L'intelligence artificielle a joué un rôle de premier plan cette semaine Convention Internationale Bio à San Diego, le plus grand événement biotechnologique réunissant des fournisseurs couvrant l'ensemble de l'écosystème d'entreprises de ce secteur.
Aujourd'hui, dans une allocution spéciale, Kimberly Powell (photo), vice-présidente et directrice générale de heasoins de santé et sciences de la vie à Nvidia Corp.a fait valoir que L'IA agentique est sur le point de faire pour la biotechnologie ce qu'elle vient de faire pour les logiciels – et BioNeMo de la société est la pile qui transforme les grands modèles de langage génériques en « scientifiques de l'IA » fonctionnels, à la fois plus rapides et moins chers à exécuter.
Nvidia veut intégrer les « scientifiques de l'IA » dans la biotechnologie
Powell a ouvert sa présentation en décrivant la situation actuelle de l'industrie. « Nous assistons au changement de plateforme le plus rapide que l’industrie des sciences de la vie ait jamais connu », a-t-elle déclaré. Elle a comparé l’IA au microscope, à la cristallographie aux rayons X et au séquençage génétique, les qualifiant de nouvelle classe d’instruments scientifiques. Cette fois, l'instrument ne se contente pas de voir ou de mesurer ; il raisonne, planifie et agit.
Lors de l'événement, Nvidia a annoncé sa boîte à outils BioNeMo Agentune pile logicielle qui transforme de grands modèles de langage en agents d'IA spécifiques à un domaine, capables d'exécuter des flux de travail de bout en bout en biologie et en chimie (de la revue de la littérature à la conception de protéines en passant par l'automatisation du laboratoire) tout en optimisant les performances et les coûts.
De l’IA générative à l’IA agentique pour la science
La thèse centrale de Powell est que les sciences de la vie, qui représentent un budget pharmaceutique annuel de 300 milliards de dollars (la R&D mondiale atteint 3 800 milliards de dollars), se préparent tranquillement à cette inflexion depuis une décennie. D’un côté, il y a eu une explosion de la recherche sur l’IA en biologie, chimie, imagerie et génomique. D'un autre côté, Nvidia a construit l'infrastructure nécessaire pour opérationnaliser cette recherche : GPU, réseaux, bibliothèques CUDA-X et plates-formes de domaine telles que MONAI, Parabriques, cuÉquivariance et BioNeMo.
Ce qui a changé au cours des 12 à 18 derniers mois, c'est l'émergence de l'IA agentique, des systèmes dans lesquels un grand « cerveau » de modèle de langage est enveloppé dans un harnais qui gère les outils, la mémoire, les politiques de sécurité et les flux de travail en plusieurs étapes. Le framework NeMo Curator et NemoClaw de Nvidia et le harnais open source sont des versions génériques de ce modèle ; le BioNeMo Agent Toolkit est l’édition optimisée pour les sciences de la vie.
« Les agents sont en train de devenir la couche d'application moderne dans les sciences de la vie », a déclaré Powell. « Chacune des milliers d’entreprises du secteur des sciences de la vie est sur le point de devenir un bâtisseur d’agents. » Il s’agit d’un cadre très différent de « juste un autre modèle ». Il indique que le prochain niveau d'application en biotechnologie ne sera pas constitué d'interfaces graphiques et de pipelines, mais plutôt de réseaux d'agents spécialisés coordonnant le travail entre les laboratoires numériques et physiques.
BioNeMo comme boîte à outils scientifique — optimisée pour la rapidité et le coût
L'annonce de Nvidia positionne BioNeMo comme la science derrière ces agents. En pratique, le BioNeMo Agent Toolkit fait trois choses importantes pour les équipes de biotechnologie :
- Regroupe des modèles éprouvés en sciences de la vie, tels que le repliement des protéines, l'amarrage moléculaire, la chimie générative, la génomique et l'imagerie, dans des outils appelables par des agents avec des schémas clairs : ce que fait chaque outil, quelles entrées il nécessite, quels résultats attendre et comment dépanner.
