Marché de l’intelligence artificielle appliquée à la découverte de médicaments Taille et part 2026-2035

Taille du marché de l’intelligence artificielle dans la découverte de médicaments

Le marché de l’intelligence artificielle dans la découverte de médicaments était évalué à 3,1 milliards de dollars (USD) en 2025, devrait atteindre 4 milliards de dollars (USD) en 2026 et devrait progresser pour atteindre 43,9 milliards de dollars (USD) d’ici 2035, avec un taux de croissance annuel composé (CAGR) de 30,5 % sur la période 2026–2035.

Cette montée en puissance traduit une évolution des domaines de déploiement des méthodes informatiques : l’IA dépasse désormais les exercices isolés de criblage virtuel pour s’intégrer à la découverte de cibles, à la conception moléculaire, à la prédiction des propriétés et à l’aide à la décision préclinique.

Les enjeux économiques restent un facteur essentiel de l’adoption. La recherche et développement pharmaceutique doit absorber un cycle de développement long et un taux d’attrition important avant qu’un produit n’obtienne son autorisation. ^{[1]Congressional Budget Office, Research and Development in the Pharmaceutical Industry. cbo.gov} Une évaluation publiée en 2024 estimait à plus de 3,5 milliards de dollars (USD) le coût de mise sur le marché d’un médicament inédit, en incluant les échecs et les coûts du capital. Les plateformes d’IA n’éliminent pas le risque clinique, mais elles peuvent concentrer les travaux expérimentaux sur des candidats présentant des caractéristiques prédites plus favorables en matière de liaison, de développabilité ou de sécurité. La valeur commerciale réside donc moins dans le remplacement de la recherche en laboratoire que dans la concentration des capacités de laboratoire sur un ensemble plus restreint et mieux hiérarchisé d’hypothèses.

Les progrès techniques ont renforcé l’intérêt d’utiliser l’IA dès les premières étapes de la découverte. AlphaFold 3 a étendu la prédiction des structures aux interactions impliquant des protéines, de petites molécules, des acides nucléiques et des anticorps, offrant une base plus utile à la conception fondée sur la structure que la modélisation limitée aux protéines. ^{[2]National Institutes of Health PubMed Central, AlphaFold 3: Transformative Advances in Drug Discovery. pmc.ncbi.nlm.nih.gov} Les données cliniques commencent également à mettre à l’épreuve cette proposition de fond. Insilico Medicine a fait état en 2025 de résultats de phase IIa concernant le rentosertib dans la fibrose pulmonaire idiopathique, établissant un lien entre un programme de découverte fondé sur l’IA générative et un résultat clinique publié dans une revue à comité de lecture. ^{[3]EurekAlert! / Insilico Medicine, Insilico Medicine announces Nature Medicine publication of Phase IIa results evaluating rentosertib for idiopathic pulmonary fibrosis. sciencesources.eurekalert.org} Parallèlement à ces évolutions, le financement en fonds propres consacré à l’IA dans la recherche et développement pharmaceutique a atteint 3,8 milliards de dollars (USD) en 2024, ce qui témoigne du soutien continu des capitaux au développement des plateformes et à l’avancement des portefeuilles de produits. ^{[4]CB Insights, The AI in Drug R&D Market Map. cbinsights.com}

Le cadre réglementaire se précise, même s’il demeure exigeant. Le projet de lignes directrices publié par la FDA en janvier 2025 traite de la crédibilité des modèles d’IA utilisés pour étayer la prise de décision réglementaire concernant les médicaments et les produits biologiques ; la FDA a fait état de son expérience avec plus de 500 demandes comportant des composants d’IA entre 2016 et 2023. ^{[5]U.S. Food and Drug Administration, Center for Drug Evaluation and Research, Artificial Intelligence for Drug Development. fda.gov} Cette évolution ne crée pas de voie d’autorisation distincte pour les logiciels de découverte. Elle renforce plutôt l’importance de la traçabilité, de la provenance des données et de la documentation des performances des modèles lorsque des éléments probants issus de l’IA contribuent au développement en aval et aux dossiers réglementaires.

Les logiciels représentaient 67,9 % des revenus du marché en 2025, tandis que l’apprentissage automatique constituait 82,6 % de la demande technologique. Les cinq principaux acteurs détenaient ensemble environ 11,8 % du marché, laissant aux fournisseurs d’infrastructures, aux spécialistes de la chimie computationnelle, aux entreprises de découverte natives de l’IA et aux développeurs spécialisés dans certaines maladies la possibilité de coexister sans qu’une plateforme unique n’exerce un contrôle dominant.

