Les solutions innovantes de Bio Box pour la biopharmacie

Nectar : Chris, c'est un tel plaisir de vous avoir. Je suis vraiment ravi de parler de Bio Box. Je sais que nous avons eu quelques conversations hors ligne et oui, vous avez parlé de la manière dont nous pouvons élever le niveau de la biotechnologie au Canada, n'est-ce pas? Je pense que c'est une chose dont je veux discuter aujourd'hui, mais peut-être pour commencer simplement, qu'est-ce que votre startup? Que fait-elle?

Chris : Merci Nectar. Merci de m'avoir invité sur le podcast. Je suis heureux de vous en dire plus sur Bio Box. Ce que nous faisons, eh bien, c'est une infrastructure de connaissances et de raisonnement pour la R&D biopharmaceutique. Et donc, ce que nous faisons, c'est que nous aidons les scientifiques à intensifier la génération et le test d'hypothèses lors de la découverte précoce de médicaments. C'est vraiment important, car 90 % des médicaments échoueront et chaque échec coûte beaucoup d'argent. Nous pouvons donc réduire le nombre d'échecs en testant davantage d'hypothèses, car cela nous aide à réduire l'incertitude scientifique. Et ce qui fait de Bio Box une plateforme si puissante, c'est qu'elle aide les organisations pharmaceutiques à construire une intelligence collective, comme un arbitrage de connaissances en quelque sorte. En fin de compte, ce qui différencie les gagnants et les perdants en biopharma, c'est l'information asymétrique. En d'autres termes, qu'est-ce que vous savez que personne d'autre ne sait? Bio Box aide réellement ces organisations à magnifier et à exploiter cette information asymétrique. Cela leur permet d'avancer plus vite, de prendre des décisions plus précises et axées sur les données tout au long de la phase précoce de R&D de la découverte de médicaments.

Nectar : Oui. Fascinant. Fascinant. Chris, peut-être pourrions-nous creuser un peu plus votre solution, n'est-ce pas? Une chose que vous essayez de résoudre est cette notion de raisonnement et de test d'hypothèses. Alors, donnez-nous un aperçu de la façon dont cela fonctionne aujourd'hui. Je suis un scientifique, je dois formuler une hypothèse. Je la consigne au sein de l'entreprise où je travaille, puis je dois effectuer des tests. Expliquez-nous cela, et comment vous construisez une nouvelle solution dans cet espace.

Chris : Oui. Alors, examinons un exemple de la façon dont un scientifique utiliserait la plateforme. Ce qu'elle offre est un point d'intégration unique pour toutes leurs données de recherche biomédicale. Nous parlons donc de données multi-omiques, de littérature, de bases de connaissances, de bases de données qu'ils organisent. En interne, ce que nous constatons, c'est qu'ils ont beaucoup plus de données privées. Des données propriétaires issues de leurs analyses ou de leurs expériences, que ce qui est disponible dans le domaine public. Le but est d'accélérer ou de faciliter la capacité des scientifiques à poser des questions de recherche complexes sur leurs données et aussi à établir des liens entre ces points de données pour former de nouvelles hypothèses. Plus nous rendons cela facile , plus ils peuvent tester d'hypothèses, et plus la qualité des hypothèses est élevée. Quel est un exemple? Une hypothèse serait : ce gène que j'envisage de cibler est-il exprimé dans les bonnes populations, dans les bons types de cellules, au bon moment? Et chaque fois qu'un scientifique réfléchit, disons, à un problème comme l'identification de cibles, il essaie vraiment de déterminer quelles sont les règles, les critères ou le cadre qu'il utilise pour désigner une bonne cible pour cette maladie. Différents scientifiques ont des perspectives différentes, et c'est cette asymétrie, n'est-ce pas? C'est vraiment la qualité des questions que vous posez et le type de scientifiques que vous avez, et il devient très difficile de transférer ces connaissances au fil du temps. Donc, en tant qu'organisation, une grande entreprise, vous pourriez avoir 50 groupes de recherche différents. Comment partagent-ils l'information? Comment transfèrent-ils ces connaissances tribales que chaque équipe possède efficacement? Comment utilisez-vous tout cela pour prendre des décisions raisonnées? Ce que nous faisons chez Bio Box qui est très unique, c'est que nous nous concentrons sur la capture de la logique de raisonnement, puis nous les numérisons en modèles de raisonnement. Maintenant, il y a deux voies par lesquelles nous pourrions travailler avec eux. Ces modèles de raisonnement fonctionnent un peu comme des experts numériques. Quelqu'un... comment un immunologiste interpréterait-il ce problème d'identification de cible? Comment un oncologue l'examinerait-il? Comment un chimiste l'examinerait-il? Quelles sont les différentes lignes de preuves qu'ils recherchent en parcourant ce graphique de connaissances, cet actif de données central que nous les aidons à créer, et un humain peut interagir avec ces modèles? Ou maintenant, ce que nous voyons de plus en plus, c'est que nous travaillons avec nos clients pour construire des systèmes à agents qui parlent à ces modèles. Pour un scientifique, Nectar, cela revient à avoir accès à une table ronde numérique d'experts, ce qui les aide vraiment à accélérer le nombre de questions qu'ils peuvent poser et la qualité des réponses qu'ils reçoivent.

