Des chercheurs de Stanford présentent des agents IA 'scientifiques' en passe de transformer la découverte de médicaments

Stanford fait tourner 37 000 agents IA en biotech virtuelle, et l'un de ses médicaments confirmé par Merck

À la conférence VB Transform 2026, James Zou, professeur associé en science des données biomédicales à Stanford, a présenté un système baptisé Virtual Biotech, qui orchestre environ 37 000 agents d'intelligence artificielle spécialisés sous la supervision d'un agent "Chief Scientific Officer" (directeur scientifique). Le projet a démarré plus modestement, sous la forme d'un "Virtual Lab" de cinq à huit agents reproduisant l'organisation du laboratoire physique de Zou à Stanford, avec un agent professeur jouant le rôle de chercheur principal et des agents étudiants dotés de spécialités distinctes, réunis lors de réunions d'équipe régulières. Une "école" virtuelle a même été créée pour permettre aux agents de suivre un fine-tuning supervisé et d'approfondir leur expertise. Ce laboratoire a conçu de nouvelles protéines nanobody ciblant les variants récents du Covid, avec des résultats de liaison virale supérieurs à ceux des nanobodies conçus par des humains, validés en laboratoire. Fort de ce succès, l'équipe a fait passer le système à l'échelle d'une véritable entreprise pharmaceutique virtuelle, structurée en divisions calquées sur celles d'un groupe biotech réel : découverte de cibles thérapeutiques, conception de molécules, sécurité et essais cliniques, chaque division comptant des agents hyperspécialisés, par exemple l'un dédié aux données génétiques, un autre aux données génomiques ou à l'analyse en cellule unique. L'une des molécules conçues par ce système a depuis été confirmée de façon indépendante par Merck. Cette expérience remet en question un principe implicite qui domine aujourd'hui le développement assisté par IA, celui d'un seul agent pour un seul utilisateur, incarné par des outils comme Claude Code. Selon Zou, la prochaine frontière n'est pas un modèle unique plus puissant, mais des dizaines de milliers d'agents collaborant entre eux. Dans une comparaison directe, son équipe a montré qu'une équipe multi-agents surpassait un agent unique confronté au même problème scientifique : les frictions et désaccords entre agents, qui doivent se convaincre mutuellement de la validité de leurs idées, produisent un raisonnement plus créatif et plus robuste face aux erreurs qu'un modèle isolé travaillant seul. Pour l'industrie pharmaceutique, cela ouvre la voie à une accélération de la découverte de médicaments à un coût potentiellement inférieur à celui de la recherche humaine classique. Reste un obstacle majeur identifié par Zou : l'orchestration à grande échelle de dizaines de milliers d'agents nécessite une couche de contexte unifiée capable de synthétiser des données issues d'outils et de bases hétérogènes. Les systèmes existants, souvent enveloppés dans des connecteurs MCP autour de bases de données historiques, restent mal adaptés aux agents : injecter un PDF d'article scientifique dans une fenêtre de contexte reste inefficace, et les modèles de texte standards peinent à interpréter tableaux et figures complexes, ce qui favorise les hallucinations. Cette limite technique constitue désormais, selon Zou, le principal frein à l'expansion de ces laboratoires virtuels.

💬 Stanford qui fait tourner 37 000 agents façon vraie boîte pharma, avec divisions et tout, ça sort du gadget de démo dès que Merck confirme une molécule sortie du système. C'est ça le signal : pas le nombre d'agents, mais la validation externe indépendante, un labo tiers qui retombe sur le même résultat. Et l'idée que la friction entre agents (le désaccord, pas la performance solo) produit un raisonnement plus robuste, ça va à l'encontre de tout le pari "un agent, un utilisateur" sur lequel sont construits des outils comme Claude Code, à voir si ça tient une fois sorti du labo de Zou.

