi les chercheurs doivent pouvoir évaluer la fiabilité des modèles, retracer les hypothèses produites et conserver une expertise humaine à toutes les étapes décisives.

Transparence, données et responsabilité scientifique

L’intégration de l’IA dans la recherche biomédicale soulève plusieurs questions. La première concerne la transparence : les scientifiques doivent comprendre les conditions dans lesquelles un modèle est fiable, ainsi que les situations dans lesquelles il peut se tromper. Dans un secteur où les décisions engagent la sécurité de futurs patients, une prédiction difficile à interpréter exige des validations encore plus rigoureuses.

La qualité des données est un autre enjeu central. Un modèle peut être très sophistiqué, mais ses résultats dépendent des informations utilisées pour l’entraîner et l’évaluer. Des données incomplètes, biaisées ou peu représentatives peuvent orienter les recherches dans une mauvaise direction.

Enfin, l’IA modifie les compétences requises dans les laboratoires. Les spécialistes de la biologie, de la chimie, de la pharmacologie et de la médecine restent indispensables. Ils doivent pouvoir dialoguer avec des experts en données et en apprentissage automatique, afin de transformer une prédiction en expérience utile, puis une expérience en décision scientifique solide.

Ce qu’il faut surveiller après cette levée de fonds

Le principal indicateur de réussite pour Isomorphic Labs ne sera pas seulement la performance théorique de ses modèles. Il faudra observer sa capacité à produire des candidats médicaments convaincants, puis à les faire progresser dans les étapes précliniques et cliniques.

Plusieurs éléments seront particulièrement importants dans les prochains mois et années :

• l’avancement concret des programmes thérapeutiques financés par cette levée ;
• les résultats obtenus dans les collaborations avec Eli Lilly et Novartis ;
• la capacité d’AlphaFold 3 et du moteur d’Isomorphic Labs à générer des hypothèses validées expérimentalement ;
• la démonstration qu’une conception assistée par IA améliore réellement les délais, les coûts ou les probabilités de succès.

Les 600 millions de dollars levés donnent à Isomorphic Labs les moyens d’accélérer. Ils ne constituent pas encore la preuve qu’un médicament conçu avec son IA atteindra le marché. Cette preuve se construira dans les laboratoires, puis dans les essais impliquant des patients. C’est précisément là que se jouera la portée réelle de cette nouvelle génération d’IA appliquée à la santé.