Chai Discovery s’associe avec Pfizer pour déployer l’IA dans la conception de médicaments

Chai Discovery a annoncé un accord de licence avec Pfizer le 05 juin 2026, afin d’intégrer sa plateforme d’IA dans les flux de travail de découverte de médicaments de Pfizer. Le partenariat permet à Pfizer de déployer des modèles d’IA pour la conception moléculaire, le développement d’anticorps et la recherche sur les biologiques. L’accord s’inscrit dans une tendance plus large à l’adoption de l’IA au sein de l’industrie pharmaceutique, alors que les systèmes informatiques passent de la recherche expérimentale vers des chaînes de développement de médicaments désormais établies.

Chai Discovery développe des modèles d’intelligence artificielle pour la découverte moléculaire, en mettant l’accent sur la réduction de la dépendance aux méthodes traditionnelles d’essais et erreurs dans le développement de médicaments. Les modèles de l’entreprise analysent les structures et fonctions biologiques, génèrent de nouveaux candidats moléculaires et soutiennent la recherche pharmaceutique sur des cibles souvent difficiles à traiter avec des approches conventionnelles.

Pfizer obtient un accès anticipé à une plateforme d’IA personnalisée

Dans le cadre de l’accord, Pfizer intégrera la plateforme d’IA de Chai à ses flux de découverte de médicaments, en obtenant un accès anticipé au modèle Chai-3 ainsi qu’à une version personnalisée entraînée sur les données propriétaires de Pfizer et adaptée à ses processus internes. Chai Discovery développe des systèmes d’IA générative capables de prédire et d’ingénierie des interactions moléculaires, permettant de concevoir des biomolécules dotées de propriétés fonctionnelles spécifiques.

La combinaison de la plateforme d’IA de Chai avec l’expertise scientifique de Pfizer et ses ensembles de données propriétaires devrait renforcer les capacités en recherche sur les biologiques et soutenir les efforts visant à poursuivre des cibles thérapeutiques auparavant difficiles. Historiquement, la découverte de médicaments implique de longs cycles expérimentaux avec des résultats incertains, mais l’utilisation de modèles d’IA avancés vise à accélérer la recherche en phase initiale en générant des structures moléculaires inédites et en réduisant les délais de développement, passant de mois ou années à des cycles itératifs plus courts.

Le modèle Chai-3 améliore les performances de conception d’anticorps et la vitesse de découverte

Pfizer fera partie des premiers partenaires pharmaceutiques à accéder à Chai-3, un modèle jusqu’ici non publié. Le système serait en mesure d’offrir des améliorations significatives de la conception d’anticorps pilotée par l’IA, notamment des taux de réussite plus élevés par rapport aux versions précédentes et la capacité de générer des anticorps répondant aux exigences thérapeutiques. Il améliore aussi les performances sur des domaines tels que les molécules multi-spécifiques, les protéines difficiles à cibler et la généralisation à travers des tâches biologiques.

Chai-3 s’appuie sur le modèle Chai-2 antérieur de l’entreprise, introduit en 2025 comme système de conception d’anticorps en zero-shot, capable de produire des candidats de type médicament avec des taux de réussite expérimentale nettement améliorés par rapport aux méthodes computationnelles précédentes, réduisant les délais de découverte de mois à semaines.

FAQ

Que devait annoncer Chai Discovery le 05 juin 2026 ?
Chai Discovery a annoncé un accord de licence avec Pfizer pour intégrer sa plateforme d’IA dans les flux de travail de découverte de médicaments de Pfizer, offrant un accès anticipé au modèle Chai-3 et à une version personnalisée entraînée sur les données propriétaires de Pfizer.

Quelles capacités le modèle Chai-3 offre-t-il ?
Chai-3 offre des améliorations significatives de la conception d’anticorps pilotée par l’IA, notamment des taux de réussite plus élevés par rapport aux versions précédentes, la capacité de générer des anticorps répondant aux exigences thérapeutiques, et des avancées pour les molécules multi-spécifiques et les protéines difficiles à cibler.