Nectar : Oui. Et à quoi cela ressemble-t-il à un niveau très simple? Je suis un scientifique, comme vous l'avez mentionné, je dois formuler ces hypothèses. Est-ce que je les incorpore aujourd'hui dans une sorte d'ancienne plateforme héritée (legacy)? Ou est-ce que cela se trouve dans des fichiers Excel, des PDF, etc., et vous créez ensuite une nouvelle plateforme? Ou vous intégrez-vous à, disons, un système legacy?

Chris : Alors, la plupart du temps, croyez-le ou non, ce n'est que des PowerPoints et des fichiers CSV dans un SharePoint quelque part , et une partie de votre processus de découverte consiste à déterminer ce que nous avons essayé et à trouver les bonnes présentations pour essayer de comprendre et de reconstituer ce qui s'est passé. Évidemment, la recherche en découverte de médicaments est de plus en plus axée sur la biologie numérique. Il existe donc une infrastructure de données, des lacs de données, de grandes équipes de science des données et d'informatique au sein de ces sociétés pharmaceutiques. Et, bien sûr, nous nous y connecterons. Mais en même temps, nous offrons à ces scientifiques un moyen de s'intégrer rapidement et un portail de recherche unique, comme une recherche Google, mais à travers toutes vos connaissances du domaine d'entreprise en un seul endroit grâce à la plateforme Bio Box. Oui.

Nectar : C'est fascinant. C'est fascinant. Oui. C'est donc encore très « vieille école » dans une large mesure, dans la façon dont c'est fait. Et le fait que vous numérisez, permet à ces scientifiques d'élever vraiment leur niveau. Comment faites-vous ensuite la coordination, vous avez mentionné avoir ce graphique de connaissances plus institutionnel? Est-ce que cela signifie que je suis un scientifique travaillant dans le département A, et que je pourrai voir ce sur quoi mes collègues du département B travaillent? Comment concevez-vous ce flux?

Chris : Oui. Alors, lorsque nous pensons à l'intelligence collective ou à la construction de systèmes de connaissances, je pense que le diable se cache toujours dans les détails et, dans ce cas, c'est : que signifient les mots dans notre entreprise? Nous avons construit et mis en œuvre beaucoup de ces systèmes au fil des ans, et le défi est que la biologie est une science du contexte. Et la façon dont ces sociétés pharmaceutiques conçoivent les cadres scientifiques est très dogmatique, et elles diffèrent d'une pharma à l'autre. Un exemple : le gène X est impliqué dans la maladie Y. Que signifie « impliqué dans »? Il faut donc être capable d'intégrer une équipe et de transformer d'abord l'ontologie, comme nous l'appelons. Quel est le cadre scientifique directeur qui dicte la manière dont vous, en tant qu'organisation, concevez la science? C'est par là que commence toute l'intégration et que s'établit cette intelligence collective pour ces sociétés pharmaceutiques.

Nectar : C'est donc presque comme convertir les connaissances et ces mots abstraits en code dans une large mesure, n'est-ce pas? Ce que le mot lui-même signifie peut être encodé et essentiellement programmé à travers l'organisation. Ainsi, cela signifie la même chose pour toutes les parties prenantes qui utilisent la plateforme. Est-ce exact?