La lecture continue des données dans la découverte de médicaments pilotée par l'IA

Le développement de nouveaux médicaments reste l'un des paris les plus coûteux et les plus risqués de l'industrie pharmaceutique. Depuis les années 1950, le coût de mise au point d'un traitement double environ tous les neuf ans, un phénomène connu sous le nom de loi d'Eroom. Aujourd'hui, faire aboutir un médicament jusqu'au marché prend en moyenne dix à quinze ans, pour un budget compris entre 1 et 2,5 milliards de dollars, avec un taux d'échec dépassant 90 %. Face à cette équation, l'intelligence artificielle est devenue le principal levier sur lequel misent les laboratoires pour réduire les délais et augmenter les taux de réussite. Paul Belcher, directeur de la stratégie de recherche sur les protéines chez Cytiva, entreprise mondiale des sciences de la vie, explique que la phase clinique reste le poste de dépense le plus lourd, ce qui rend cruciale toute réduction de risque en amont. Selon lui, l'IA a fait basculer les méthodes de criblage empirique, où l'on teste physiquement des bibliothèques de milliers de molécules, vers une conception prédictive : les candidats médicaments sont désormais imaginés numériquement, et leur interaction avec une cible thérapeutique est estimée avant même le premier test en laboratoire. Cette bascule change concrètement le travail des équipes de recherche. Les techniques de criblage traditionnelles permettent d'évaluer des centaines de milliers, voire des millions de composés, mais produisent des données binaires, de simples réponses oui ou non, peu riches en information. En générant davantage de candidats potentiels, et des candidats plus complexes, l'IA multiplie la pression sur les laboratoires, qui doivent désormais tester, caractériser et purifier un volume croissant de molécules diverses. Belcher souligne toutefois une limite importante : l'IA ne sait pas encore prédire de façon fiable la cinétique ou la capacité de développement d'un composé, ce qui signifie que chaque candidat généré par un algorithme doit toujours être validé physiquement en laboratoire. Cette exigence crée une demande croissante pour des technologies de caractérisation à haut débit, capables de produire des données plus riches que les simples résultats de criblage binaire. Cette accélération met aussi en lumière un problème plus profond : la qualité des données utilisées pour entraîner les modèles. De nombreux systèmes d'IA ont été entraînés sur des bases de données publiques et se heurtent désormais à un mur, dit Belcher, car tous les modèles ayant accès aux mêmes données finissent par converger vers des conclusions similaires, avec des rendements décroissants. Ces jeux de données n'ont en outre jamais été conçus pour l'IA, et manquent de structure, d'étiquetage et de diversité. Le biais de publication aggrave le problème : la plupart des articles scientifiques et bases publiques ne rapportent que des résultats positifs, personne ne souhaitant partager ses échecs, ce qui prive les modèles d'une partie essentielle de l'information nécessaire pour identifier des schémas fiables et limiter les biais.

L'IA aide les scientifiques à concevoir la prochaine génération de médicaments

AstraZeneca généralise l'intelligence artificielle à l'ensemble de son processus de conception de médicaments biologiques, ces thérapies fabriquées à partir de protéines modifiées plutôt que par synthèse chimique, utilisées pour traiter la plupart des maladies aiguës et chroniques majeures. Puja Sapra, vice-présidente senior et responsable de l'ingénierie biologique en R&D et de la découverte de cibles en oncologie chez AstraZeneca, explique que chaque étape du travail scientifique, de la conception à l'analyse en passant par la fabrication et les tests, est désormais assistée par le calcul informatique. Le laboratoire suit une boucle dite « construire, mesurer, apprendre » : des algorithmes génèrent ou classent des molécules candidates par ordre de probabilité de succès, ce qui permet aux chercheurs de concentrer leurs ressources de laboratoire uniquement sur les candidats les mieux notés. Selon une estimation du cabinet McKinsey, l'IA générative combinée à d'autres outils computationnels pourrait réduire les délais de découverte de médicaments de jusqu'à 50 %. Cette approche change concrètement la donne pour l'industrie pharmaceutique, où le développement d'un nouveau médicament prend habituellement plusieurs années et représente un investissement considérable, avec un taux d'échec très élevé parmi les candidats explorés. En réduisant les cycles d'essai-erreur et en resserrant la boucle de rétroaction entre conception et test en laboratoire, l'IA permet à AstraZeneca de s'attaquer à des cibles thérapeutiques longtemps jugées inatteignables, ce que Sapra résume par la formule « rendre médicamentable ce qui ne l'était pas ». Au-delà du gain de temps, ces outils ouvrent la voie à une nouvelle génération de biomédicaments capables de viser simultanément plusieurs cibles biologiques ou de délivrer un traitement de façon précise vers des cellules spécifiques, alors que les biologiques traditionnels ne visaient généralement qu'une seule voie pathologique à la fois. Pour les patients, cela représente un potentiel thérapeutique significatif dans des maladies jusque-là difficiles à traiter. Cette transformation s'appuie sur ce que Sapra appelle un véritable « fossé de données » : la qualité de tout modèle d'IA dépend directement de la richesse des données biologiques utilisées pour l'entraîner. Chaque expérience en laboratoire, qu'elle réussisse ou échoue, génère un signal exploitable. AstraZeneca dit avoir constitué un portefeuille de données propriétaires et multimodales couvrant plusieurs aires thérapeutiques et types de médicaments, incluant structures moléculaires, mesures de liaison, profils de sécurité et résultats de fabrication, afin d'affiner des modèles d'IA de pointe avec des jeux d'entraînement plus riches et représentatifs. L'entreprise a également investi dans des technologies de criblage approfondi pour produire, en volume, les données nécessaires à la validation continue de ses modèles, une stratégie qui s'inscrit dans la course plus large de l'industrie pharmaceutique vers ce que certains décrivent comme un moteur de découverte scientifique autonome.

