Éric Durand (OWKIN) : « Nous passons d’IA copilote à des IA proches d’un chercheur autonome »

Owkin poursuit sa mission : créer une « superintelligence artificielle » dédiée à la biologie. Objectifs : accompagner les chercheurs et les médecins, accélérer l’innovation et favoriser la découverte de nouveaux médicaments. Engagée sur le front numérique et biologique, l’entreprise s’appuie, entre autres, sur des collaborations académiques pour relever ce double défi. Rencontre avec Éric Durand, Chief Data Science Officer chez Owkin. Il revient pour POC Santé sur la façon dont l’IA, notamment agentique, transforme l’innovation médicale.

Quelles sont vos missions au sein d’Owkin ?

Éric Durand. Je dirige trois équipes  : une sur la recherche fondamentale, une centrée sur le développement de nos produits et, enfin, une dernière sur le « forward deployed » ; elle accompagne nos clients dans la customisation de nos solutions, sur les « derniers kilomètres » du déploiement de nos produits.

Ces dernières années, de nombreuses solutions d’IA ont été créées afin d’accélérer l’innovation. Comment Owkin se distingue-t-il ?

L’offre initiale d’Owkin, lors de notre création en 2016, était du conseil. Nous nous appuyions alors sur nos compétences en biologie computationnelle et en intelligence artificielle. Aujourd’hui, l’entreprise se distingue en ayant sorti, en 2025, une plateforme d’IA agentique pour la prise de décision dans la biopharma, Owkin K Pro et K Pro free (un assistant AI).

Owkin est, avant tout, une entreprise numérique et d’intelligence artificielle qui a besoin de données pour rester innovante. Quels sont vos atouts en matière d’accès à la donnée ?

Effectivement, je pense que l’aspect différenciant de nos technos reste la data. Nous nous fondons depuis l’origine sur des données de patients réels, ce qui signifie que nous ne travaillons pas sur des souris ou des modèles. Notre thèse, c’est qu’en partant du patient réel, nous nous affranchissons d’un des problèmes que rencontrent les acteurs du drug discovery, le manque de pertinence prédictive des modèles précliniques (animaux et lignées cellulaires). Nous avons donc signé des partenariats avec des hôpitaux qui nous permettent d’accéder à ces données. Par exemple, le consortium Mosaic (base de données multiomiques en oncologie), que nous avons créé avec cinq partenaires, a permis de générer des jeux de données très riches. La donnée reste effectivement notre carburant.

OwkinZero est un LLM qui raisonne sur des tâches biologiques

Eric Durand

À quels besoins répondent les différentes solutions d’Owkin ?

Nos solutions ont plusieurs couches, de la donnée jusqu’à l’expérience utilisateur. Notre premier travail consiste à récupérer et à analyser la donnée. Nous utilisons pour cela des outils de pointe, comme les technologies de 10x genomics, spécialisées dans la transcriptomique spatiale. Il est d’autant plus important d’harmoniser les datas à cette étape que nous en utilisons en provenance de plusieurs hôpitaux. Puis nous « augmentons » cette donnée avec de l’IA, c’est-à-dire que nous l’enrichissons. Par exemple, nous avons développé une méthode appelée Pathology Explorer, qui peut détecter et analyser automatiquement toutes les cellules de 13 types différents, fibroblasts, lymphocytes, cellules cancéreuses… à partir d’une lame digitalisée. L’image est déjà convertie en données, ce qui permet de générer des datas déjà très structurées. Nous avons aussi développé des modèles prédictifs, par exemple pour mesurer des « patients outcomes » (tels que la survie à cinq ans). Et, enfin, nous utilisons nos modèles LLM spécialisés sur le raisonnement biologique, que nous développons par apprentissage par renforcement. Nous avons présenté notre premier modèle, Owkin Zero, en 2025.

Développez-vous votre propre modèle de LLM ou adaptez-vous des modèles LLM existants ?

Nous utilisons plusieurs modèles LLM, y compris les nôtres. Notre logiciel agentique, K pro, utilise une solution d’orchestration basée sur un LLM existant. Cependant, nous avons également développé nos propres LLM spécialisés. Nous avons, par exemple, adapté le modèle open source chinois Qwen, pour créer OwkinZero. OwkinZero est un LLM qui raisonne sur des tâches biologiques, et peut répondre à des questions sur les meilleurs traitements possibles. Notre solution d’orchestration utilise actuellement Claude. Elle peut ainsi décider d’aller chercher de nouvelles données pour répondre à une demande, en utilisant Mosaic par exemple, tester un modèle d’Owkin pour simuler tel ou tel essai, ou encore synthétiser des résultats. C’est la magie de l’IA agentique.

nous nous concentrons aujourd’hui sur la possibilité de spécifier des « skills » dans K pro

Eric Durand

Jusqu’où souhaitez-vous que l’IA agentique aille dans la prise en charge des différentes tâches ?