Les financements et l'activité réglementaire renforcent cette transition plutôt qu'ils ne la créent indépendamment. Les 3,8 milliards de dollars (USD) investis dans la R&D pharmaceutique fondée sur l'IA en 2024 fournissent les capitaux nécessaires à la constitution d'actifs de données et à l'avancement des programmes, tandis que le projet de lignes directrices de la FDA indique que les éléments probants établissant la crédibilité feront de plus en plus partie du modèle opérationnel. La croissance devrait donc favoriser les fournisseurs capables d'associer les performances des modèles à une validation expérimentale reproductible, à des ensembles de données auditables et à une documentation prête pour le développement, plutôt que les fournisseurs proposant uniquement la génération de molécules.

Principaux moteurs

La complexité de la biologie des maladies chroniques augmente la valeur de la hiérarchisation informatique.

L'incidence mondiale du cancer a atteint 20,6 millions de nouveaux cas en 2024, et le CIRC prévoit 34,4 millions de cas d'ici à 2050. L'oncologie produit des ensembles de données génomiques, moléculaires et cliniques exceptionnellement vastes et hétérogènes, mais elle présente également un vaste espace de cibles dans lequel le criblage expérimental classique peut être lent et coûteux. L'IA peut hiérarchiser les cibles, stratifier les hypothèses biologiques et examiner des bibliothèques de candidats avant le lancement des campagnes en laboratoire. Cette dynamique contribue à la concentration des dépenses consacrées à la découverte fondée sur l'IA dans l'oncologie, qui représentait 1,4 milliard de dollars (USD) en 2025.

La numérisation des données biologiques élargit le socle exploitable pour la découverte.

Les bases de données structurelles, les résultats du séquençage, l'imagerie phénotypique, les résultats d'essais et la littérature scientifique sélectionnée fournissent aux modèles davantage de données d'entrée que les flux de travail classiques de chimie médicinale ne peuvent en examiner manuellement. AlphaFold 3 est particulièrement pertinent, car son périmètre de modélisation s'étend au-delà des protéines isolées aux interactions moléculaires qui influent sur la liaison et le mécanisme d'action. L'avantage ne réside pas uniquement dans le volume de données. Il tient à la capacité de relier des flux de données autrement distincts afin de formuler une hypothèse concernant une cible ou un composé, qui pourra être testée expérimentalement.

Les progrès des algorithmes et de la puissance de calcul réduisent le coût de la modélisation avancée.

NVIDIA a lancé BioNeMo, un cadre ouvert destiné aux charges de travail en biologie numérique, en novembre 2024, permettant aux organisations d'entraîner et de déployer des modèles biologiques de fondation sur une infrastructure accélérée. ^{[6]NVIDIA, NVIDIA Opens BioNeMo to Scale Digital Biology for Global Biopharma and Scientific Industry. investor.nvidia.com}Une inférence plus rapide et des outils de développement de modèles plus accessibles élargissent la base de clients potentiels au-delà des organisations qui disposent d'environnements internes dédiés de calcul haute performance. Cette évolution déplace la question concurrentielle de l'accès aux capacités de calcul vers la qualité des données propriétaires, des flux de travail scientifiques et des capacités de validation.

Les alliances entre entreprises technologiques et pharmaceutiques convertissent les capacités des plateformes en demande contractualisée.

Isomorphic Labs a annoncé en janvier 2024 une collaboration avec Novartis portant sur la découverte de plusieurs cibles, et BenevolentAI a fait état en juin 2024 de nouvelles avancées concernant des cibles dans le cadre de sa collaboration avec AstraZeneca. Ces accords montrent comment les entreprises pharmaceutiques peuvent accéder à des capacités d'IA sans devoir développer en interne chaque modèle, pipeline de données et équipe scientifique. Ils font également des jalons, des paiements de recherche et des programmes complémentaires d'importants mécanismes de génération de revenus pour les fournisseurs de plateformes, en particulier lorsque les partenaires exigent une validation biologique plutôt qu'un simple accès à un logiciel.

Principaux freins

La qualité et l'intégration des données limitent la transférabilité des résultats de l'IA.

