Le financement d’Anew Labs atteint 290 millions de dollars américains, mais les candidats-médicaments doivent valider le pari de l’IA

Anew Labs aurait levé 290 millions de dollars américains, apportant un capital conséquent à la spin-off de ByteDance dédiée aux médicaments par IA avant que ses principales affirmations scientifiques ne reçoivent une validation clinique.

Selon des personnes proches de la transaction, le premier tour de financement externe d’Anew Labs valorise l’entreprise shanghaïenne à 1,5 milliard de dollars américains. ByteDance conservera une participation de contrôle de 56 % après le financement.

Ces chiffres font de cette opération bien plus qu’un tour de table classique. Ils mettent aussi en lumière la tension centrale qui entoure l’intelligence artificielle dans la découverte de médicaments.

Les investisseurs financent modèles, laboratoires et programmes précliniques au rythme des logiciels. Les médicaments, eux, progressent encore au fil d’expériences, d’études toxicologiques, d’examens réglementaires et d’essais cliniques qui se comptent en années.

Anew Labs entre dans cette compétition avec des modèles biomoléculaires, un projet open source de prédiction de structures et quatre programmes de développement divulgués. Son principal programme comprend une approche orale à petite molécule ciblant la famille de protéines IL-17 dans les maladies auto-immunes.

L’entreprise a présenté ses plateformes de recherche et les objectifs de ses programmes. Elle n’a annoncé ni résultats d’essais chez l’humain ni autorisation réglementaire pour un médicament créé grâce à ces plateformes.

Cet écart distingue un récit séduisant de recherche en IA d’une activité pharmaceutique validée. Le nouveau capital donne à Anew Labs le temps de le combler, tout en accentuant la pression sur les autres développeurs chinois de médicaments par IA pour qu’ils démontrent des progrès scientifiques comparables.

Ce que change le tour de financement d’Anew Labs

Le financement transforme une initiative de recherche interne de ByteDance en une entreprise de biotechnologie fortement financée, dotée d’investisseurs externes et d’exigences opérationnelles indépendantes.

ByteDance a finalisé la spin-off avant qu’Anew Labs ne recherche son premier financement externe. L’entreprise est basée à Shanghai et indique également disposer d’équipes à San Francisco et Singapour.

La transaction a d’abord été décrite par des sources anonymes, plutôt que dans le cadre d’une annonce officielle de financement. Un récit du financement reprenant l’information de Reuters indiquait que deux personnes connaissaient l’opération.

Selon ce récit, HSG, IDG Capital et Hillhouse Investment ont mené le tour. FiveY Capital y a participé en tant que co-chef de file.

Parmi les autres participants signalés figurent Gaorong Ventures, Primavera Venture Partners, Boyu Capital, SBP Group et le Shanghai Future Industries Fund. Cet ensemble réunit des investisseurs technologiques, des capitaux spécialisés dans les sciences de la vie, des fonds stratégiques et des financements liés à l’État.

ByteDance conserverait 56 % d’Anew Labs. Cette structure de propriété compte, car le terme « spin-off » peut autrement laisser entendre une séparation nette.

Anew Labs dispose désormais d’une structure d’entreprise indépendante et d’actionnaires externes. ByteDance demeure toutefois son actionnaire majoritaire et un élément central de son récit financier.

Une source a indiqué que la découverte de médicaments par IA obéit à une logique industrielle et à des pratiques de gestion différentes de celles des activités internet principales de ByteDance. La séparation donne donc au groupe de recherche une structure adaptée à des cycles de développement plus longs.

Cette explication correspond à l’économie de la biotechnologie. Une équipe de logiciels grand public peut lancer un produit, mesurer l’engagement et le mettre à jour en quelques jours.

Un développeur de médicaments doit produire des preuves reproductibles en laboratoire avant de tester un candidat chez l’humain. Chaque étape introduit des exigences scientifiques, réglementaires et de fabrication qu’une organisation logicielle rencontre rarement.

Une entreprise indépendante peut recruter des chimistes médicinaux, des biologistes et des spécialistes du développement clinique avec des incitations conçues pour ce processus. Elle peut aussi lever des capitaux spécialisés sans rattacher chaque décision de dépense aux grandes priorités opérationnelles de ByteDance.

Pourtant, le tour de table rapporté reste incomplètement vérifié. Anew Labs et ByteDance n’en avaient pas publiquement confirmé les conditions lorsque les informations sont apparues.

