Virtual Biotech n’est pas une biotech autonome sortie de nulle part, mais un système académique de Stanford capable d’orchestrer plus de 37 000 agents IA pour des tâches de découverte de médicaments. Le point le plus marquant, présenté publiquement par James Zou, est qu’un de ses designs thérapeutiques sur CD276/B7-H3 dans le cancer du poumon a ensuite été retrouvé indépendamment par Merck. À ce stade, il faut parler d’une convergence externe solide, pas d’une preuve que le système a, à lui seul, “découvert” un médicament approuvé. Les éléments publics restent ceux d’un cadre de recherche computationnelle, avec une validation partielle en laboratoire et un cas Merck prometteur, mais à manier avec précision.
Virtual Biotech passe du laboratoire virtuel à la pharma virtuelle
Le cœur du projet n’est pas seulement le nombre d’agents. L’originalité est le changement d’échelle. Stanford avait d’abord construit un “Virtual Lab” de 5 à 8 agents, organisé à l’image d’une équipe de recherche réelle : un agent jouant le rôle du responsable de laboratoire, d’autres incarnant des profils scientifiques spécialisés, avec des échanges réguliers et une logique d’apprentissage supervisé pour améliorer leurs compétences dans leur domaine.
Cette première étape a servi de preuve de concept. En mai 2026, ce laboratoire virtuel a été associé à la conception de 92 nanobodies candidats contre des variants récents du COVID-19. Selon les éléments publics, deux ont montré une bonne liaison expérimentale à la fois aux variants récents et au virus initial. On reste donc sur un résultat préclinique, mais avec un passage en laboratoire humide qui donne du poids à l’approche.
La suite change de catégorie. Avec Virtual Biotech, Stanford ne cherche plus à imiter un seul labo, mais une organisation de type pharmaceutique. Le papier scientifique décrit un agent Chief Scientific Officer qui répartit le travail entre plusieurs divisions : découverte de cibles, design moléculaire, sécurité et développement clinique. Sous ces divisions, des agents se spécialisent à leur tour sur des sources ou des sous-domaines précis, qu’il s’agisse de génétique, de génomique, de données single-cell ou d’archives cliniques.
Autrement dit, le pari n’est plus “un ingénieur, un agent”, mais une organisation d’agents. Pour la R&D pharmaceutique, cela change la nature du problème : il ne s’agit plus seulement de générer une réponse pertinente, mais de coordonner des milliers de raisonnements partiels, parfois contradictoires, sur des corpus massifs et hétérogènes.
37 000 agents pour structurer 55 984 essais cliniques
Le chiffre le plus concret avancé par Stanford concerne l’analyse clinique. Les chercheurs affirment avoir mobilisé plus de 37 000 agents pour annoter et analyser 55 984 essais cliniques structurés par ces agents. Ce n’est pas un simple exercice de génération de texte : l’objectif est de transformer des données dispersées et inégales en une base exploitable pour la priorisation de cibles thérapeutiques.
Dans cette analyse, les auteurs rapportent que les cibles associées à des gènes spécifiques d’un type cellulaire étaient 40 % plus susceptibles de passer de la phase I à la phase II, 48 % plus susceptibles d’atteindre le marché et associées à 32 % moins d’effets indésirables. Ces chiffres ne valent pas validation clinique d’un médicament donné. En revanche, ils montrent ce que Stanford cherche à extraire de cette armée d’agents : des signaux de décision à partir d’un volume de littérature et de données cliniques que des équipes humaines peinent à synthétiser seules.
C’est aussi là que le projet prend un relief industriel. Pour une pharma, une biotech ou une CRO, la valeur ne vient pas uniquement de la génération de nouvelles molécules. Elle se déplace vers la curation de données, la synthèse de littérature, la hiérarchisation de cibles et la préparation de choix de développement. Sur ce point, l’expérience de Stanford rejoint des préoccupations que l’on retrouve déjà dans les plateformes de R&D et les outils de données de santé.
Le cas Merck valide une convergence, pas toute la promesse de Virtual Biotech
Le récit retient surtout un exemple : Virtual Biotech a proposé une stratégie d’antibody-drug conjugate ciblant CD276/B7-H3 dans le cancer du poumon, en s’appuyant uniquement sur des données publiées avant janvier 2025. Quelques mois plus tard, selon les matériaux de présentation, Merck a convergé indépendamment vers le même type de design thérapeutique. L’approche a ensuite obtenu une breakthrough designation de la FDA.
Il faut être précis sur ce que cela signifie. D’abord, il s’agit d’une validation externe convergente, pas d’une reproduction exacte du pipeline de Stanford. Ensuite, une breakthrough designation n’est pas une autorisation de mise sur le marché. Enfin, l’espace B7-H3/CD276 était déjà actif dans l’industrie, ce qui rend cette convergence plausible sans prouver une exclusivité du raisonnement de l’IA.
Ce point n’en reste pas moins important. Il suggère que le système est capable d’arriver, de façon autonome, sur une piste thérapeutique jugée suffisamment crédible pour qu’un grand laboratoire la poursuive également. La portée de l’exemple est donc moins celle d’une machine qui inventerait seule un médicament, que celle d’une compression accélérée du raisonnement de R&D.
Paperclip montre où se joue le vrai verrou technique
Le principal enseignement pour les équipes techniques n’est peut-être pas le nombre d’agents, mais l’infrastructure qui les rend utilisables. James Zou insiste sur un point simple : habiller des bases existantes avec une couche d’API ne suffit pas si ces bases ont été pensées pour des humains ou pour des pipelines classiques. Un PDF scientifique posé brut dans le contexte d’un agent reste une interface médiocre, surtout quand il faut interpréter des tableaux, des figures ou des jeux de données multi-omiques.
Pour contourner cette limite, Stanford a développé Paperclip, une couche d’orchestration qui convertit des sources hétérogènes en un système de fichiers virtuel exploitable par des agents capables d’écrire du code et de naviguer dans une arborescence. L’idée est moins spectaculaire qu’un nouveau grand modèle, mais probablement plus utile : rendre la littérature scientifique, les bases biomédicales et les archives cliniques lisibles par des agents à grande échelle, sans dépendre d’interfaces fragiles.
Les chercheurs soutiennent que cette approche améliore fortement le rapport précision/coût/temps et réduit les hallucinations liées à la mauvaise lecture des PDF, tableaux et figures. En revanche, le chiffre parfois relayé d’un coût opérationnel d’environ 46 dollars de crédits API en moins d’une journée relève d’un commentaire secondaire et ne doit pas être traité comme un benchmark confirmé indépendamment par le papier lui-même.
La suite à surveiller est claire. D’un côté, Stanford devra montrer si Virtual Biotech peut multiplier les validations expérimentales au-delà des nanobodies COVID et du cas convergent avec Merck. De l’autre, l’industrie devra trancher une question très concrète : faut-il encore optimiser des agents isolés, ou investir d’abord dans les couches de données, de traçabilité et d’orchestration capables de faire travailler ensemble des milliers d’agents spécialisés sur des problèmes biomédicaux réels ?