Les données de découverte de médicaments sont générées dans différents laboratoires, formats d'essai, systèmes cellulaires et cadres méthodologiques, qui ne sont pas nécessairement directement comparables. Les modèles entraînés sur des données fragmentées peuvent sembler précis dans un environnement interne restreint, tout en donnant de mauvais résultats lorsqu'ils sont transférés à une nouvelle cible, à une nouvelle modalité ou à un nouvel ensemble de données client. Pour les entreprises pharmaceutiques, la contrainte intervient souvent avant même la sélection du modèle : les résultats historiques des essais, les composés ayant échoué et les données sur les biomarqueurs cliniques doivent être standardisés, gouvernés et rendus accessibles au sein des différents silos internes. Cette exigence favorise les fournisseurs capables d'assurer l'ingénierie des données et la curation scientifique parallèlement à la modélisation.

Les préoccupations réglementaires et éthiques accroissent le niveau de preuve requis pour les décisions fondées sur l'IA.

Le projet de lignes directrices de la FDA met l'accent sur une évaluation, adaptée au contexte, de la crédibilité des modèles d'IA dans le cadre de la prise de décision réglementaire. Bien que les outils de découverte ne soient pas réglementés comme des produits au seul motif qu'ils utilisent l'IA, les promoteurs doivent néanmoins expliquer et défendre les éléments probants qui sous-tendent la sélection des candidats, les conclusions non cliniques et les décisions de développement. Le fonctionnement en boîte noire, les biais présents dans les jeux de données d'entraînement, les limitations liées aux droits sur les données et l'incertitude concernant la propriété des droits de propriété intellectuelle peuvent ralentir l'adoption lorsqu'une recommandation de l'IA ne peut être reliée à une justification scientifiquement interprétable. Le coût qui en résulte est souvent organisationnel : les équipes scientifiques, cliniques, juridiques et réglementaires doivent s'accorder sur le degré de fiabilité requis des résultats du modèle pour qu'ils puissent influencer un programme coûteux.

Cela crée une issue commerciale asymétrique. Les organisations qui traitent les données biologiques comme un produit gouverné, dont la provenance et le contexte expérimental sont préservés, peuvent améliorer à la fois les performances des modèles et la capacité à défendre les décisions prises en aval. Les fournisseurs incapables de démontrer cette chaîne peuvent encore remporter des projets exploratoires, mais ils doivent emprunter une voie plus difficile vers des contrats reproductibles aux étapes de développement. Cette contrainte transfère donc la valeur vers les plateformes intégrées, les capacités de gestion des données et les flux de travail qui préservent le lien entre une prédiction algorithmique et un résultat de laboratoire reproductible.

Analyse des segments du marché de l'intelligence artificielle dans la découverte de médicaments

Par composant

Les logiciels représentaient 67,9 % des revenus du marché en 2025 et devraient progresser à un taux de croissance annuel composé (CAGR) de 30,2 %. Leur domination s'explique par l'utilisation généralisée de plateformes sous licence pour l'identification des cibles, le criblage virtuel, la génération de molécules et la prédiction des propriétés. Les logiciels basés sur le cloud représentaient 74,3 % de la demande de logiciels, permettant aux clients de dimensionner leurs charges de travail intensives sans investir dans une infrastructure informatique interne permanente. Le déploiement sur site demeure pertinent lorsque les bibliothèques de composés propriétaires, les données sensibles des patients ou les exigences de gouvernance des entreprises limitent l'hébergement externe.

Les services devraient progresser à un taux de croissance annuel composé (CAGR) de 31,1 %. Ce rythme plus rapide indique que les clients ont de plus en plus besoin d'une interprétation scientifique, d'une personnalisation des modèles, d'une curation des données et d'un suivi expérimental en complément des licences logicielles. Cette évolution revêt une importance commerciale, car les services peuvent aligner la rémunération des fournisseurs sur des résultats de programme définis, tels qu'une cible validée, une série de composés chefs de file optimisée ou un dossier de candidat préclinique.

Par technologie

L'apprentissage automatique représentait 82,6 % des revenus de la technologie en 2025, et l'apprentissage profond constituait 66,3 % du segment de l'apprentissage automatique. Les architectures d'apprentissage profond sont particulièrement adaptées aux structures de données sous forme de graphes, de séquences, d'images et multimodales courantes dans les sciences moléculaires et biologiques. Leur adoption est soutenue par les avancées en matière de prédiction des structures, telles qu'AlphaFold 3, ainsi que par la disponibilité croissante de cadres accélérés pour les modèles de fondation.