Les investisseurs n’avaient pas non plus publié d’annonces coordonnées couvrant le montant, la valorisation ou la structure de propriété. Les lecteurs devraient donc considérer ces chiffres comme des informations bien sourcées, et non comme des communications définitives de l’entreprise.

Cette distinction n’efface pas l’événement. Elle définit les éléments de preuve actuellement disponibles.

Le financement apporte à Anew Labs des ressources et de la visibilité. Il ne valide pas indépendamment ses modèles, ses actifs de pipeline ni sa valorisation rapportée.

Pourquoi la découverte de médicaments par IA d’Anew Labs attire les investisseurs maintenant

Anew Labs associe le profil de développement de modèles d’un laboratoire technologique aux ambitions de pipeline d’un développeur pharmaceutique.

Ses documents publics décrivent un ensemble de systèmes couvrant les structures protéiques, le mouvement moléculaire, la génération de molécules, l’optimisation d’anticorps et le raisonnement scientifique. Ces outils ciblent des étapes reliées entre elles plutôt qu’une seule tâche de prédiction isolée.

AnewFold prédit les structures tridimensionnelles des protéines et des complexes moléculaires. La prédiction de structures estime la manière dont les molécules biologiques s’organisent, ce qui peut aider les chercheurs à comprendre leurs interactions.

AnewSampling modélise le mouvement moléculaire plutôt que de traiter chaque protéine comme un objet fixe. C’est important car les molécules biologiques changent de forme, et ces mouvements peuvent affecter la liaison d’un médicament.

AnewOmni est présenté comme un modèle génératif tous atomes destiné à concevoir des interactions entre biomolécules. « Tous atomes » signifie que le modèle représente les atomes individuels au lieu de s’appuyer uniquement sur des résumés moléculaires grossiers.

AnewDesign cible la conception et l’optimisation d’anticorps. AnewMind est décrit comme un modèle de raisonnement scientifique conçu pour soutenir les décisions tout au long de la recherche pharmaceutique.

L’entreprise a également présenté AnewDDE, un moteur agentique de découverte de médicaments. Dans ce contexte, « agentique » décrit un logiciel qui coordonne plusieurs tâches et modèles de recherche vers un objectif défini.

Selon la plateforme de recherche de l’entreprise, AnewDDE relie prédiction de structures, conception moléculaire, estimations d’affinité de liaison, raisonnement scientifique et retours expérimentaux.

Cette boucle de retour est l’élément important. Un modèle propose ou évalue une option, des expériences en laboratoire la testent, puis les données obtenues alimentent un nouveau cycle computationnel.

Cette structure est plus crédible que de présenter le score d’un seul benchmark comme la preuve d’une capacité de développement de médicaments. Elle relie le calcul aux preuves physiques nécessaires pour écarter les idées faibles.

Anew Labs a également hérité de Protenix, un système open source de prédiction de structures biomoléculaires développé au sein de ByteDance. Son dépôt Protenix fournit du code, des informations sur le modèle et des instructions destinées aux chercheurs externes.

Protenix se positionne comme une implémentation ouverte de capacités associées à AlphaFold 3. Google DeepMind et Isomorphic Labs ont publié AlphaFold 3 comme un modèle de prédiction des interactions impliquant des protéines, de l’ADN, de l’ARN, des ligands et d’autres molécules.

La recherche sur AlphaFold 3 a élargi le champ de la prédiction de structures au-delà des seules protéines. Elle a ainsi fait de la prédiction des interactions moléculaires une composante plus directe des flux de découverte de médicaments.

Anew Labs ne se contente pas de reproduire cette capacité. Son affirmation plus large est que plusieurs modèles spécialisés peuvent former un système intégré de découverte.

Les investisseurs soutiennent en pratique cette intégration. Une plateforme pharmaceutique utilisable doit passer d’hypothèses structurelles à des conceptions pouvant être synthétisées, testées et améliorées.

Le calendrier reflète également une évolution plus large du développement de l’IA. Les modèles de langage généralistes ne monopolisent plus toute l’attention des investisseurs.

Les entreprises d’IA appliquée aux sciences proposent une autre promesse. Leurs modèles s’attaquent à des données spécialisées, à des contraintes scientifiques et à des résultats précieux qui ne peuvent être produits par la seule génération de texte.

La Chine dispose aussi d’une importante capacité de fabrication pharmaceutique, d’une expertise croissante en biotechnologie et d’une vaste main-d’œuvre technique. Anew Labs peut associer ces ressources à l’expérience de ByteDance dans l’apprentissage automatique à grande échelle.