Meta et Stanford présentent Fast Byte Latent Transformer : 50% de bande passante mémoire en moins, sans tokenisation

Des chercheurs de Meta, de Stanford University et de l'Université de Washington ont présenté trois nouvelles méthodes pour accélérer significativement le Byte Latent Transformer (BLT), une architecture de modèle de langage qui traite directement le texte en octets bruts plutôt qu'en tokens. La contribution principale s'appelle BLT Diffusion (BLT-D) et s'attaque à un problème central du BLT : son décodeur local génère les octets un à un, de manière autoregressive, ce qui implique plusieurs passes mémoire là où un modèle tokenisé n'en nécessite qu'une seule. Sur les serveurs modernes de LLM, le goulot d'étranglement n'est pas la puissance de calcul brute mais la bande passante mémoire, c'est-à-dire le coût répété de charger les poids du modèle et les caches KV depuis la mémoire. La solution proposée remplace ce décodage octet par octet par une diffusion discrète par blocs : au lieu de prédire un seul octet à la fois, le modèle génère simultanément des blocs de 4, 8 ou 16 octets en démasquant progressivement les positions les plus certaines à chaque étape, selon deux stratégies, l'une basée sur un seuil de confiance, l'autre sur une contrainte d'entropie cumulative. L'enjeu pratique est considérable. Selon les chercheurs, ces méthodes permettent de réduire la bande passante mémoire à l'inférence de plus de 50%, ce qui se traduit directement par une accélération de la génération de texte. Pour les entreprises qui déploient des LLM à grande échelle, où le coût d'inférence est un facteur économique déterminant, ce gain représente une réduction significative de la latence et des coûts opérationnels. Au-delà de la vitesse, les modèles octet-niveau comme BLT présentent des avantages intrinsèques que les architectures tokenisées peinent à égaler : meilleure gestion du texte multilingue, robustesse accrue face au bruit dans les entrées, et traitement naturel du code, des chiffres et des caractères spéciaux, sans les artefacts produits par les tokenizers comme le byte-pair encoding (BPE). Le BLT avait déjà constitué une avancée notable en démontrant qu'un modèle opérant sur des octets bruts pouvait atteindre les performances des modèles tokenisés à grande échelle, grâce à une segmentation dynamique en patches de longueur variable pilotée par l'entropie locale du texte. Les régions difficiles à prédire reçoivent des patches courts, les passages plus prévisibles des patches plus longs, avec une taille moyenne de 4 octets et un maximum de 8. La majeure partie du calcul s'effectue sur des représentations latentes compressées via trois composants : un encodeur local, un Transformer global, et un décodeur local. Le principal frein à l'adoption industrielle de cette approche restait sa lenteur à l'inférence, rendue pénalisante par le nombre élevé de passes décodeur nécessaires. Les trois techniques introduites dans ce nouveau travail visent directement ce verrou, ouvrant concrètement la voie au déploiement des modèles octet-niveau dans des environnements de production exigeants, où vitesse et coût ne sont pas négociables.