- Expose ces capacités via des microservices NIM qui peuvent s'exécuter sur site, dans le cloud public ou dans des environnements hybrides, afin que les secteurs pharmaceutique et biotechnologique puissent placer le calcul là où les données et les contraintes réglementaires l'exigent.
- Optimise l'efficacité des jetons et le coût de calcul, et pas seulement la précision brute, en donnant aux agents un accès à des bibliothèques et des modèles hautement accélérés, de sorte qu'ils dépensent moins de jetons et moins de temps d'horloge murale à rechercher le bon outil ou à réexécuter des étapes échouées.
Powell a spécifiquement abordé le compromis historique entre les coûts et les performances. Elle a décrit les compétences et les outils de BioNeMo comme « le savoir-faire » qui permet aux agents d'effectuer des flux de travail complexes avec « une bonne exécution des tâches, une précision du flux de travail et une réduction des dépenses en jetons, ce qui signifie moins de calcul et des résultats plus fiables ». En d’autres termes, un agent compatible BioNeMo ne produit pas seulement une meilleure science ; il le fait avec moins d'appels LLM et une utilisation plus efficace de l'unité de traitement graphique, ce qui rend possible en même temps une optimisation des coûts et des performances.
Powell a souligné que BioNeMo est indépendant des agents. La même boîte à outils peut servir des agents construits sur OpenAI, Anthropic, des LLM internes ou les propres modèles Nemotron de Nvidia. Cela est important pour les acheteurs qui ne veulent pas que leurs flux de travail de découverte de médicaments pour la prochaine décennie soient confinés à un seul modèle de fournisseur.
À quoi ressemble un « co-scientifique » en IA dans la pratique
Pour ancrer cela dans quelque chose au-delà des diagrammes architecturaux, Powell a parcouru un flux de travail de conception de liant protéique ciblant MCL1, une protéine qui aide les cellules tumorales à survivre. Traditionnellement, ce chemin – comprendre l’objectif pour générer des classeurs, prédire les structures, noter les candidats et décider ce qu’il faut synthétiser – nécessite des mois d’efforts humains spécialisés.
Un agent générique peut tenter ce flux de travail, mais il perdra du temps et des jetons « en recherchant les bons outils, en trouvant comment les appeler et, souvent, en échouant complètement à terminer la tâche ». Avec BioNeMo, a déclaré Powell, un scientifique se donne un seul objectif tel que « Concevoir un liant pour MCL1 » et l'agent :
- Récupère ou prédit la structure cible et sa région de liaison.
- Génère des liants candidats à l’aide de modèles génératifs BioNeMo.
- Plie la cible et le classeur ensemble, puis évalue les poses d'amarrage à l'aide de moteurs structurels accélérés.
- Classe et renvoie les meilleurs candidats pour examen humain – « tout cela est fait sans intervention humaine ».
C’est le modèle « scientifique en IA » que poursuivent de nombreuses startups. La nuance clé est la vérification. Panéliste Andrew White, co-fondateur et directeur de la technologie chez Edison Scientifiquea noté qu'à mesure que les agents s'améliorent, « l'ère où les humains rédigeaient des questions et les agents passaient le test est révolue. Nous avons vraiment besoin de ce type de laboratoire en boucle. » Ce qu'il en ressort : le véritable goulot d'étranglement est le passage du raisonnement sur la littérature existante à la réalisation de nouvelles expériences, et c'est exactement là qu'interviennent les laboratoires numériques et robotiques en boucle fermée.
Pourquoi c'est important pour la biotechnologie et l'industrie pharmaceutique
Pour les leaders de la biotechnologie, les implications stratégiques concernent moins une boîte à outils unique que le changement de modèle opérationnel décrit par Powell et les panélistes :
- Compression des délais. Powell a fait valoir que les agents « prendront en compte les découvertes scientifiques et réduiront les délais » – un travail qui prenait des années se transformerait en mois, et des mois en jours. Josh Meier, PDG de Chaï Découvertea donné un exemple concret. Les taux de réussite de la conception d’anticorps sont passés de un sur 1 000 à 10 % ou 15 % en quelques années seulement, grâce à des modèles améliorés et à une itération plus rapide.