Ces avantages restent toutefois des intrants. Ils ne garantissent pas qu’un candidat fonctionnera chez l’animal ou chez l’humain.

C’est pourquoi le tour de financement d’Anew Labs doit être lu comme le financement d’une expérience de conception organisationnelle. Il associe le développement de modèles à l’échelle technologique à la rigueur d’un pipeline de biotechnologie.

Le véritable affrontement oppose les modèles d’IA aux preuves expérimentales

Anew Labs ne rivalise pas principalement avec un autre fournisseur de modèles. Elle se mesure au taux d’échec inhérent au développement de médicaments.

Ce cadrage est important, car la découverte de médicaments par IA est souvent présentée comme une course aux benchmarks logiciels. Un modèle prédit davantage de structures, génère des molécules plus rapidement ou obtient de meilleurs résultats sur un jeu de données sélectionné.

Le développement de médicaments évalue un résultat différent. Un candidat doit atteindre le tissu visé, agir sur le bon mécanisme biologique, éviter une toxicité inacceptable et produire un bénéfice clinique significatif.

Les modèles peuvent réduire un espace de recherche. Ils ne peuvent pas éliminer l’incertitude de la biologie.

Anew Labs répertorie quatre programmes de pipeline sur son site web. Ils comprennent des cibles impliquant IL-17 et IL-4R, ainsi que deux programmes non divulgués.

Le programme principal vise à créer une petite molécule orale ciblant la signalisation IL-17AA, IL-17AF et IL-17FF. Ces formes participent à des voies inflammatoires associées aux maladies auto-immunes.

Les thérapies existantes ciblant IL-17 sont généralement de grandes molécules biologiques administrées par injection. Une petite molécule orale efficace pourrait offrir une voie d’administration et un profil de fabrication différents.

Cet objectif est techniquement difficile. Les interactions protéine-protéine impliquent souvent des surfaces étendues ou flexibles, plus difficiles à contrôler avec des petites molécules conventionnelles.

Anew Labs affirme que la modélisation générative l’a aidée à identifier des molécules destinées à inhiber plusieurs formes d’IL-17. L’entreprise a présenté des recherches précliniques autour de ce programme lors de réunions scientifiques.

Les preuves précliniques précèdent les tests chez l’humain. Elles peuvent comprendre des expériences biochimiques, des études cellulaires, de la pharmacologie, de la toxicologie et des modèles animaux.

Des résultats positifs à ce stade peuvent justifier la poursuite du développement. Ils ne peuvent pas établir la sécurité ou l’efficacité chez les patients.

C’est à ce stade que le portefeuille de modèles de l’entreprise doit devenir plus qu’un ensemble de démonstrations de recherche. Ses prédictions doivent générer des composés aux propriétés physiques et biologiques utiles.

Une molécule peut bien se lier dans un modèle, mais échouer parce que les chercheurs ne peuvent pas la synthétiser de manière fiable. Une autre peut fonctionner dans un test de laboratoire mais se dégrader trop rapidement dans l’organisme.

Une troisième peut atteindre sa cible mais provoquer une toxicité ailleurs. Il s’agit de problèmes pharmaceutiques, et non uniquement d’échecs de l’intelligence des modèles.

Le développement en boucle fermée répond à une partie du défi en réinjectant les résultats expérimentaux dans le processus de modélisation. Le système peut apprendre des composés ayant échoué comme de ceux ayant réussi.

Toutefois, la qualité de la boucle dépend de la conception des essais, de l’exécution en laboratoire et de données représentatives. Une itération rapide autour d’une expérience trompeuse ne fait que produire plus vite des erreurs formulées avec assurance.

Anew Labs a donc besoin d’une coordination interdisciplinaire. Les chercheurs en apprentissage automatique doivent travailler aux côtés de chimistes computationnels, de chimistes médicinaux, de biologistes structuraux, de pharmacologues et d’équipes de développement clinique.

Ce défi organisationnel explique pourquoi la séparation d’avec ByteDance peut être utile. L’entreprise a besoin de décisions organisées autour des preuves thérapeutiques, et non de l’engagement envers des produits internet.

Cela explique également pourquoi la valorisation annoncée mérite d’être examinée avec prudence. Une valorisation de 1,5 milliard de dollars américains suppose un niveau de confiance significatif avant qu’Anew Labs n’ait publié des données humaines.

