Ono Pharmaceutical déploie l’IA agente à travers la découverte de médicaments

Ono Pharmaceutical met des agents IA à la disposition des scientifiques qui dirigent ses recherches les plus précoces. Dans le cadre d’un partenariat annoncé le 28 juillet 2026, le fabricant de médicaments d’Osaka déployera Biomni Lab, la plateforme de recherche agente construite par le laboratoire d’IA appliqué de South San Francisco Phylo, à travers son organisation de découverte de médicaments.

Ce que la plateforme est censée absorber, selon l’annonce, est la pleine étendue de la journée de travail computationnelle d’un scientifique de la découverte : synthétiser l’histoire expérimentale d’un programme, raisonner sur les jeux de données internes, concevoir la prochaine expérience et exécuter la biologie computationnelle qui la sous-tend. Phylo indique que l’expertise et les données historiques propres à Ono seront intégrées dans l’environnement, ce qui est la partie qui distingue cela d’une licence de logiciel. Ono, coté à Tokyo sous le numéro 4528 et fondé en 1717, travaille dans l’oncologie, l’immunologie et l’inflammation, ainsi que dans la neurologie, et est surtout connu pour l’anticorps PD-1 nivolumab, vendu sous le nom d’Opdivo.

Ce sur quoi Biomni a été testé

L’agent sous-jacent au produit comporte plus de preuves publiées que la plupart des déploiements d’IA d’entreprise. Biomni a commencé comme un projet open-source à Stanford et a été publié dans Science en 2026 sous le titre Recherche biomédicale autonome avec un agent d’intelligence artificielle. Sa conception est inhabituelle : un agent extrait des outils, des bases de données et des protocoles à partir de milliers de documents couvrant 25 domaines biomédicaux pour construire l’environnement, et un second agent planifie cet environnement, récupérant ce dont une question a besoin et écrivant du code pour l’exécuter au lieu de suivre un flux de travail fixe.

L’article rapporte que l’agent généralise à travers la priorisation des gènes causaux, le réemploi de médicaments, le diagnostic de maladies rares, l’analyse du microbiome et le clonage moléculaire sans réglage spécifique à la tâche, avec des études de cas couvrant l’optimisation de la stabilité des protéines et l’orchestration des instruments de laboratoire humide. C’est un mandat plus large que les modèles à usage unique qui dominent la découverte computationnelle, et plus proche des systèmes de co-scientifiques tournés vers le laboratoire humide sur lesquels le domaine a convergé depuis l’outil de co-scientifique de Google.

Ce que montrent les scores de référence

La lecture la plus utile de ce que Ono achète réellement vient des travaux d’évaluation de Phylo. Le 30 juin 2026, la société a publié DrugDiscoveryBench avec Scale Labs : 82 tâches écrites par des scientifiques de la découverte de médicaments travaillant dans l’identification de cibles, l’exploitation de brevets et l’analyse structure-activité, chacune avec une réponse vérifiable et une rubrique écrite par un expert, résolues par des agents écrivant du code contre des bases de données biomédicales réelles.

Les modèles de pointe se sont regroupés de manière étroite et sans impression. Phylo rapporte que GPT-5.5 obtient 51,6 %, Gemini 3.5 Flash obtient 50,0 % et Opus 4.8 obtient 47,2 %, avec différents modèles prenant la tête de différentes familles de tâches. Deux constatations sous-jacentes à ce classement sont plus importantes pour un déploiement dans l’industrie pharmaceutique :

• En maintenant le modèle fixe et en changeant uniquement l’architecture de l’agent entourant, GPT-5.5 passe de 40,6 % à 51,6 %, et GLM 5.2 passe de 24,4 % à 37,8 %.
• Lorsqu’on lui fournit un livre de jeu rédigé par un humain nommant les étapes et les outils, au moins un modèle réussit 76 des 82 tâches.

Phylo est direct sur le mode de défaillance intermédiaire : sur les flux de travail longs, l’agent perd discrètement une contrainte et retourne une réponse incorrecte avec confiance. Dans une tâche, il a répondu à une question sur le mélanome avec un gène du cancer du sein. C’est l’écart que les connaissances institutionnelles comblent, et cela explique pourquoi l’accord avec Ono est centré sur les données historiques de l’entreprise plutôt que sur les capacités brutes du modèle.

Où cela s’inscrit dans la stratégie de découverte d’Ono

Ono assemble cela depuis plusieurs années. Son organisation de recherche indique qu’elle utilise l’IA pour accélérer la recherche de graines de découverte et raccourcir le temps nécessaire pour obtenir de nouveaux composés, et elle exploite un modèle de découverte de médicaments délibérément externe : en mars 2026, elle a étendu un partenariat de découverte computationnelle avec Congruence Therapeutics dans les domaines de la neurologie et de l’immunologie.

“Nous croyons que l’IA deviendra une capacité de base pour la découverte de médicaments”, a déclaré Seishi Katsumata, officier et vice-président exécutif de la découverte et de la recherche d’Ono, qui a ajouté que les chercheurs d’Ono ont rapidement adopté Biomni Lab pendant l’évaluation.

Pour Phylo, l’accord étend une liste de clients assemblée en moins de six mois. La société a lancé Biomni Lab en aperçu de recherche le 3 février 2026, aux côtés d’un tour de table de 13,5 millions de dollars co-dirigé par Andreessen Horowitz et le fonds Anthology de Menlo Ventures, et a depuis publié des travaux de déploiement avec Ginkgo Bioworks (DNA ) et une émulation d’essais cliniques agente avec des chercheurs de Mount Sinai. Elle arrive également sur un marché où les grandes sociétés pharmaceutiques ont décidé d’acheter des infrastructures d’agents plutôt que de les construire, comme AstraZeneca (AZN ) l’a fait lorsqu’elle a étendu son partenariat avec Owkin pour mettre des agents dans les décisions de développement.

Biomni Lab est disponible maintenant, et le travail concret qu’Ono a signé consiste à convertir trois siècles de pratique de découverte accumulée en procédures que l’agent peut suivre. Selon la référence propre à Phylo, c’est l’étape qui fait passer un agent de la moitié des tâches à presque toutes.