D'autres approches conservent des rôles distincts au lieu de devenir obsolètes. La simulation fondée sur la physique peut fournir des contrôles mécanistiques des hypothèses générées par l'IA, tandis que les graphes de connaissances peuvent préserver des relations biologiques interprétables. L'opportunité devient donc de plus en plus hybride : les organisations peuvent utiliser l'apprentissage automatique pour explorer de vastes espaces chimiques ou biologiques, puis appliquer des méthodes plus interprétables ou davantage fondées sur des principes physiques afin de hiérarchiser les résultats les plus adaptés aux essais expérimentaux.

Par application

Le criblage de bibliothèques moléculaires a généré 1,2 milliard de dollars (USD) en 2025 et demeure la plus grande application, car il peut être intégré aux flux de travail établis d'identification des composés actifs. Le criblage virtuel réduit le nombre de composés qu'il faut acheter, synthétiser ou tester expérimentalement, offrant un gain de productivité tangible aux organisations disposant d'importantes collections de composés.

L'identification des cibles revêt une importance stratégique, car une biologie de la cible insuffisamment établie est difficile à corriger ultérieurement au cours du développement. La collaboration entre BenevolentAI et AstraZeneca, qui a conduit à la progression de nouvelles cibles dans le lupus érythémateux systémique en 2024, illustre la pertinence commerciale de la génération d'hypothèses biologiques assistée par l'IA. La conception de novo de médicaments représente un segment plus restreint, mais devrait progresser à un taux de croissance annuel composé (CAGR) de 30.

L'oncologie dominait le marché avec 1,4 milliard de dollars (USD) en 2025. Sa position est renforcée par le volume de données moléculaires, la diversité biologique entre les différents types de tumeurs et une demande soutenue de cibles différenciées et de thérapies définies par des biomarqueurs. L'augmentation de la charge mondiale du cancer accentue l'urgence de cette recherche, mais l'intensité du recours à l'IA dans ce segment s'explique principalement par la nécessité d'intégrer des informations génomiques et phénotypiques extrêmement hétérogènes.

Les maladies neurodégénératives, inflammatoires, infectieuses, métaboliques, rares et cardiovasculaires présentent des conditions différentes en matière de données et de validation. Les maladies rares peuvent bénéficier de l'interprétation de données génétiques limitée par l'IA, mais la rareté des ensembles de données cliniques et expérimentales peut réduire la fiabilité des modèles. Les maladies inflammatoires offrent des opportunités lorsque la biologie des voies et les données issues des biomarqueurs sont relativement bien caractérisées. Le cas d'utilisation est donc propre à chaque domaine thérapeutique : l'IA crée le plus de valeur lorsqu'elle permet d'améliorer un goulot d'étranglement décisionnel clairement identifié, plutôt que lorsqu'elle est appliquée sans discernement.

Par utilisation finale

Les entreprises pharmaceutiques et biotechnologiques représentaient 52,8 % des revenus du marché en 2025. Ces clients utilisent l'IA à la fois pour améliorer la productivité de leurs activités internes de découverte et pour accéder à des plateformes spécialisées dans le cadre d'alliances. Leurs décisions d'achat sont influencées par l'intégration avec les données existantes, les bibliothèques de composés, les priorités thérapeutiques et la gouvernance du développement.

Les sociétés de recherche sous contrat (CRO) devraient enregistrer un taux de croissance annuel composé de 31,0 %, le plus rapide parmi les utilisateurs finaux. En intégrant l'IA au criblage, à l'optimisation des candidats principaux et aux services de soutien préclinique, les CRO peuvent offrir aux jeunes entreprises de biotechnologie un accès à des processus avancés de découverte sans les obliger à acquérir et à exploiter une plateforme complète. Ce modèle peut élargir l'adoption auprès des organisations pour lesquelles le déploiement direct d'un logiciel d'entreprise serait trop coûteux ou techniquement trop exigeant.

La part de 82,6 % de l'apprentissage automatique confirme que les modèles entraînés sur des données demeurent la base technologique du marché, mais l'accès aux modèles devient moins exclusif à mesure que les logiciels en nuage et les frameworks accélérés se diffusent. L'avantage concurrentiel dépendra donc de plus en plus de la capacité d'un opérateur à relier les modèles à des données biologiques propriétaires, à une conception tenant compte de la synthèse et à un retour d'information expérimental rapide. Les CRO capables de rendre cette boucle opérationnelle pourraient obtenir davantage qu'un simple outil de productivité : elles pourraient devenir un canal d'accès à la conception de novo pour des clients disposant d'une infrastructure informatique interne limitée.

