VZVC mise sur quelques paris biotech soutenus par l’IA

Contexte et création de VZVC

Après une décennie à gérer près de 4 milliards de dollars d’investissements chez a16z, Vijay Pande a quitté le fonds en juin 2023 pour fonder VZVC avec Zack Werner. Contrairement aux modèles traditionnels de capital-risque qui visent 30 paris annuels, VZVC se limite à une poignée de paris concentrés chaque année et ne compte aucun associé. Cette orientation repose sur l’expérience de Pande, ancien professeur de chimie à Stanford et créateur du projet distribué Folding@home, qui a transformé des millions de PC en superordinateur dédié à la recherche biomédicale.

Rôle de l’IA dans la découverte de médicaments

L’IA est présentée comme le levier principal pour réduire le coût et la durée des essais cliniques, qui restent de l’ordre de centaines de millions de dollars par étude. Pande rappelle que le taux de succès d’un médicament du premier au troisième essai est d’environ 20 %, soit 8 échecs sur 10. La principale cause d’échec, selon lui, réside dans la mauvaise transposition des modèles animaux (souris) aux humains. Les modèles d’IA, bien qu’imparfaits, promettent une meilleure prédiction que les modèles animaux, ce qui pourrait diminuer le nombre d’échecs et, par conséquent, le coût amorti par traitement commercialisé.

Par ailleurs, la médecine de précision évolue d’une dépendance exclusive à la génomique – « le plan de la maison à la construction » – vers l’intégration de protéomique, métabolomique et de mesures robotisées automatisées. Cette convergence technologique, alimentée par l’IA, permet d’ajuster les traitements aux états physiologiques actuels du patient plutôt qu’à un profil génétique figé.

Limites des données biologiques et émergence des modèles de fondation

Contrairement aux grands modèles de langage qui s’entraînent sur des téraoctets de texte public, les données biologiques sont « non scrapables » : elles proviennent d’expériences propriétaires, de biobanques ou de plateformes de mesure qui ne sont pas accessibles librement. Chaque entreprise doit donc construire son jeu de données cloisonné, ce qui freine la standardisation des modèles et crée des silos concurrentiels.

Pande anticipe toutefois une évolution vers des atlases biologiques – des modèles de fondation entraînés sur des agrégats de données partagées – analogues aux LLM open‑source. Une fois ces modèles ouverts, ils pourraient offrir des performances comparables aux solutions propriétaires, tout en démocratisant l’accès aux prédictions biologiques avancées.

En résumé, VZVC mise sur un nombre limité de paris biotech, soutenus par une IA capable de remplacer les modèles animaux et d’intégrer des données multi‑omiques. Le principal défi reste la création de jeux de données suffisamment larges et partagés pour entraîner des modèles de fondation fiables, condition indispensable à la généralisation des gains promis par l’IA en médecine.