Contexte de l'investissement

Isomorphic Labs Ltd., filiale d’Alphabet, a clôturé une levée de fonds de 5 milliards de dollars. Le tour a été mené par Greenoaks et Sequoia Capital, auxquels se sont joints plus d’une demi-douzaine d’investisseurs supplémentaires, dont Alphabet via ses fonds GV et CapitalG. Cette injection de capital vise à financer le développement de la plateforme logicielle IsoDDE et à étendre l’infrastructure bio‑ingénierie ainsi que l’écosystème de partenaires.

Fonctionnement du moteur IsoDDE

IsoDDE (Isomorphic Labs Drug Design Engine) repose sur des modèles d’intelligence artificielle capables de prédire la conformation tridimensionnelle des protéines cibles. La première étape consiste à cartographier la forme du protéine afin d’identifier les « binding pockets », c’est‑à‑dire les creux susceptibles d’accueillir un composé pharmacologique. Contrairement aux méthodes traditionnelles, IsoDDE ne nécessite pas de cristallisation X‑ray du protéine, étape qui implique la congélation du cible et l’utilisation d’équipements spécialisés.

Lorsque la recherche ne révèle aucun pocket exploitable, le moteur génère des molécules capables d’induir la formation de nouveaux pockets, une capacité décrite comme la création de « induced pockets ». Cette approche repose sur des réseaux de neurones entraînés sur des bases de données de structures protéiques et de ligands, permettant d’explorer un espace chimique beaucoup plus large que les techniques de criblage classiques.

Pour l’évaluation de l’affinité, l’industrie utilise habituellement les algorithmes de Free Energy Perturbation (FEP). Ces calculs sont très gourmands en ressources matérielles, souvent exécutés sur des clusters GPU ou des supercalculateurs, et requièrent des modèles 3D précis du protéine. IsoDDE prétend remplacer le pipeline FEP en générant directement des prédictions d’interaction à partir de la structure prédite, tout en offrant une qualité de sortie supérieure selon les affirmations de l’entreprise.

Analyse des performances et limites

Le gain de temps annoncé provient de l’élimination de la phase de cristallographie et de la réduction du besoin de calculs FEP intensifs. En pratique, la précision des modèles IA dépend fortement de la qualité et de la diversité des données d’entraînement ; un biais dans les structures de référence peut conduire à des prédictions erronées, surtout pour les protéines virales très variables. De plus, la génération de pockets induits repose sur des hypothèses physiques qui ne sont pas toujours vérifiables in vitro, ce qui impose des étapes expérimentales supplémentaires avant la validation clinique.

Sur le plan matériel, bien que le moteur évite les calculs FEP, il nécessite tout de même des GPU de dernière génération pour l’inférence des réseaux de neurones, ce qui implique des coûts d’infrastructure non négligeables. Enfin, l’absence de données publiques détaillées sur les benchmarks de précision rend difficile l’évaluation comparative avec les méthodes établies, limitant la transparence pour les partenaires pharmaceutiques.