Les investisseurs peuvent accepter ce risque, car des médicaments couronnés de succès peuvent générer une valeur substantielle sur le long terme. Ils peuvent également valoriser la plateforme réutilisable indépendamment de tout candidat individuel.

Aucun de ces arguments ne modifie la norme de validation. Une plateforme acquiert de la valeur grâce à des résultats scientifiques et de développement reproductibles, et non au nombre de modèles portant des noms distincts.

Ce tour de table donne à Anew Labs la capacité de mener ce test sur plusieurs programmes. Ses prochaines preuves devront provenir d’expériences et d’étapes de développement, et non de la dynamique du financement.

Les développeurs chinois de médicaments par IA font face à un seuil de financement plus élevé

Anew Labs accroît la pression concurrentielle, car son tour de table annoncé associe une importante maison mère technologique, des investisseurs de premier plan et un pipeline intégré de médicaments.

La Chine compte déjà des entreprises établies qui travaillent à l’intersection de l’apprentissage automatique et de la recherche pharmaceutique. Insilico Medicine et XtalPi constituent deux points de référence utiles.

Insilico a développé des systèmes d’IA générative, conclu des partenariats avec des entreprises pharmaceutiques et fait progresser des candidats développés en interne jusqu’aux essais cliniques. Ses avancées illustrent une voie allant du développement d’une plateforme à des étapes de pipeline visibles de l’extérieur.

XtalPi associe des modèles computationnels à des laboratoires automatisés et à des capacités de recherche sous contrat. Ce modèle relie les logiciels à des expériences physiques et à des services que les clients peuvent acheter.

Anew Labs arrive avec une origine différente. L’entreprise est née au sein d’un groupe technologique grand public connu pour ses systèmes de recommandation à grande échelle, son infrastructure et ses recherches en IA.

Le lien avec ByteDance peut favoriser le recrutement et l’ingénierie. Il crée également l’attente qu’Anew Labs appliquera à la mise au point pharmaceutique la rapidité d’exécution d’une entreprise technologique.

Ces attentes peuvent devenir un fardeau. Des concurrents ayant une plus longue histoire dans les biotechnologies peuvent disposer d’une expérience plus approfondie en toxicologie, opérations cliniques, fabrication et communication réglementaire.

Anew Labs doit développer ces capacités tout en continuant à publier des recherches compétitives en IA. Le financement annoncé lui donne des ressources, mais chaque plateforme supplémentaire élargit le travail nécessaire à sa validation.

La stratégie open source de l’entreprise ajoute une autre dimension concurrentielle. Protenix permet aux chercheurs d’examiner et d’utiliser certaines parties de ses travaux de prédiction de structures.

Un développement ouvert peut attirer des contributeurs techniques et accroître la visibilité auprès des scientifiques spécialisés en calcul. Il peut également permettre aux concurrents d’étudier plus facilement les capacités du modèle.

L’avantage commercial doit donc se situer au-delà de l’accès au code. Il peut provenir de données expérimentales propriétaires, du jugement en chimie médicinale, de systèmes de laboratoire ou de la détention de candidats-médicaments ayant réussi.

Cela crée deux courses simultanées. L’une porte sur les performances des modèles et la réputation scientifique. L’autre concerne la conversion plus lente des modèles en produits réglementés.

C’est finalement la seconde course qui déterminera si les investisseurs ont financé un développeur de médicaments durable. Elle déterminera également si Anew Labs modifie le paysage concurrentiel ou accroît simplement les dépenses qui y sont engagées.

Les petites entreprises chinoises de médicaments par IA font désormais face à une comparaison plus difficile lors de leurs levées de fonds. Les investisseurs peuvent se demander pourquoi une autre équipe mérite des capitaux alors qu’Anew Labs bénéficie du soutien de ByteDance et de plusieurs plateformes connectées.

Ces entreprises peuvent répondre par des progrès cliniques plus solides, une expertise plus ciblée de certaines maladies, des jeux de données exclusifs ou des partenariats pharmaceutiques de valeur. Elles ne peuvent pas compter uniquement sur le fait de disposer d’un modèle génératif.

Ce financement peut également encourager des entreprises technologiques à réorganiser leurs unités de recherche scientifique. Une scission peut attirer des capitaux externes tout en préservant une propriété stratégique.

Toutefois, la structure d’Anew Labs ne constitue pas un modèle universel. Le développement pharmaceutique exige des capitaux patients, une gouvernance spécialisée et une tolérance aux programmes qui échouent.

