Benchling, éditeur d’une plateforme cloud de recherche et développement utilisée dans l’industrie biotechnologique, annonce le lancement de Benchling AI. Cette nouvelle offre vise à permettre aux scientifiques d’accéder à des outils d’intelligence artificielle directement depuis leur environnement de travail existant, sans avoir à déplacer leurs données ni à recourir à des solutions tierces.
Benchling AI s’appuie sur l’infrastructure déjà utilisée par plus de 1 300 entreprises et 7 500 institutions académiques dans le monde. L’objectif affiché est d’intégrer agents logiciels et modèles prédictifs au cœur des flux de travail scientifiques, afin d’automatiser certaines tâches et de faciliter l’exploitation de données expérimentales structurées.
Un environnement unifié pour données, agents et modèles
Avec Benchling AI, la plateforme devient un point d’accès unique à des jeux de données internes, à des agents d’IA et à des modèles scientifiques. Les chercheurs peuvent y poser des questions, concevoir des expériences, générer des prédictions, collecter des résultats et produire des rapports, au sein d’un même environnement.
Benchling introduit notamment trois agents destinés à prendre en charge des tâches répétitives souvent chronophages en laboratoire.
Le Deep Research Agent analyse à la fois les données expérimentales internes et la littérature scientifique publique afin de répondre à des questions complexes et de produire des synthèses détaillées.
Le Compose Agent permet de transformer des documents hétérogènes, fichiers, protocoles, notes manuscrites, en entrées structurées de carnet de laboratoire.
Le Data Entry Agent, enfin, se concentre sur la conversion de données non structurées, provenant par exemple de partenaires externes ou d’archives internes, en données exploitables au sein de la plateforme.
Accès direct à des modèles de conception moléculaire
Benchling AI donne également accès à plusieurs modèles utilisés en conception moléculaire, dont AlphaFold, Chai-1 et Boltz-2, directement depuis l’espace de conception de la plateforme.
Les prédictions issues de ces modèles sont associées aux données expérimentales stockées dans Benchling, afin de relier simulation et expérimentation. Une fonctionnalité d’optimisation des expériences permet en outre d’identifier des paramètres pertinents et de proposer de nouveaux designs expérimentaux pour accélérer le développement d’essais et de procédés.
Premiers retours d’usage
Selon Benchling, les premiers utilisateurs observent des gains en productivité et en rapidité de prise de décision. Dans le cadre d’un projet pilote, une entreprise biopharmaceutique figurant parmi les 20 premières mondiales aurait utilisé le Deep Research Agent pour réduire une liste de 20 modèles murins potentiels à deux, en analysant des études issues d’une société acquise, permettant d’éviter plusieurs mois de travail in vivo.
Dans le milieu académique, Omar Abudayyeh, professeur assistant à la Harvard Medical School, souligne l’intérêt de la solution pour valoriser des années de données internes jusque-là peu exploitées. Selon lui, la possibilité d’interroger et de synthétiser rapidement des protocoles et résultats expérimentaux a modifié la manière dont son laboratoire aborde la découverte scientifique.
Une IA pensée pour s’intégrer aux pratiques existantes
Pour Benchling, l’adoption de l’IA en recherche dépend avant tout de la qualité des données et de l’intégration des outils dans les pratiques quotidiennes des scientifiques. « Des données expérimentales fiables sont essentielles pour alimenter des modèles prédictifs pertinents, et les chercheurs privilégient les outils qu’ils utilisent déjà et auxquels ils font confiance », explique Sajith Wickramasekara, CEO et cofondateur de Benchling.
Avec Benchling AI, l’éditeur cherche à étendre les capacités de sa plateforme en y ajoutant une couche d’intelligence artificielle directement opérationnelle, sans modifier en profondeur les environnements de travail existants.