Chris : Oui. Oui. C'est la base du raisonnement , n'est-ce pas? Premièrement, vous devez vous assurer que tout le monde comprend ce que sont ces concepts, comment ils se rapportent les uns aux autres, et de cette façon, avec les données qui l'alimentent, vous pouvez commencer à construire des couches de plus en plus complexes. Et le point important concernant la prise de décision dans l'industrie pharmaceutique, c'est que tout le monde doit être très clair sur les raisons pour lesquelles cette décision a été prise et être capable d'expliquer rationnellement les hypothèses sous-jacentes. Cela revient encore à décomposer cette connaissance tribale que nous avons, et ce n'est pas de leur faute. Lorsque nous travaillons avec des clients, il y a une pression immense sur eux pour essentiellement identifier ces cibles, lancer ces programmes. Et lorsque vous vous coordonnez avec une unité de données centrale ou des équipes de données centrales, parfois c'est juste un peu plus rapide de dire : « Je vais juste créer un Postgres et commencer à organiser mes propres bases de données ou les mettre dans mon propre format, car nous devons atteindre ces objectifs ». Il faut une grande impulsion organisationnelle pour surmonter cette énergie d'activation et dire : « D'accord, nous allons avoir une stratégie numérique ». Et au cours des deux dernières années, nous avons vu cela transformer de nombreuses entreprises pharmaceutiques, adoptant cette stratégie numérique. Et maintenant, nous sommes à la couche suivante, qui est : « D'accord, nous sommes doués pour mettre en place cette infrastructure de données. Maintenant, réfléchissons à quel est ce prochain système? » C'est là que le composant de raisonnement entre en jeu. C'est là que les ontologies comptent. Et pour être capable d'augmenter cette capacité de raisonnement en tant qu'organisation.

Nectar : Oui. Fascinant. Fascinant. Et puis vous avez mentionné cette notion d'AgTech, comme être capable de faire le travail lui-même. Pouvez-vous peut-être nous donner un peu plus d'informations, comme ce que fait alors le système, et à quel niveau se situe-t-il? Au niveau de l'hypothèse? Est-ce au niveau du test?

Chris : Oui, donc nous ne construisons pas nécessairement un agent. Nous nous considérons davantage comme une infrastructure à laquelle les agents peuvent se connecter pour obtenir un peu plus de substance à partir des données. Et voici ce que j'entends par là. Notre plateforme permet à ces équipes d'organiser une ontologie, de diffuser leurs données et d'alimenter ce graphique de connaissances qui est une donnée sémantique. Et ce que cela nous permet de faire, et ce que nous avons créé en tant que pipeline de récupération, c'est que , au moment où un LLM ou un agent essaie d'accéder à ce graphique, nous pouvons réellement insérer ces ontologies. Considérez cela comme une unité de mémoire. Dites : « D'accord, interprétez ces questions ou ces choses que vous essayez d'accomplir en utilisant les concepts et les relations définis dans cette ontologie ». Ces ontologies peuvent changer, n'est-ce pas? Elles peuvent évoluer avec le temps , elles peuvent être des façons complètement différentes de regarder le même graphique de connaissances. Et cela permet à l'agent d'obtenir presque une nuance ou un biais, où quelque chose est très centré sur une certaine section du graphique. C'est l'équivalent de : « Interprétez cette question en tant que chimiste, interprétez cette question en tant qu'oncologue ou en tant que biologiste translationnel, discipline X, Y, Z ». Et cela ouvre de nombreuses opportunités puissantes pour ces systèmes à agents, de créer de nouveaux fils de raisonnement allant et venant, conversant entre eux, accédant à cette Table Ronde Numérique. Oui. C'est ainsi que nous nous interfaçons avec ces agents d'IA que nos clients sont déjà en train de construire. Et c'est assez excitant, il y a beaucoup de combinaisons intéressantes que nous voyons ces jours-ci. Et je pense que nous n'en sommes qu'au début. Nous voyons, récemment, Microsoft Discovery vient d'être lancé, qui est leur plateforme pour construire des scientifiques IA. C'était extrêmement encourageant à voir, car le cœur de toute cette prémisse de construction de ces scientifiques IA était le raisonnement basé sur des graphiques, la connaissance structurée , n'est-ce pas? Quelque chose qui peut itérer et croître avec le temps. Et je pense que nous allons voir beaucoup plus de ce type de travail dans les trois à cinq prochaines années.