Aujourd’hui, K pro est un copilote qui permet d’assister les équipes travaillant notamment sur le développement de nouveaux médicaments. L’autonomie des systèmes d’IA agentiques s’améliore de jour en jour et K pro sera dans le futur un scientifique autonome, capable de générer ses propres hypothèses et de proposer des expériences de validation, jusqu’à écrire un protocole d’essai clinique. Par exemple, nous nous concentrons aujourd’hui sur la possibilité de spécifier des « skills » dans K pro. Il s’agit de termes qui ont récemment intégré la nomenclature d’IA, et qui permettent de préciser à l’orchestrateur quoi faire précisément face à telle ou telle requête. K pro peut ainsi orchestrer des analyses complexes, des bases de données, différents outils connectés, pour générer des rapports très rapides, de 10 à 300 pages.

Quels sont les besoins des groupes pharmaceutiques en matière d’IA ?

K pro a pour objectif d’être un scientifique IA pour les employés de la pharma. Aujourd’hui, l’objectif est de permettre aux chercheurs et aux décideurs de travailler plus rapidement et de manière plus reproductible. Actuellement, il y a énormément de décisions prises dans le développement de médicaments. Elles sont souvent difficiles à coordonner, elles sont peu archivées, alors que certaines remontent à plusieurs années et sont souvent fondées sur de l’intuition. L’IA agentique permet d’assurer la traçabilité de ces décisions et des raisonnements scientifiques conséquents. Demain, le scientifique IA permettra de faire de nouvelles découvertes thérapeutiques.

Comment conciliez-vous la rapidité de vos outils et les temps de prise de décision des entreprises ? N’avez-vous pas peur qu’ils soient difficiles à intégrer dans des grandes structures ?

Il faudra, de toute façon, que les entreprises pharmaceutiques évoluent, car il y aura de plus en plus de nouveaux acteurs de la pharma ; ils seront plus rapides grâce à ces technologies. Ensuite, le rôle du régulateur deviendra de plus en plus central. Il va devoir se réinventer pour faire face à une accélération de la science et à la découverte de médicaments de plus en plus rapide. Ces médicaments doivent pouvoir être accessibles aux patients plus vite. Enfin, il va falloir réinventer la façon dont les essais sont menés, avec de nouveaux formats, comme des essais cliniques type « essais plateformes », ou des bras de traitement sont régulièrement ajoutés, afin de raccourcir les délais sans compromettre la rigueur des essais.

Vous avez lancé plusieurs nouvelles solutions l’année dernière. En même temps, vous vous êtes associé à l’Université Paris-Saclay. À quels verrous scientifiques ou technologiques souhaitez-vous vous attaquer ?

Il y a beaucoup de choses que nous n’arrivons pas encore à réaliser. Le premier verrou reste la découverte biologique, qui demande des compétences expérimentales pour générer de la donnée et valider des hypothèses. Un autre challenge concerne les feedback loop entre l’IA et le monde réel, qui sont encore lents pour la biologie. Enfin, le challenge le plus excitant, cette année, concerne l’émergence des AI scientists autonomes. Ce sont des systèmes d’IA capables de conduire des recherches de plus en plus autonomes, de la génération d’hypothèses jusqu’à la validation. Nous travaillons activement dessus.

Quelles sont les tâches de ces nouveaux « chercheurs » ?

Nous assistons à une transition majeure : l’IA ne se contente plus d’être un simple copilote, elle tend vers l’autonomie du chercheur. À partir d’une consigne aussi vaste que « Trouve de nouvelles cibles thérapeutiques pour le syndrome du côlon irritable », nous pouvons désormais déployer un millier d’agents en parallèle. Ces derniers parcourent la littérature scientifique, extraient des données et formulent des hypothèses qu’ils testent et itèrent de manière autonome. Toutefois, cette technologie est encore en phase d’incubation : la pertinence scientifique des hypothèses générées n’est pas encore systématique. C’est une révolution en cours.