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

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

Une équipe de chercheurs de l'Université Stanford, dirigée par James Zou, professeur associé de sciences des données biomédicales, a déployé des milliers d'agents IA autonomes, des « scientifiques virtuels », au sein d'un laboratoire pharmaceutique simulé. Ces agents couvrent l'intégralité du cycle de développement d'un médicament, de la découverte initiale de molécules jusqu'à la conception des essais cliniques, en passant par les tests de sécurité. Le système repose sur une architecture hiérarchique : un agent « directeur scientifique » joue le rôle de planificateur et délègue les tâches à des équipes spécialisées. Ces agents accèdent à des bases de données massives, génomique, données chimiques de la FDA, registres d'essais cliniques, via un protocole de contexte de modèle (MCP). Le modèle Claude sert de colonne vertébrale pour le codage et l'analyse de données, aux côtés d'autres modèles spécialisés. Sur la base de ces travaux, Zou lève des fonds pour sa startup Human Intelligence à une valorisation d'environ un milliard de dollars. Cette approche s'attaque à l'un des problèmes les plus coûteux de la médecine moderne : entre 90 % et 95 % des projets de développement de médicaments échouent, et un seul médicament commercialisé peut nécessiter plus de douze ans de recherche et jusqu'à un milliard de dollars. L'un des facteurs structurels de cet échec est la perte de connaissance lors des transitions entre équipes spécialisées humaines, chaque transfert de projet entraîne une rupture de contexte. En maintenant l'intégralité de l'historique d'un projet au sein d'un écosystème unifié, les agents IA de Zou éliminent cette fragmentation, permettant une continuité de la première molécule identifiée jusqu'aux résultats cliniques finaux. La recherche pharmaceutique traverse une transformation profonde sous l'effet de l'IA générative, mais les approches précédentes restaient limitées à des tâches isolées. Le passage à des systèmes multi-agents autonomes capables de piloter un cycle complet de développement représente un saut qualitatif significatif. Zou présentera ses travaux lors de la conférence VB Transform le 15 juillet 2026, dans une session intitulée « Comment 10 000 scientifiques agentiques dans le laboratoire de Stanford s'apprêtent à révolutionner la recherche médicale ». Il y abordera des questions concrètes : gestion du contexte dans des workflows longs et multi-étapes, transformation des données d'entreprise en données exploitables par les agents, et rôle de l'audit humain pour vérifier les actions des agents. L'enjeu dépasse le seul secteur pharmaceutique, l'architecture développée à Stanford esquisse un modèle pour tout domaine où la complexité et la durée des projets dépassent les capacités de coordination humaine.

Stanford et l'Arc Institute utilisent l'IA pour créer des virus qui tuent des bactéries en laboratoire

Des chercheurs de l'université Stanford et de l'Arc Institute, deux institutions basées en Californie, ont utilisé l'intelligence artificielle pour concevoir des virus entièrement nouveaux, capables de tuer des bactéries lors de tests menés en laboratoire. Selon un rapport publié par MIT Technology Review, il s'agit de la première conception générative de génomes complets réalisée par une IA. Ces virus sont des bactériophages, des organismes qui infectent spécifiquement des bactéries sans s'attaquer aux cellules humaines. L'équipe a généré ces génomes de A à Z grâce à des modèles d'IA, avant de les synthétiser et de vérifier en conditions réelles que les virus obtenus fonctionnaient bien comme prévu, en éliminant leurs bactéries cibles. Cette avancée est significative parce qu'elle démontre que l'IA peut désormais produire des organismes fonctionnels complets, et non plus seulement prédire des structures moléculaires isolées comme une protéine. Les bactériophages conçus sur mesure suscitent un intérêt croissant en médecine, notamment pour lutter contre les bactéries résistantes aux antibiotiques, un problème de santé publique majeur. Mais la capacité à générer des virus fonctionnels par IA soulève aussi des questions de biosécurité, puisque les mêmes outils pourraient théoriquement être détournés pour concevoir des agents pathogènes dangereux. Ce résultat s'inscrit dans une vague plus large d'applications de l'IA à la biologie, après les percées de modèles comme AlphaFold dans la prédiction de structures protéiques. L'Arc Institute, organisation de recherche à but non lucratif fondée pour accélérer la biologie fondamentale, développe activement des modèles génératifs appliqués au vivant. Les chercheurs présentent ce travail comme une étape précoce vers la conception de formes de vie entières par IA, ouvrant la voie à des usages thérapeutiques tout en appelant à un encadrement prudent de ces technologies émergentes.

💬 Bactériophage conçu par IA de A à Z, testé en labo, qui bute bien la bactérie visée : c'est la première fois qu'un modèle génère un organisme fonctionnel complet, pas juste une structure protéique isolée comme AlphaFold. Sur le papier c'est une piste sérieuse contre l'antibiorésistance, mais la même techno qui dessine un virus pour tuer une bactérie peut en dessiner un autre pour un tout autre usage, et ça personne n'a de garde-fou solide pour l'instant. Le vrai test, c'est de voir qui encadre ces outils avant qu'ils tournent hors des labos californiens.

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.

Santé : comment l'IA pourrait transformer les remboursements en outils de prédiction médicale

La Direction de la recherche, des études, de l'évaluation et des statistiques (Drees) a publié une étude démontrant que des modèles d'intelligence artificielle peuvent anticiper avec précision l'apparition de pathologies lourdes en exploitant le Système national des données de santé (SNDS). Cette base de données, constituée de l'ensemble des remboursements de l'Assurance maladie française, représente l'un des gisements de données médicales les plus exhaustifs au monde, couvrant près de 70 millions d'assurés sur plusieurs décennies. L'approche clé consiste à traiter les parcours de soins, enchaînements de consultations, prescriptions, hospitalisations, comme des séquences textuelles, permettant aux algorithmes de type transformeur d'y détecter des motifs invisibles aux biostatistiques classiques. Les résultats montrent que ces modèles surpassent significativement les méthodes statistiques traditionnelles pour prédire des maladies chroniques ou des complications graves avant leur déclaration clinique. Pour les médecins et les organismes de santé publique, cela ouvre la voie à une médecine préventive ciblée : identifier les patients à risque élevé plusieurs mois à l'avance, prioriser les interventions et potentiellement réduire la charge sur les hôpitaux. Les économies potentielles pour le système de santé sont considérables, dans un contexte de déficit chronique de l'Assurance maladie. Ces avancées ne vont pas sans tensions. L'exploitation du SNDS, bien que réglementée par la CNIL et le Health Data Hub, soulève des questions persistantes sur la confidentialité des données et les risques de discrimination algorithmique, notamment envers les populations défavorisées, souvent moins bien représentées dans les parcours de soins tracés. Se pose également la question de la souveraineté industrielle : qui développe ces modèles, sur quelle infrastructure, et au bénéfice de qui ? La France dispose d'un actif stratégique rare ; encore faut-il qu'elle en garde la maîtrise.

💬 Le SNDS, c'est littéralement le meilleur dataset médical du monde occidental, et on commence enfin à en faire quelque chose d'utile. Traiter des parcours de soins comme des séquences textuelles pour les passer dans des transformeurs, c'est une idée simple en apparence, mais les résultats sur la prédiction de pathologies lourdes sont solides. La vraie question, c'est pas la technique, c'est qui va capter la valeur : un acteur français, européen, ou un géant américain qui lorgne dessus depuis des années.