Une maison mère qui conserve le contrôle peut apporter de la stabilité. Elle peut aussi soulever des questions sur les droits de décision, la propriété intellectuelle et l’indépendance de l’entité scindée.

Les investisseurs externes jugeront à terme si cette structure accélère les décisions ou ajoute un niveau d’approbation supplémentaire. Les employés s’intéresseront également aux incitations et à la propriété à mesure que les calendriers de développement s’allongent.

La pression dépasse donc les développeurs de médicaments concurrents. Elle atteint les groupes technologiques qui réfléchissent à la place de la recherche en IA pour la science au sein de leurs organisations principales.

Anew Labs propose désormais un test visible. Son succès étayerait l’argument en faveur de filiales scientifiques financées de manière indépendante. Son échec soulignerait l’écart entre les capacités de recherche en IA et l’exécution pharmaceutique.

Ce que les 290 millions de dollars américains ne prouvent pas

Le tour de table d’Anew Labs démontre l’appétit des investisseurs, mais ne démontre ni l’efficacité clinique, ni la préparation réglementaire, ni une productivité médicamenteuse reproductible.

La première incertitude concerne le financement lui-même. Son montant, sa valorisation, sa structure de propriété et sa liste d’investisseurs proviennent de sources médiatiques familières de la transaction.

Anew Labs n’avait pas publié d’annonce complète sur son financement lorsque les articles sont parus. Cela laisse les questions habituelles sur la structure exacte du tour et ses conditions de clôture.

La deuxième incertitude concerne la maturité du pipeline. Anew Labs répertorie des programmes et des stades de développement, mais n’a pas divulgué de résultats de sécurité ou d’efficacité chez l’humain.

Les lecteurs ne devraient pas assimiler un candidat généré par un modèle à un médicament approuvé. La découverte d’un candidat est une étape précoce d’un processus bien plus long.

La troisième incertitude concerne l’évaluation. Les systèmes d’IA pour les médicaments peuvent afficher des performances impressionnantes sur des benchmarks sans se généraliser à des cibles biologiques inconnues.

Les jeux de données d’entraînement peuvent comporter des similitudes structurelles, des biais de mesure et une couverture inégale. Ces enjeux rendent les tests indépendants et la validation prospective particulièrement importants.

La validation prospective consiste à évaluer des prédictions formulées avant que les chercheurs ne connaissent la réponse expérimentale. Elle fournit des preuves plus solides que la reconstitution de résultats à partir de données déjà observées.

La quatrième incertitude concerne l’acceptation réglementaire. Les autorités de régulation n’approuvent pas un algorithme comme substitut aux preuves qu’un médicament est sûr, efficace et fabriqué de manière cohérente.

La Food and Drug Administration américaine a constaté un recours croissant à l’IA dans l’ensemble du développement des médicaments. Ses orientations sur les médicaments et l’IA indiquent que des dossiers ont utilisé l’IA dans des contextes non cliniques, cliniques, post-commercialisation et de fabrication.

L’approche de l’agence met l’accent sur un contexte d’utilisation défini. Les développeurs doivent expliquer ce que fait un modèle, l’importance de son résultat et les risques découlant d’un résultat erroné.

La FDA et l’Agence européenne des médicaments ont également publié des principes couvrant la supervision humaine, la gouvernance des données, les performances des modèles, la gestion du cycle de vie et la validation fondée sur les risques.

Ces attentes n’empêchent pas le développement assisté par l’IA. Elles exigent des développeurs qu’ils documentent la manière dont un système soutient une décision précise et pourquoi son résultat est suffisamment fiable.

Anew Labs sera confrontée à ces exigences si des preuves générées par des modèles soutiennent des dossiers réglementaires. Ses dossiers de laboratoire et d’essais cliniques compteront autant que l’architecture derrière chaque modèle.

Une autre incertitude concerne l’économie de l’intégration. L’exécution de modèles spécialisés, d’expériences automatisées, de chimie médicinale et de programmes internes de médicaments consomme des capitaux considérables.

Un tour de table de 290 millions de dollars américains peut financer des travaux substantiels. Il n’élimine pas la nécessité de prioriser les programmes ni de décider quelles capacités doivent rester internes.

L’entreprise peut conclure des partenariats pharmaceutiques, concéder des licences sur des candidats, développer des médicaments de manière indépendante ou combiner ces approches. Chaque choix modifie les besoins en capitaux et les rendements potentiels.