Analyse régionale du marché de l'intelligence artificielle appliquée à la découverte de médicaments

Amérique du Nord

L’Amérique du Nord représentait 47,7 % des revenus du marché en 2025. Les États-Unis ont généré 0,7 milliard de dollars (USD) en 2022, 0,8 milliard de dollars (USD) en 2023, 1,1 milliard de dollars (USD) en 2024 et 1,4 milliard de dollars (USD) en 2025. Leur avance s’appuie sur la concentration des activités de recherche et développement (R&D) pharmaceutiques, du financement en capital-risque, des infrastructures de calcul avancées et des entreprises spécialisées dans la découverte de médicaments par l’IA. Les travaux menés par la FDA sur les considérations réglementaires liées à l’IA offrent également aux promoteurs américains un canal direct pour dialoguer au sujet des normes de preuve susceptibles d’influencer le développement assisté par l’IA.

Le Canada apporte une base distincte dans la recherche et le développement de plateformes, soutenue par ses pôles de l’IA et des sciences de la vie. La collaboration conclue en 2025 entre Variational AI et Merck illustre le rôle des développeurs canadiens d’IA générative dans les programmes transfrontaliers de découverte pharmaceutique. Dans l’ensemble de l’Amérique du Nord, l’avantage commercial réside dans la capacité à financer le développement de plateformes à coût élevé et à faire progresser les programmes issus de l’IA vers l’évaluation clinique.

Europe

L’Europe a généré 1,0 milliard de dollars (USD) en 2025. La région associe des donneurs d’ordre pharmaceutiques établis à une vaste base universitaire et de biologie computationnelle. Le Royaume-Uni revêt une importance particulière grâce à des entreprises telles qu’Isomorphic Labs et BenevolentAI, dont les activités liées à Novartis et AstraZeneca démontrent la capacité de la région à créer des partenariats de découverte d’envergure mondiale. L’Allemagne, la France, l’Espagne, l’Italie, les Pays-Bas et le reste de l’Europe contribuent par leur industrie pharmaceutique, leurs activités de recherche en sciences de la vie, leurs infrastructures de santé numérique et leurs réseaux de recherche transfrontaliers.

Le développement du marché européen est façonné par une double exigence : les plateformes de découverte doivent démontrer leur utilité scientifique tout en répondant à des attentes de plus en plus formalisées en matière de gouvernance de l’IA et de gestion responsable des données. Cette situation peut ralentir la mise en œuvre lorsque des données de santé transfrontalières sont nécessaires, mais elle peut également favoriser les fournisseurs capables de proposer une documentation transparente et des contrôles rigoureux des données. La participation de Sanofi au financement de série C d’Enveda en février 2025 illustre l’intérêt constant des entreprises pharmaceutiques européennes pour les plateformes de découverte assistées par l’IA.

Asie-Pacifique

L’Asie-Pacifique est la région qui connaît la croissance la plus rapide, avec un taux de croissance annuel composé (CAGR) prévu de 31,2 %. La Chine, le Japon, l’Inde, l’Australie, la Corée du Sud et le reste de l’Asie-Pacifique apportent chacun des atouts différents à l’écosystème régional. La Chine associe une capacité biopharmaceutique croissante à une solide capacité de développement clinique, tandis que le Japon dispose d’entreprises pharmaceutiques établies et d’un marché mature des partenariats externes. Les travaux cliniques menés par Insilico en Chine et en Australie montrent que les programmes issus de l’IA peuvent utiliser la région à la fois pour l’exécution du développement et pour produire des données cliniques diversifiées sur le plan géographique.

L’opportunité de l’Inde est étroitement liée à sa base de recherche sous contrat (CRO) et de services techniques. Les outils d’IA peuvent permettre aux prestataires de services d’ajouter des capacités de criblage, de conception et de prédiction computationnels à des modèles établis de prestation de services de recherche. L’Australie et la Corée du Sud renforcent la région grâce à leurs infrastructures de recherche clinique, leurs établissements de recherche et l’adoption des technologies. Le surcroît de croissance régional reflète un point de départ plus faible associé à un accès croissant au cloud computing et aux plateformes mondiales d’IA, plutôt qu’une évolution uniforme des capacités de découverte dans l’ensemble des pays.

