Un goulot d’étranglement dans la recherche médicale
Les algorithmes de deep learning, comme celui de Google DeepMind capable de prédire les structures protéiques, ont multiplié le nombre de molécules prometteuses. Cependant, la capacité à caractériser chaque candidat en laboratoire devient rapidement le facteur limitant. Sans une analyse fiable et rapide, ces molécules restent hypothétiques, freinant la transition du modèle à la mise sur le marché.
10x Science, la réponse hybride
Lancée en décembre 2025, 10x Science a levé 4,8 M$ grâce à Initialized Capital, Y Combinator, Civilization Ventures et Founder Factor. Son équipe fondatrice, composée du biologiste chimique David Roberts, du biologiste Andrew Reiter et du serial entrepreneur Vishnu Tejus, conjugue expertise en biologie, chimie et intelligence artificielle.
Des racines académiques prestigieuses
Les trois co‑fondateurs ont travaillé ensemble dans le laboratoire de la lauréate du prix Nobel, Carolyn Bertozzi, à Stanford. Leur frustration était commune : les outils de prédiction étaient performants, mais ils ne pouvaient pas suivre le rythme d’analyse des structures moléculaires réelles.
La spectrométrie de masse au cœur de la plateforme
Leur solution repose sur la spectrométrie de masse, technique qui mesure la masse et la charge des fragments moléculaires pour en déduire la composition exacte. Cette méthode génère des jeux de données d’une complexité redoutable, nécessitant habituellement des années d’expertise humaine pour les interpréter.
IA au service de l’interprétation
10x Science a développé des algorithmes déterministes, ancrés dans les principes chimiques et biologiques, couplés à des agents d’IA capables d’analyser automatiquement les spectres, d’extraire les motifs pertinents et de proposer des conclusions traçables – une exigence incontournable pour les autorités de régulation.
Premiers retours du terrain
Matthew Crawford, scientifique chez Rilas Technologies, utilise la plateforme pour offrir des analyses à des startups biotech sans qu’elles investissent dans du matériel coûteux. Il souligne la capacité du modèle à expliquer ses décisions, à sélectionner les données adéquates et à s’adapter à divers types de molécules, surpassant les outils IA précédents qui promettaient plus qu’ils ne livraient.
Implications pour l’industrie pharmaceutique
En réduisant le temps et le coût de la caractérisation, 10x Science ouvre la voie à une industrialisation plus rapide des thérapeutiques biologiques, comme le célèbre Keytruda de Merck. Les biopharmas pourront ainsi tester davantage de candidats générés par l’IA, augmentant les chances de découvrir des traitements réellement efficaces.