Contexte et enjeux
Boltz PBC, startup spécialisée dans l’intelligence artificielle appliquée à la recherche pharmaceutique, a levé 110 millions de dollars lors d’une levée de fonds de série A menée par Bessemer. Le tour a réuni Greycroft, Andreessen Horowitz, Amplify Partners, F‑Prime Capital, Hummingbird et d’autres investisseurs, dont plusieurs soutiennent déjà l’entreprise. La découverte de petites molécules, qui constitue la première étape de la plupart des programmes de médicaments, implique l’évaluation de l’affinité de liaison entre des centaines de milliers de composés et une cible biologique. Ce processus dure plusieurs mois et coûte plusieurs millions de dollars, limitant la vitesse d’innovation dans le secteur.
Fonctionnement des modèles BoltzMol‑1 et BoltzProt‑1
BoltzMol‑1 est un modèle d’apprentissage profond qui génère des prédictions d’affinité de liaison en ne sélectionnant que quelques dizaines de composés prometteurs, au lieu de l’échantillonnage exhaustif habituel. Le modèle exploite des représentations vectorielles des molécules et des cibles, puis applique un réseau de type transformer pour estimer la probabilité de liaison. Cette réduction du nombre de candidats diminue proportionnellement le temps de calcul et le coût de synthèse. BoltzMol‑1 a été testé sur dix cibles qualifiées de « challenging » et a identifié des « hits » pour six d’entre elles, démontrant une capacité à extraire des signaux pertinents même dans des espaces de recherche très vastes.
BoltzProt‑1 complète la chaîne de découverte en générant des dizaines de milliers de designs protéiques à partir des hits moléculaires. Contrairement aux approches classiques qui évaluent les protéines via des rubriques indirectes (stabilité, expression), BoltzProt‑1 utilise des métriques directes dérivées des interactions moléculaires prédites, ce qui, selon les tests internes, conduit à un taux de succès supérieur à celui de modèles concurrents. Les deux modèles sont accessibles via une API facturée à l’usage, mesurée en tokens. Depuis leur lancement en juin, la consommation de tokens a augmenté d’un facteur 50, signe d’une adoption rapide parmi les clients.
Performances observées et limites
Les résultats publiés indiquent que BoltzMol‑1 a pu réduire le nombre de molécules à tester de plusieurs ordres de grandeur, passant de centaines de milliers à quelques dizaines, tout en conservant la capacité à identifier des hits sur 60 % des cibles testées. Cette efficacité repose sur la qualité des données d’entraînement, qui restent confidentielles, et sur la capacité du modèle à généraliser à des cibles peu représentées dans les jeux de données publics. Cependant, la validation expérimentale des hits reste indispensable : les prédictions ne garantissent pas une activité biologique in vivo et peuvent générer des faux positifs, surtout lorsque les contraintes de synthèse sont strictes.
BoltzProt‑1, en générant des dizaines de milliers de designs, impose des exigences de calcul importantes. L’entreprise prévoit d’utiliser le financement reçu pour acquérir davantage d’infrastructure GPU, afin de rivaliser avec les laboratoires d’IA de grande envergure tels qu’Anthropic et OpenAI, qui ont récemment publié des modèles spécialisés en biologie. La dépendance à une puissance de calcul élevée constitue une barrière d’entrée pour les petites équipes de recherche qui ne disposent pas de ressources cloud suffisantes.
Perspectives d’évolution
Boltz indique déjà travailler sur une nouvelle génération d’algorithmes de conception moléculaire, dont les performances seraient « substantiellement supérieures » aux modèles actuels. Si ces améliorations se traduisent par une meilleure précision de prédiction, elles pourraient réduire davantage le nombre de cycles expérimentaux nécessaires, diminuant ainsi les coûts globaux de R&D. L’expansion du portefeuille client, qui compte six des vingt plus grands groupes pharmaceutiques, devrait fournir davantage de données réelles pour affiner les modèles et valider leur robustesse en conditions industrielles. Enfin, la facturation à l’usage via tokens crée un modèle économique flexible, mais implique que les coûts d’utilisation restent proportionnels à la consommation de calcul, un facteur à surveiller pour les projets à grande échelle.