Amérique latine

L’Amérique latine reste un marché de plus petite taille dominé par le Brésil, le Mexique, l’Argentine et le reste de la région. L’adoption devrait principalement progresser par l’intermédiaire des établissements de recherche, des relations avec les entreprises pharmaceutiques multinationales et des modèles de services de recherche sous contrat (CRO), plutôt que grâce à un grand nombre d’entreprises de découverte de médicaments entièrement intégrées et conçues nativement autour de l’IA. Les institutions scientifiques et la base pharmaceutique du Brésil constituent un socle pour la biologie computationnelleet les collaborations précliniques, tandis que le Mexique bénéficie de sa proximité avec les réseaux de recherche nord-américains et de l'essor des activités de recherche externalisées. L'Argentine apporte des capacités universitaires et informatiques spécialisées.

La principale contrainte commerciale de la région réside dans la disponibilité limitée de grands ensembles de données propriétaires standardisés et d'infrastructures avancées de découverte, par rapport à l'Amérique du Nord et à l'Europe. Les prestataires qui proposent des capacités modulaires basées sur le cloud et peuvent travailler par l'intermédiaire de partenaires CRO sont mieux positionnés que les fournisseurs qui exigent une ingénierie interne approfondie des données avant de pouvoir démontrer leur valeur.

Moyen-Orient et Afrique

Le Moyen-Orient et l'Afrique constituent un marché à un stade précoce englobant l'Afrique du Sud, l'Arabie saoudite, les Émirats arabes unis et le reste de la région. L'Afrique du Sud possède la base de recherche clinique établie la plus solide parmi les marchés cités, tandis que l'Arabie saoudite et les Émirats arabes unis développent leurs capacités dans les sciences de la vie, la santé et l'intelligence artificielle au moyen de programmes nationaux d'investissement. L'opportunité immédiate se concentre sur les infrastructures de recherche, les partenariats universitaires et l'accès à la modélisation compatible avec le cloud, plutôt que sur la détention à grande échelle de plateformes internes de découverte de médicaments.

Le développement du marché dépendra de la capacité à convertir les investissements dans les données de santé, la génomique et les capacités de recherche en ensembles de données interopérables et en programmes de développement reproductibles. Pour les fournisseurs internationaux de plateformes, les structures de partenariat qui renforcent les capacités locales et gèrent les exigences de gouvernance des données seront probablement plus pratiques qu'une approche uniforme de vente directe.

La configuration régionale présente une importante implication opérationnelle. L'IA peut réduire le niveau minimal d'infrastructures nécessaire pour participer à la découverte précoce, mais elle ne supprime pas le besoin de données de haute qualité, de validation expérimentale et de capacités de développement conformes aux exigences réglementaires. La Chine et l'Inde pourraient bénéficier de l'ampleur de leurs secteurs biopharmaceutiques et de leurs services de recherche, tandis que le Japon, l'Australie et la Corée du Sud peuvent apporter des capacités pharmaceutiques et cliniques spécialisées. Les fournisseurs qui différencient leurs offres régionales en fonction des conditions d'accès aux données, du modèle de déploiement et de l'écosystème de partenaires sont plus susceptibles de capter la prime de croissance que ceux qui considèrent l'Asie-Pacifique comme un marché unique et homogène.

Part du marché de l'intelligence artificielle dans la découverte de médicaments et paysage concurrentiel

Le marché reste fragmenté, les cinq principaux participants représentant collectivement environ 11,8 % des revenus de 2025. La concurrence s'exerce à plusieurs niveaux : infrastructure d'IA et fourniture de services cloud ; chimie computationnelle et simulation ; découverte de cibles et conception moléculaire ; développement de plateformes dédiées à certaines maladies ; et modèles intégrés allant de la découverte au développement clinique. Le positionnement d'une entreprise dépend de plus en plus de la combinaison de l'accès aux données, de la qualité des modèles, de la validation expérimentale et des partenariats pharmaceutiques.

Isomorphic Labs, une entreprise d'Alphabet, se positionne autour de la conception de médicaments fondée sur la structure et de l'application des avancées liées à AlphaFold au développement thérapeutique.Son financement de série A de 600 millions de dollars (USD) en mars 2025 et ses collaborations avec Novartis et Eli Lilly illustrent l'intensité capitalistique et la logique économique fondée sur les partenariats nécessaires pour faire évoluer un moteur de conception par IA vers des programmes cliniques. Microsoft et NVIDIA opèrent principalement au niveau des infrastructures habilitantes : Microsoft fournit des environnements cloud et de calcul scientifique, tandis que NVIDIA fournit du matériel accéléré et les outils BioNeMo destinés aux modèles de fondation biologiques. Leur alliance est pertinente, car elle réduit la charge d'intégration pour les organisations qui recherchent des capacités d'IA évolutives sans devoir construire indépendamment chaque élément de la pile technologique.