Les partenariats peuvent apporter une expertise sur les maladies et des ressources de développement. Ils peuvent également transférer une partie de la valeur économique d’un programme à une plus grande entreprise pharmaceutique.

Le développement indépendant préserve davantage de valeur potentielle, mais expose Anew Labs aux coûts cliniques et au risque d’exécution. Les investisseurs surveilleront la voie choisie par l’entreprise.

Un dernier risque est l’inflation du récit. L’expression « médicament conçu par IA » peut condenser des milliers de décisions humaines et expérimentales dans une seule étiquette séduisante.

Les modèles peuvent contribuer à la sélection de cibles, à la conception moléculaire, à l’optimisation, à l’analyse des essais ou à plusieurs étapes. Une communication claire est nécessaire pour comprendre ce que l’IA a réellement modifié.

Anew Labs peut renforcer son dossier en publiant des résultats prospectifs, des méthodes expérimentales, des résultats négatifs et des comparaisons avec des flux de travail établis.

Jusqu’à présent, le financement valide l’accès aux capitaux. Il ne valide pas la promesse centrale selon laquelle la plateforme peut produire de meilleurs médicaments plus rapidement.

Trois signaux qui définiront la scission de ByteDance dédiée aux médicaments par IA

La prochaine phase devrait être évaluée à travers les preuves de développement, la validation indépendante et les engagements commerciaux, dans cet ordre.

Le premier signal est une étape officielle de développement pour le programme IL-17. Anew Labs doit divulguer un dépôt réglementaire, une autorisation d’essai ou une autre étape vérifiable vers des essais chez l’humain.

Cet événement montrerait que son candidat principal a franchi suffisamment d’examens internes et de travaux précliniques pour entrer dans un processus de développement réglementé.

Il ne prouverait pas que le médicament fonctionne. Il montrerait que le programme a progressé au-delà du résultat d’un modèle et d’une présentation en conférence.

Un retard ne signifierait pas automatiquement un échec, car les travaux de toxicologie et de fabrication peuvent modifier les calendriers. Un silence prolongé affaiblirait néanmoins l’argument en faveur de progrès rapides rendus possibles par l’IA.

Le deuxième signal est une validation indépendante de la plateforme intégrée de l’entreprise. Des chercheurs externes devraient pouvoir tester les résultats des modèles sur des cibles et des contextes expérimentaux inconnus.

Protenix open source offre une voie de contrôle technique. Anew Labs peut aller plus loin au moyen de défis prospectifs, d’études évaluées par les pairs et de collaborations rapportant des résultats mesurables.

Les preuves les plus solides relieraient des prédictions computationnelles à des composés testés après que ces prédictions ont été formulées. Une réplication hors de l’entreprise renforcerait encore le résultat.

Ce signal est important parce qu’Anew Labs commercialise un système connecté, et non un seul modèle. Les preuves devraient donc démontrer que l’intégration améliore les véritables décisions de découverte.

Le troisième signal est un partenariat pharmaceutique comportant des engagements significatifs. Un partenaire crédible peut apporter une connaissance des cibles, une expertise de développement, des laboratoires, des opérations cliniques ou des financements.

Une annonce de partenariat ne suffit pas à elle seule. Les lecteurs devraient rechercher des programmes nommés, des engagements initiaux, des structures de paiements d’étape ou des responsabilités de recherche clairement définies.

Ces détails indiquent si une entreprise pharmaceutique achète un accès, partage le risque de développement ou explore simplement la technologie.

Ensemble, ces trois signaux constituent un test pratique du financement annoncé d’Anew Labs. L’argent devrait faire avancer un candidat, exposer la plateforme à un examen indépendant et attirer une validation commerciale éclairée.

Tout élément inférieur laisserait les preuves les plus solides de l’entreprise concentrées dans le financement et la recherche qu’elle déclare elle-même.

Pour les chercheurs et les équipes technologiques qui suivent ce domaine, le défi consiste à maintenir les affirmations scientifiques reliées à leurs preuves sources. Une base de connaissances sur l’IA structurée peut aider les équipes à suivre les articles, les versions de modèles, les expériences et les étapes réglementaires.

Surveillez d’abord le programme IL-17, puis les tests indépendants de la plateforme, et enfin les accords pharmaceutiques détaillés. Ces résultats détermineront si la découverte de médicaments par IA d’Anew Labs devient un moteur de développement ou reste un ensemble ambitieux de modèles.