- Des attentes croissantes en matière de vitesse de laboratoire humide. Alors que la conception in silico passe de plusieurs mois à plusieurs heures de temps GPU, les flux de travail en laboratoire deviennent le nouveau goulot d'étranglement. Meier a souligné que de nombreux tests n'ont jamais été optimisés en termes de vitesse, car il n'y avait aucune incitation ; Aujourd’hui, resserrer cette boucle est une nécessité concurrentielle.
- Nouveaux modèles de collaboration: Powell voit l’industrie pharmaceutique passer de « relations scientifiques approfondies » à des partenariats intégrant des laboratoires d’IA de pointe, des fournisseurs d’outils et des sociétés de plates-formes au sein de systèmes en boucle fermée – où chaque expérience alimente des modèles et des agents de base exclusifs. Banc Le PDG Sajith Wickramasekara a fait écho à cela, affirmant que les cahiers de laboratoire électroniques évoluent d'enregistrements rétrospectifs vers des « systèmes d'action » co-écrits par l'IA.
- Abaisser les barrières et décloisonner la science. Powell pense que des outils comme BioNeMo permettront aux biologistes d’exploiter la modélisation avancée « d’une manière en langage naturel, au lieu d’avoir à se lancer dans n’importe quel type de codage », brisant les silos entre les disciplines et rendant les outils d’IA modernes accessibles à un plus grand nombre de personnes.
Ce dernier point mérite d’être surveillé. Si les agents d’IA peuvent orchestrer de manière fiable une modélisation haut de gamme et une automatisation des flux de travail derrière un frontal conversationnel, la distinction pratique entre « biologiste computationnel » et « biologiste de laboratoire humide » commence à s’estomper.
Lire le signal de la route à venir
Du point de vue d'un observateur de l'industrie, BIO 2026 concerne moins l'« entrée » de Nvidia dans les sciences de la vie, puisqu'elle existe depuis une décennie, et davantage la standardisation de la pile agent pour la biotechnologie avant que d'autres ne le fassent. Le BioNeMo Agent Toolkit transforme les têtes de pont existantes de Nvidia, telles que les modèles MONAI, Parabricks, cuEquivariance et BioNeMo, en un environnement d'exécution cohérent auquel n'importe quel harnais d'agent peut se connecter, avec des accessoires de valeur clairs en termes de vitesse, de précision et de coût.
L’angle open source est également remarquable. Powell a précisé que la boîte à outils est disponible sur GitHub et est conçue pour fonctionner avec des modèles à frontières ouvertes et fermées, donnant aux secteurs pharmaceutique et biotechnologique la possibilité de créer leur propre « cerveau » spécifique à un domaine en plus de la boîte à outils de Nvidia. Dans un monde où la propriété intellectuelle, la résidence des données et la confiance des régulateurs sont des préoccupations existentielles, cette flexibilité sera importante.
Powell a conclu avec une ambition qui reflète parfaitement la posture de Nvidia : « L'IA agentique a révolutionné le codage – c'est une affaire accomplie. Maintenant, cet écosystème s'assemble pour révolutionner la science telle que nous la connaissons. » Pour les leaders de la biotechnologie, la question n’est plus de savoir si l’IA peut aider la science, a-t-elle soutenu, mais « l’IA dispose-t-elle des bons instruments pour faire fonctionner la science ? Avec BioNeMo Agent Toolkit, Nvidia parie que la réponse pour une part croissante de l’industrie sera oui.
Zeus Kerravala est analyste principal chez ZK Research, une division de Kerravala Consulting. Il a écrit cet article pour SiliconANGLE.
