Nvidia et Eli Lilly lancent un laboratoire de découverte de médicaments par l'IA.

Nvidia $NVDA et Eli Lilly $LLY ont annoncé lundi qu'ils lançaient un laboratoire d'innovation conjointe en IA visant à accélérer la découverte de médicaments — un engagement de cinq ans pouvant aller jusqu'à 1 milliard de dollars, axé sur une découverte accélérée et en boucle fermée qui vise à « industrialiser » les modèles d’IA et à accélérer le développement clinique. Les entreprises vont co-localiser sur un nouveau site dans la baie de San Francisco pour que les équipes puissent travailler ensemble en temps réel, avec une ouverture prévue pour la fin mars.

Kimberly Powell, vice-présidente de la santé chez Nvidia, a lié le plan d'expansion au futur matériel de Nvidia, disant que la nouvelle usine IA de Lilly devrait évoluer vers un environnement cloud hybride alimenté par les futurs systèmes Nvidia Vera Rubin, aux côtés de la capacité cloud DGX de Nvidia. Pour Nvidia, c’est le genre de détail qui transforme un partenariat en quelque chose de plus solide qu'un titre : un plan pluriannuel visant déjà au-delà de la génération actuelle de machines.

« En combinant l'expertise approfondie de Lilly en découverte de médicaments et l'expertise de Nvidia en IA et en calcul accéléré », a déclaré Powell, « nous créons l'avenir de la conception et du développement des médicaments. »

Sa description de ce que fera le laboratoire insiste fortement sur la génération de données — l'ingrédient peu glamour qui détermine si la « découverte de médicaments par IA » se comporte comme une discipline ou une démonstration. Elle a dit qu’un objectif majeur sera de produire des « données d’entraînement incroyables » grâce à des travaux de laboratoire à grande échelle, en créant des « données de vérité terrain en laboratoire » pour entraîner des modèles de base en biologie avec des données multimodales, puis en resserrant la boucle entre hypothèses et découvertes. Et c'est le principe de toute la configuration : de meilleures expériences créent de meilleures données ; de meilleures données créent de meilleurs modèles ; de meilleurs modèles rendent les prochaines expériences plus ciblées — une boucle de rétroaction conçue pour le débit.

Dans un communiqué de presse, le directeur de l'information et du numérique de Lilly, Diogo Rau, a décrit le laboratoire comme un changement de paradigme dans la manière dont la découverte est réalisée. « Nous voyons cela comme un catalyseur pour les capacités qui définiront la prochaine ère de la découverte de médicaments », a-t-il dit. « En collaborant avec Nvidia, nous unissons une énorme capacité de calcul, des talents spécialisés et la capacité de façonner des données à une échelle immense. » Il a ajouté : « Nous nous dirigeons vers un avenir où la découverte est menée par une expérimentation rapide et des modèles de plus en plus personnalisés. »

La version de Powell du même pari insiste fortement sur la création de données — « données de vérité terrain en laboratoire » produites par un travail de laboratoire à grande échelle — car les modèles de biologie ne sont aussi bons que les entrées que vous pouvez défendre. La portée va au-delà de la R&D précoce. Powell a dit que les entreprises exploreront l'application de l'informatique accélérée et de l'IA avancée dans toute l'entreprise de Lilly, de la fabrication aux opérations commerciales. C'est un mandat large — et familier pour Nvidia, qui a tendance à commencer par le flux de travail le plus attrayant, puis à s’orienter vers le reste de l'infrastructure de l'entreprise une fois l'infrastructure en place.

« Nous allons utiliser tout le travail incroyable avec nos modèles ouverts dans Nemotron pour découvrir toute cette compréhension clinique, afin que le développement clinique puisse également être amélioré et rationalisé autant que possible », a déclaré Powell.

Le laboratoire est une extension de l'infrastructure que Lilly a déjà construite avec Nvidia. Fin octobre, Lilly a annoncé qu'elle construisait ce qu'elle appelait le superordinateur d'IA le plus puissant de l'industrie pharmaceutique, utilisant la plateforme DGX SuperPOD de Nvidia pour alimenter une « usine d'IA » dédiée à la découverte et au développement de médicaments.

Les entreprises d'IA se sont empressées de transformer la « santé » en une véritable catégorie de produit plutôt qu'une promesse vague, avec OpenAI lançant ChatGPT Health et Anthropic lançant Claude pour les soins de santé à quelques jours d'intervalle. Cette poussée vers les consommateurs et les cliniciens repose sur la même logique sous-jacente que celle de Nvidia : celui qui possède le flux de travail possède l'habitude, et celui qui possède l'habitude peut vendre l'infrastructure.

Le point plus large de Nvidia lors de la conférence de santé de JPMorgan $JPM, qui commence lundi, est que le secteur de la santé est prêt pour la même prise de contrôle complète qu'il a déjà réalisée dans d'autres industries. L'entreprise lance également une collaboration avec Thermo Fisher $TMO visant à intégrer les plateformes d'IA de Nvidia dans les instruments scientifiques et les flux de travail de laboratoire, un partenariat avec Multiply Labs s'appuyant sur la robotique et les jumeaux numériques pour la biofabrication, et une plateforme BioNeMo élargie que Nvidia affirme fournir plus de modèles ouverts, d'outils et de recettes de formation pour le travail de biologie et de découverte de médicaments de bout en bout.

Pour Lilly, un engagement de cinq ans et d'un milliard de dollars met une réelle pression sur les résultats qui intéressent réellement les investisseurs pharmaceutiques : des cycles de découverte plus courts, plus de candidats viables entrant en essais cliniques, moins d'impasses qui absorbent des années et des capitaux avant de disparaître discrètement. L'IA a promis tout cela auparavant. Ce laboratoire est pour Lilly une déclaration qu'elle est prête à être jugée sur la capacité de cette promesse à se concrétiser dans le pipeline, et pas seulement dans les démonstrations.

Cela accentue également le risque. La découverte de médicaments n'échoue pas parce que les idées sont rares ; elle échoue parce que la biologie est tenace, la réglementation est lente, et la validation est impitoyable. Les modèles formés sur la « vérité terrain » doivent encore survivre à la reproduction, à l'échelle et à l'examen minutieux de la FDA. L'automatisation doit encore gagner la confiance des scientifiques dont les carrières reposent sur le scepticisme. Si ce laboratoire fonctionne, il pourrait devenir un modèle pour la manière dont l'industrie pharmaceutique développe réellement des médicaments. Sinon, il pourrait devenir un rappel coûteux que l'informatique ne peut pas négocier avec la biologie.