Contexte du financement
Proximal Ventures, créé par Sahir Raoof, a clôturé son premier fonds à 27,5 millions de dollars. Le fonds prévoit des tickets d’investissement compris entre 500 000 $ et 1,5 million de dollars, ciblant les phases pré‑seed et seed. À ce jour, six startups ont reçu un soutien, dont ChronicleBio, qui exploite l’IA pour analyser des données biologiques et médicales. Les investisseurs limités incluent SignalFire, Kleiner Perkins, Bertelsmann Healthcare Investments ainsi que des acteurs individuels comme Nan Li et Zavain Dar.
Cibles technologiques et modèles d'IA
Le capital est orienté vers les services qui, historiquement, ont été externalisés par les laboratoires pharmaceutiques : synthèse de composés, mise à l’échelle de la production et analyse des essais cliniques. Raoof estime que l’automatisation de ces étapes grâce à l’IA pourrait réduire les coûts et les délais, ouvrant la porte à des économies de plusieurs milliards de dollars de dépenses pharmaceutiques. Les startups ciblées développent généralement des modèles d’apprentissage supervisé pour la prédiction de propriétés moléculaires, des réseaux de neurones profonds pour l’interprétation d’imagerie médicale, ou des pipelines de traitement du langage naturel afin d’extraire des insights des publications cliniques.
ChronicleBio, par exemple, combine des embeddings de séquences protéiques avec des modèles de classification afin d’identifier des cibles thérapeutiques potentielles dans les maladies chroniques. Cette approche repose sur des bases de données publiques et privées, ce qui nécessite des pipelines d’ingestion de données robustes et des stratégies de gouvernance pour garantir la conformité réglementaire.
Enjeux et limites pour les startups
Le principal défi identifié par Raoof est la création d’un « flywheel commercial » initial dans le secteur des sciences de la vie. Les startups doivent non seulement valider la performance technique de leurs algorithmes, mais aussi convaincre des clients pharmaceutiques habitués à des services externalisés. Le manque de standards d’évaluation pour les modèles d’IA en pharmacologie augmente le risque d’investissements non rentables.
Par ailleurs, la dépendance à des jeux de données de haute qualité implique des coûts de licence et des exigences de confidentialité, notamment sous le règlement GDPR. Les investisseurs limités, dont des anciens de Flatiron Health, évaluent la capacité des équipes à sécuriser des accords de données et à mettre en place des architectures cloud conformes aux exigences de la FDA.
Enfin, la concentration du capital sur des tickets modestes (500 k$‑1,5 M$) limite la marge de manœuvre pour des projets nécessitant des ressources de calcul importantes, comme l’entraînement de modèles de génération de molécules à l’échelle du milliard de paramètres. Les startups devront donc optimiser leurs pipelines d’entraînement, souvent en recourant à des solutions hybrides CPU/GPU ou à des services de calcul à la demande.