IBM apporte aux clients qui ont besoin d'une gouvernance des données associée à des capacités analytiques évolutives des compétences en IA d'entreprise, en cloud hybride et en informatique scientifique. Schrödinger part d'un point de départ différent, en combinant la simulation fondée sur la physique avec la découverte assistée par l'IA. Ses résultats de 2025 comprenaient 199,5 millions de dollars (USD) de revenus issus des logiciels et 56,4 millions de dollars (USD) de revenus issus de la découverte de médicaments, démontrant la valeur d'une plateforme de simulation établie commercialement et bénéficiant d'une exposition aux collaborations. Ces entreprises se livrent moins concurrence sur la base d'une architecture de modèle unique que sur la capacité de leurs plateformes à être intégrées dans des flux de travail scientifiques validés.

Recursion Pharmaceuticals utilise une plateforme intégrée de phénotypage, de génomique et d'IA, combinant la génération de données avec leur interprétation computationnelle. Son rapport annuel 2024 décrit une stratégie de portefeuille de projets et de plateforme qui étend l'utilisation de l'IA à l'ensemble des activités de découverte et de développement. Insilico Medicine s'est différenciée grâce à sa plateforme Pharma.AI et à l'avancement clinique du rentosertib, ainsi qu'à la mise à jour de phase I de l'ISM5411 en 2025 et à l'intégration de son modèle Nach01 avec Microsoft Discovery. L'approche de BenevolentAI, axée sur les graphes de connaissances, reste centrée sur la découverte de cibles biologiques et les résultats des partenariats, notamment la poursuite des progrès avec AstraZeneca.

Atomwise se concentre sur la prédiction de la liaison fondée sur la structure et le criblage virtuel. Insitro combine l'apprentissage automatique avec des modèles cellulaires humains à haut débit pour la découverte et la validation de cibles. Deep Genomics se concentre sur les thérapies à base d'ARN guidées par l'IA et la biologie des maladies génétiques, tandis qu'Iktos se concentre sur la conception moléculaire générative et l'accessibilité synthétique. Deargen développe des capacités d'analyse des interactions entre cibles et composés assistées par l'IA, avec une présence dans les activités de découverte de médicaments en Asie-Pacifique. Ces entreprises illustrent la manière dont une modalité spécialisée, un type de données ou un niveau d'approfondissement des flux de travail peuvent créer une différenciation, même lorsque les technologies de modèles de fondation deviennent plus largement accessibles.

9Bio Therapeutics, Aureka Biotechnologies, CellCodex Technology Limited, chAIron, DenovAI Biotech, Examol, Helical.AI, Orakl Oncology et Therenia représentent le segment émergent des entreprises dans le périmètre concurrentiel autorisé. Leur pertinence stratégique repose sur des approches ciblées de la biologie structurale, de l'analyse phénotypique, de l'oncologie, de la conception moléculaire et d'autres problèmes de découverte plus circonscrits. Dans un marché fragmenté, les plateformes spécialisées peuvent obtenir des partenariats en résolvant un goulet d'étranglement scientifique précis plus efficacement que les systèmes horizontaux généralistes. Leur capacité à passer à l'échelle dépendra de données exclusives, de résultats validés et de preuves démontrant que leurs outils améliorent les décisions dans le cadre de programmes de découverte réels.

Évolutions récentes du secteur

• 31 mars 2025 - Isomorphic Labs a annoncé un financement de série A de 600 millions de dollars (USD) afin de développer son moteur de conception de médicaments par IA et de faire progresser ses programmes thérapeutiques vers les essais cliniques.
• 3 juin 2025 - Insilico Medicine a annoncé la publication des résultats de phase IIa du rentosertib dans Nature Medicine, faisant état d'une validation clinique pour un programme découvert et conçu par IA dans la fibrose pulmonaire idiopathique.
• 14 janvier 2025 - Insilico Medicine a annoncé l'intégration de son modèle de fondation multimodal Nach01 avec Microsoft Discovery.