L'IA génère trop de molécules, 10x Science trie le vrai du faux

Pourquoi c'est un problème réel

Depuis que Google DeepMind a résolu la prédiction de structure protéique, l'IA crée des candidats thérapeutiques en masse. Mais voilà : prédire ≠ valider. Chaque molécule doit être analysée au microscope moléculaire avant d'aller au labo. C'est le goulot d'étranglement de la caractérisation.

La spectrométrie de masse reste la référence : tu mesures masse et charge pour connaître la composition exacte. Mais les données générées sont complexes, et les interpréter nécessite des années d'expérience. Les biotech peinent à recruter ces experts. Les pharmas investissent plusieurs millions pour l'équipement seul.

Ce que 10x Science fait différemment

La plateforme combine deux approches :

1. ▸Algorithmes de chimie pure : des règles déterministes basées sur la biologie, pas une boîte noire.
2. ▸Agents IA : ils apprennent à lire les données de spectrométrie comme le ferait un expert, mais en 10 secondes au lieu de 10 heures.

L'élément décisif : la traçabilité. En pharma, tu dois prouver à la FDA comment tu as obtenu chaque conclusion. Un modèle IA opaque est inutilisable. 10x a résolu ce problème en ancrant l'IA dans des principes chimiques vérifiables.

Pourquoi les investisseurs y croient

Les fondateurs (David Roberts, Andrew Reiter, Vishnu Tejus) ont travaillé dans le labo de Carolyn Bertozzi à Stanford — elle a obtenu le Prix Nobel en 2022. Ils ont aussi entraîné les modèles sur des données de spectrométrie réelles. C'est rare. La plupart des startups IA en biotech n'ont pas cette profondeur d'expertise métier.

Crawford (scientifique chez Rilas, une CRO) teste la plateforme depuis des semaines. Il rapporte que le modèle :

• ▸Déduit automatiquement le nom de la protéine en lisant le nom du fichier.
• ▸Recherche la séquence dans les bases de données sans qu'on lui demande.
• ▸Explique ses conclusions, sans exiger une confiance aveugle.

C'est du SaaS : pharmas et startups biotech vont payer chaque mois pour trier leurs candidats. Zéro dépendance à la réussite ou l'échec d'un seul médicament. Un solide avantage concurrentiel : peu d'équipes réunissent expertise en chimie, ML et spectrométrie.

Le plan : du tri moléculaire vers l'« intelligence moléculaire »

Pour l'instant, 10x aide les chercheurs à obtenir leur réponse rapidement pour avancer sans s'enliser. Le tour d'amorçage (4,8M$) financera des recrutements d'ingénieurs et l'affinement du modèle.

Roberts voit plus grand : combiner structure protéique et données cellulaires pour redéfinir notre compréhension de la biologie. Ambitieux, oui. Mais ancré dans un produit qui fonctionne déjà.