Contexte de financement
Pathos AI Inc. a annoncé une levée de 237 millions de dollars lors d’une ronde de série E, valorisant l’entreprise à 3 milliards de dollars. Le tour a été mené par Bristol Myers Squibb, avec la participation d’AstraZeneca, NEA et General Atlantic. Cette injection de capital vise à financer plusieurs programmes de recherche, dont le principal, le candidat JSKN016, un anticorps‑conjugué destiné aux tumeurs. Le même financement couvre une collaboration avec AstraZeneca sur un médicament PROTAC et un accord de licence de données avec Tempus AI d’une valeur de 55 millions de dollars sur cinq ans.
Architecture de la plateforme Foundry
Le cœur technologique de Pathos est la plateforme Foundry, qui agrège environ 200 pétaoctets de données oncologiques. Ces données comprennent des séquences génomiques, des profils d’expression protéique et les résultats des essais cliniques internes. Foundry exploite des agents d’intelligence artificielle capables de parcourir ces volumes massifs pour identifier les molécules présentant le meilleur potentiel d’efficacité. Le processus repose sur des modèles de génération de structures chimiques couplés à des réseaux de prédiction d’activité biologique, entraînés sur les jeux de données internes et publics. La capacité à intégrer les données générées par les propres programmes de Pathos crée un boucle de rétroaction continue.
Applications cliniques et programmes de médicaments
Sur le plan clinique, Foundry sert à concevoir des essais biomarqueur‑driven. En sélectionnant des biomarqueurs – protéines, mutations ou mesures physiologiques – la plateforme propose des cohortes de patients plus susceptibles de répondre au traitement. Pour le programme JSKN016, l’IA a priorisé des anticorps capables de se lier à un antigène tumoral spécifique, puis a suggéré des agents cytotoxiques à conjuguer. Le projet PROTAC, développé avec AstraZeneca, exploite le mécanisme d’élimination des protéines par l’appareil ubiquitine‑protéasome, permettant de dégrader des cibles auparavant « indruggables ». Ces approches visent à réduire le taux d’échec des phases II/III en ciblant plus précisément les sous‑populations.
Enjeux et limites
La manipulation de 200 PB de données impose des exigences d’infrastructure élevées : stockage à haute disponibilité, bande passante suffisante et optimisation des pipelines d’entraînement pour éviter les goulets d’étranglement. La qualité des données reste un facteur critique ; les biais de collecte ou les annotations erronées peuvent conduire l’IA à des prédictions non fiables. Le partage de données anonymisées avec Tempus soulève également des questions de conformité aux réglementations de protection des données de santé, notamment le GDPR. Enfin, la traduction des prédictions d’IA en molécules synthétisables dépend de la viabilité chimique, un aspect qui n’est pas entièrement automatisé et requiert l’expertise de chimistes.
