Contexte et enjeux de la donnée biologique

Les laboratoires de recherche pharmaceutique génèrent chaque jour des pétaoctets de séquences génomiques, de mesures protéiques, de métabolomiques et d’imageries cellulaires. Malgré ce volume, les modèles d’intelligence artificielle dédiés à la découverte de médicaments restent sous‑alimentés, ce qui limite leur capacité à prédire les voies pathologiques ou à identifier de nouvelles cibles thérapeutiques. Tesorai Inc. a levé 5,3 M$ en financement d’amorçage, portant le total à 8 M$, afin de combler ce déficit de données exploitable.

Architecture de la plateforme Tesorai

La solution repose sur trois modules complémentaires :

Tesorai Search ingère et indexe plusieurs téraoctets de données brutes provenant d’instruments de spectrométrie, de bases publiques et de dépôts internes. Le processus d’ingestion comprend la normalisation des formats (RAW, mzML, etc.), la déduplication et l’enrichissement sémantique via des modèles de langage spécialisés. Tesorai Chat offre une interface en langage naturel permettant aux scientifiques d’interroger les jeux de données sans connaissance préalable du schéma sous‑jacent. Enfin, Tesorai Trove constitue un catalogue curaté de milliers d’études publiques, chaque entrée étant annotée avec des métadonnées d’expérimentation et de qualité.

Analyse scientifique et performances démontrées

En ré‑analysant les données brutes de cinq études sur le cerveau d’individus atteints d’Alzheimer, la plateforme a mis en évidence le biomarqueur p‑tau217, absent des conclusions originales. Cette découverte a été validée par une publication dans JAMA Neurology (août). Un second benchmark montre que l’ajout de données protéiques à un modèle d’apprentissage unique‑cellule, initialement limité à l’ARN, a surpassé un modèle RNA‑only contenant 40 fois plus de paramètres sur plusieurs jeux de test. Le gain provient de la capacité de Tesorai à fusionner des modalités hétérogènes (protéines + ARN) tout en conservant une taille de modèle maîtrisée, réduisant ainsi les exigences de calcul et les risques de sur‑apprentissage.

Perspectives, partenariats et limites

Les premiers contrats avec le MD Anderson Cancer Center, l’Université de New York et la Michael J. Fox Foundation illustrent l’intérêt industriel pour une infrastructure capable de « recycler » les données déjà existantes. Cependant, la dépendance à des jeux de données publics implique des défis de qualité : variations de protocoles, biais de sélection et absence de standardisation peuvent affecter la robustesse des modèles entraînés. De plus, la validation clinique des insights générés reste à démontrer à grande échelle, ce qui nécessite des essais prospectifs et des audits indépendants.