L’intelligence artificielle évolue rapidement vers la découverte de médicaments alors que les sociétés pharmaceutiques et biotechnologiques cherchent des moyens de réduire de plusieurs années les délais de R&D et d’augmenter les chances de succès dans un contexte de hausse des coûts. Plus de 200 startups sont désormais en compétition pour intégrer l’IA directement dans les flux de recherche, suscitant un intérêt croissant de la part des investisseurs. Converge Bio est la dernière entreprise à prendre ce virage, obtenant de nouveaux capitaux alors que la concurrence dans le domaine de la découverte de médicaments basée sur l’IA s’intensifie.
La startup basée à Boston et à Tel Aviv, qui aide les sociétés pharmaceutiques et biotechnologiques à développer des médicaments plus rapidement grâce à l’IA générative formée sur des données moléculaires, a levé une série A sursouscrite de 25 millions de dollars, dirigée par Bessemer Venture Partners. TLV Partners et Vintage Investment Partners ont également rejoint le cycle, avec le soutien supplémentaire de dirigeants non identifiés de Meta, OpenAI et Wiz.
En pratique, Converge forme des modèles génératifs sur des séquences d’ADN, d’ARN et de protéines, puis les connecte aux flux de travail des secteurs pharmaceutique et biotechnologique pour accélérer le développement de médicaments.
« Le cycle de vie du développement d’un médicament comporte des étapes définies – depuis l’identification et la découverte de la cible jusqu’à la fabrication, les essais cliniques et au-delà – et au sein de chacune d’elles, il y a des expériences que nous pouvons soutenir », a déclaré Dov Gertz, PDG et co-fondateur de Converge Bio, dans une interview exclusive avec TechCrunch. « Notre plateforme continue de se développer à travers ces étapes, contribuant ainsi à accélérer la commercialisation de nouveaux médicaments. »
Jusqu’à présent, Converge a déployé des systèmes orientés client. La startup a déjà introduit trois systèmes d’IA discrets : un pour la conception d’anticorps, un pour l’optimisation du rendement en protéines et un pour la découverte de biomarqueurs et de cibles.
« Prenons notre système de conception d’anticorps comme exemple. Ce n’est pas seulement un modèle unique. Il est composé de trois composants intégrés. Premièrement, un modèle génératif crée de nouveaux anticorps. Ensuite, des modèles prédictifs filtrent ces anticorps en fonction de leurs propriétés moléculaires. Enfin, un système d’accueil, qui utilise un modèle basé sur la physique, simule les interactions tridimensionnelles entre l’anticorps et sa cible », a poursuivi Gertz. La valeur réside dans le système dans son ensemble, et non dans un modèle unique, selon le PDG. « Nos clients n’ont pas besoin de reconstituer eux-mêmes les modèles. Ils obtiennent des systèmes prêts à l’emploi qui se connectent directement à leurs flux de travail. »
Le nouveau financement intervient environ un an et demi après que la société a levé un tour de table de 5,5 millions de dollars en 2024.
Événement Techcrunch
San Francisco
|
13-15 octobre 2026
Depuis, la startup âgée de deux ans a connu une croissance rapide. Converge a signé 40 partenariats avec des sociétés pharmaceutiques et biotechnologiques et gère actuellement environ 40 programmes sur sa plateforme, a déclaré Gertz. Elle travaille avec des clients aux États-Unis, au Canada, en Europe et en Israël et s’étend désormais en Asie.
L’équipe s’est également développée rapidement, passant de neuf employés à 34 en novembre 2024. Parallèlement, Converge a commencé à publier des études de cas publiques. Dans l’un d’entre eux, la startup a aidé un partenaire à augmenter le rendement en protéines de 4 à 4,5 fois en une seule itération informatique. Dans un autre cas, la plateforme a généré des anticorps avec une affinité de liaison extrêmement élevée, atteignant la plage nanomolaire, a noté Gertz.
La découverte de médicaments basée sur l’IA connaît un regain d’intérêt. L’année dernière, Eli Lilly s’est associé à Nvidia pour construire ce que les sociétés ont appelé le supercalculateur le plus puissant de l’industrie pharmaceutique pour la découverte de médicaments. Et en octobre 2024, les développeurs derrière le projet AlphaFold de Google DeepMind ont remporté un prix Nobel de chimie pour avoir créé AlphaFold, le système d’IA capable de prédire les structures des protéines.
Interrogé sur cette dynamique et sur la manière dont elle façonne la croissance de Converge Bio, Gertz a déclaré que la société était témoin de la plus grande opportunité financière de l’histoire des sciences de la vie et que l’industrie passait d’approches « essais et erreurs » à une conception moléculaire basée sur les données.
« Nous ressentons profondément cette dynamique, en particulier dans nos boîtes de réception. Il y a un an et demi, lorsque nous avons fondé l’entreprise, il y avait beaucoup de scepticisme », a déclaré Gertz à TechCrunch. Ce scepticisme a disparu remarquablement rapidement, grâce à des études de cas réussies d’entreprises comme Converge et du monde universitaire, a-t-il ajouté.
Les grands modèles de langage attirent l’attention dans la découverte de médicaments en raison de leur capacité à analyser des séquences biologiques et à suggérer de nouvelles molécules, mais des défis tels que les hallucinations et la précision demeurent. « Dans les textes, les hallucinations sont généralement faciles à repérer », a déclaré le PDG. « Dans les molécules, la validation d’un nouveau composé peut prendre des semaines, le coût est donc beaucoup plus élevé. » Pour résoudre ce problème, Converge associe des modèles génératifs à des modèles prédictifs, filtrant de nouvelles molécules pour réduire les risques et améliorer les résultats pour ses partenaires. « Cette filtration n’est pas parfaite, mais elle réduit considérablement les risques et offre de meilleurs résultats à nos clients », a ajouté Gertz.
TechCrunch a également interrogé des experts comme Yann LeCun, qui restent sceptiques quant à l’utilisation des LLM. « Je suis un grand fan de Yann LeCun et je suis entièrement d’accord avec lui. Nous ne nous appuyons pas sur des modèles textuels pour la compréhension scientifique de base. Pour vraiment comprendre la biologie, les modèles doivent être formés sur l’ADN, l’ARN, les protéines et les petites molécules », a expliqué Gertz.
Les LLM textuels sont utilisés uniquement comme outils d’assistance, par exemple pour aider les clients à parcourir la littérature sur les molécules générées. « Ils ne constituent pas notre technologie de base », a déclaré Gertz. « Nous ne sommes pas liés à une architecture unique. Nous utilisons des LLM, des modèles de diffusion, l’apprentissage automatique traditionnel et des méthodes statistiques lorsque cela a du sens. »
« Notre vision est que chaque organisation des sciences de la vie utilisera Converge Bio comme laboratoire d’IA générative. Les laboratoires humides existeront toujours, mais ils seront associés à des laboratoires génératifs qui créent des hypothèses et des molécules par voie informatique. Nous voulons être ce laboratoire génératif pour l’ensemble de l’industrie », a déclaré Gertz.
