Adaptyv Bio lève 40 M$ : le laboratoire humide devient le goulot de l’IA
Adaptyv Bio, entreprise de biotechnologie installée au Biopôle de Lausanne, a annoncé le 25 août 2026 une série A de 40 millions de dollars. Highland Europe mène l’opération, avec la participation des investisseurs existants Ace Ventures, ByFounders et Y Combinator, selon l’annonce officielle d’Adaptyv Bio.
Le capital doit principalement augmenter la capacité physique nécessaire pour fabriquer et tester des protéines proposées par des outils informatiques. EU-Startups détaille un projet comprenant un quasi-triplement de la capacité du laboratoire avant la fin de 2026, l’extension du site lausannois, l’ouverture d’un laboratoire avec des bureaux à Londres au quatrième trimestre et le passage de l’équipe d’environ 25 à 60 personnes.
Le capital finance des expériences, pas un nouveau modèle
Le tour de table cible une infrastructure de validation expérimentale. Les logiciels de conception peuvent générer rapidement de nombreuses séquences candidates, mais chacune reste une hypothèse numérique tant qu’elle n’a pas été fabriquée et observée dans des conditions définies. Augmenter la puissance de calcul ne supprime ni les manipulations biologiques, ni les mesures, ni leur contrôle qualité.
Adaptyv prend en charge cette partie physique du cycle. Une équipe transmet des séquences par une plateforme web ou une API ; le laboratoire synthétise l’ADN, produit les protéines au moyen d’un système d’expression sans cellules, puis mesure notamment leur expression, leur liaison à une cible ou leur thermostabilité. Les données obtenues sont ensuite restituées au client.
Le modèle économique se rapproche ainsi d’une infrastructure expérimentale accessible à distance. Le client n’achète pas un modèle d’IA ni le simple accès à un instrument : il commande l’exécution d’un flux comprenant préparation biologique, essais et livraison de résultats structurés. Le laboratoire peut servir aussi bien une entreprise pharmaceutique qu’une équipe développant un outil de conception, sans se substituer au logiciel qui produit les séquences.
Pourquoi le laboratoire humide devient la contrainte
La génération d’une séquence et la démonstration de son fonctionnement ne progressent pas à la même vitesse. Un programme peut proposer un grand nombre de candidats sans agrandir un bâtiment. Le laboratoire doit, pour sa part, mobiliser des équipements, des consommables, des échantillons et des protocoles pour chaque série d’essais.
L’automatisation augmente la cadence, mais ne rend pas la capacité illimitée. Les plaques doivent être préparées et déplacées, les protéines produites, les instruments occupés pendant les mesures et les résultats vérifiés. Une expérience infructueuse consomme elle aussi du temps et des ressources, même si elle ne fournit pas le résultat recherché.
C’est dans ce sens précis que le laboratoire humide devient le « goulot » de l’IA : les propositions numériques peuvent s’accumuler plus vite que les preuves expérimentales correspondantes. La formule ne signifie pas que les modèles auraient résolu la conception des protéines. Elle décrit un décalage entre l’abondance potentielle des séquences générées et la quantité finie de candidats qu’il est possible de fabriquer et de mesurer.
La ressource rare se déplace alors vers les données issues du monde physique. Une structure plausible ou un score informatique ne suffit pas à établir qu’une protéine sera correctement exprimée, restera stable ou se liera à sa cible dans les conditions choisies. Générer davantage de candidats apporte peu de valeur immédiate si la file des protéines non testées croît plus vite que la capacité expérimentale.
Capacité, catalogue d’essais et clientèle : trois mesures distinctes
L’utilisation prévue du financement comporte deux dimensions. La première consiste à exécuter davantage d’expériences grâce aux installations et aux recrutements. La seconde vise à élargir la gamme des mesures, au-delà des essais de liaison, vers une caractérisation biophysique plus complète et d’autres catégories de molécules, notamment les peptides, les conjugués anticorps-médicament et les dégradeurs de protéines.
Ces axes ne mesurent pas la même chose. Le volume d’échantillons traités renseigne sur la capacité industrielle ; le nombre de types d’essais décrit l’étendue de l’offre. L’ouverture d’un second site ajoutera en outre un enjeu de comparabilité : des mesures destinées à alimenter des cycles de conception doivent rester cohérentes entre installations, instruments et séries expérimentales.
Dealroom reprend une hausse de plus de cinq fois du débit du laboratoire en un an et plus de 100 clients, dont Chai Discovery, Boltz, Roche et Novo Nordisk. Ces données communiquées autour du financement décrivent la montée en charge et la traction commerciale revendiquées ; elles ne constituent pas, à elles seules, une validation indépendante de la qualité scientifique des protéines testées.
Les performances du laboratoire ne sont pas celles des modèles
La séparation entre infrastructure et modèle est essentielle pour interpréter ce financement. Un laboratoire peut établir qu’une protéine a été exprimée, qu’elle résiste à certaines conditions ou qu’une liaison a été observée selon un protocole déterminé. Ce résultat ne démontre pas automatiquement que le modèle générateur réussira sur une autre cible, avec une autre méthode de sélection ou dans un environnement cellulaire.
Inversement, un échec expérimental ne suffit pas à isoler une faiblesse du modèle. La synthèse, l’expression, le choix de la cible, le tri préalable des séquences et le format de mesure peuvent tous influencer le résultat. Une comparaison rigoureuse doit donc identifier la configuration complète testée, au lieu d’attribuer indistinctement une réussite au logiciel ou au laboratoire.
À ce stade, le montant du tour, ses participants et les principaux projets d’expansion sont documentés. La portée opérationnelle et scientifique de l’investissement dépendra d’éléments encore à observer : la mise en service du site londonien, la hausse effective de la cadence, la reproductibilité des mesures entre installations et la publication de résultats permettant de distinguer clairement les performances des modèles, des protocoles et des différentes catégories de protéines.
À lire aussi:
Abonnez-vous à notre newsletter
Recevez directement les dernières actualités sur le Web3, l’IA et les cryptomonnaies.