L'IA génère trop de molécules, 10x Science trie le vrai du faux
Pourquoi ça compte pour toi
Si tu fais de la biotech ou tu finances ce secteur, tu dois savoir : le vrai bottleneck n'est plus la génération d'idées, c'est l'analyse. 10x Science attaque un marché SaaS massif auprès des pharmas, avec une moat technique rare : les fondateurs viennent du labo de Carolyn Bertozzi (Prix Nobel). C'est un cas d'école : l'IA résout un problème réel, pas du hype.
Ce qu'il faut retenir
- 1.DeepMind a crack la structure des protéines. Mais analyser les milliers de molécules candidates reste lent et coûteux (plusieurs millions en équipement).
- 2.10x combine algorithmes déterministes + agents IA pour interpréter les données de spectrométrie de masse en secondes au lieu de jours.
- 3.Seed de $4.8M (Initialized, Y Combinator). Déjà utilisé par des pharmas majeures et startups biotech. Modèle SaaS = récurrence garantie.
## Pourquoi c'est un problème réel
Depuis que Google DeepMind a résolu la prédiction de structure protéique, l'IA crée des candidats thérapeutiques en masse. Mais voilà : prédire ≠ valider. Chaque molécule doit être analysée au microscope moléculaire avant d'aller au labo. C'est le *characterization bottleneck*.
La spectrométrie de masse reste la référence : tu mesures masse et charge pour connaître la composition exact. Mais les données générées sont complexes, et interpréter ça nécessite des années d'expérience. Les biotech galèrent à recruter ces experts. Les pharmas investissent plusieurs millions pour l'équipement seul.
## Ce que 10x Science fait différemment
La plateforme mixe deux approches :
1. **Algorithmes de chimie pure** : des règles déterministes basées sur la biologie, pas du blackbox. 2. **Agents IA** : ils apprennent à lire les données de spectrométrie comme un expert ferait, mais en 10 secondes au lieu de 10 heures.
Le trick crucial : la traçabilité. En pharma, tu dois prouver à la FDA comment tu as obtenu chaque conclusion. Un modèle IA opaque = poubelle. 10x l'a résolu en ancrant l'IA dans des principes chimiques vérifiables.
## Pourquoi les investisseurs y croient
Les fondateurs (David Roberts, Andrew Reiter, Vishnu Tejus) ont travaillé dans le labo de Carolyn Bertozzi à Stanford — elle a eu le Prix Nobel en 2022. Ils ont aussi entraîné les modèles sur des données de spectrométrie réelles. C'est rare. La plupart des startups IA en biotech n'ont pas cette profondeur d'expertise domaine.
Crawford (scientifique chez Rilas, une CRO) teste depuis des semaines. Il rapporte que le modèle : - Déduit automatiquement le nom de la protéine juste en lisant le nom du fichier. - Cherche la séquence dans les bases de données sans qu'on lui demande. - Explique ses conclusions (vs "trust me bro").
C'est du SaaS : pharmas et startups biotech vont payer monthly pour trier leurs candidats. Zéro dépendance à un seul drug réussissant ou échouant. Un super moat : peu d'équipes unissent expertise en chimie + ML + spectrométrie.
## Le plan : du tri moléculaire vers l'"intelligence moléculaire"
Pour maintenant, 10x aide les chercheurs à *garder la canette de vers fermée* : ils obtiennent leur réponse rapide, puis continuent. Le seed ($4.8M) financera des embauches d'ingénieurs et l'affinement du modèle.
Roberts rêve plus grand : combiner structure protéique + données cellulaires pour redéfinir comment on comprend la biologie. Ambitieux, oui. Mais ancrés dans un produit qui marche déjà.
Essayer maintenant
Explorer le site de 10x Science →Source