Nectar : Oui, c'est intéressant Chris. J'aime la façon dont vous le positionnez comme une nouvelle infrastructure qui n'existe pas encore et que vous pourrez ensuite créer des API et toutes sortes de hooks sympas. Et comment voyez-vous votre Client Idéal (ICP) actuel? Je crois comprendre qu'il s'agit essentiellement d'autres biotechs. Je ne sais pas quelle taille, mais disons des biotechs. Comment considérez-vous le temps de rentabilisation (Time to Value) pour eux? C'est-à-dire, combien de temps après la mise en œuvre, et quelle est la métrique qu'ils regardent? Est-ce juste le temps de mise sur le marché pour leur médicament? Curieux de comprendre la valeur pour vos clients.

Chris : Oui. Oui, à cent pour cent. En ce qui concerne les clients avec lesquels Bio Box travaille aujourd'hui, nous travaillons avec des biotechs de niveau C en phase de discrétion (stealth) jusqu'aux entreprises pharmaceutiques de grande envergure (enterprise pharma). Et en termes de temps de rentabilisation, notre mode de fonctionnement est que nous menons généralement un processus pilote de 12 semaines. Les objectifs et les indicateurs de succès varient selon les entreprises, mais en général, cela tourne autour de la quantité de tâches fastidieuses que vous pouvez automatiser. Combien de temps en moins est passé à l'organisation des données (data wrangling), à la création de rapports? Combien d'hypothèses supplémentaires puis-je tester par unité de temps? Quelques références initiales, n'est-ce pas? Certains de nos clients ont augmenté le débit de tests d'hypothèses jusqu'à cent fois , n'est-ce pas? En 12 semaines, nous avons réussi à faire nominer trois cibles, en passant aux études habilitantes ime, ce genre de retour sur investissement. Et ce qu'ils recherchent vraiment, c'est l'automatisation. Vous seriez surpris de constater que jusqu'à 30 % du temps d'un biologiste translationnel est consacré à la construction de ces rapports de cibles et à la compilation de ces informations pour une réunion hebdomadaire. C'est ce tas de PowerPoints dans un SharePoint quelque part , et une grande partie de cela est un défi lorsque des scientifiques quittent des programmes et passent d'une entreprise à l'autre. Ils emportent ces connaissances procédurales avec eux, et un grand défi est de savoir comment arrêter cette attrition des connaissances? Si tout le monde doit revenir en arrière et redécouvrir, ou réapprendre ou reconstituer des rapports, c'est une énorme perte de temps. Et grâce à notre travail avec notre ensemble initial d'une douzaine de clients , la mise en place de tous ces modèles de raisonnement leur a permis d'intégrer rapidement de nouveaux employés pour certaines de nos entreprises en phase de démarrage (seed stage). Et c'est un domaine sur lequel nous nous concentrons beaucoup et que nous aimons travailler avec nos clients, c'est de les aider à récupérer ce temps. Du point de vue d'un médicament, il faut environ cinq à 10 ans pour qu'un médicament arrive sur le marché. C'est difficile de voir cela jusqu'au bout et de dire : « Regardez, nous vous avons fait gagner X années ». Mais ce que nous savons, c'est que dans cette phase précoce où nous participons à la phase préclinique, nous avons pu récupérer six à huit mois juste grâce au processus d'identification de cible et de sélection d'indication, ce qui est énorme.

Nectar : Oui. Déjà. Oui. Le temps, c'est de l'argent. Donc, je pense que la façon dont vous le décrivez est très logique. Et cela soulève alors la question : comment fixez-vous le prix? Y a-t-il quelque chose d'inhabituel dans votre modèle économique ou est-ce simplement une approche SaaS classique? Évidemment, vous vous situez dans cette nouvelle catégorie d'outils d'IA , n'est-ce pas? Mais nous sommes curieux d'en savoir plus sur le côté modèle économique.

Chris : Oui. Alors, cela dépend. Mais dans l'ensemble, c'est lié au nombre de sièges (seat-related). Nous facturons donc par siège. Tout le monde aime le déploiement sur site (on-premise), le VPC. Nous facturons donc des frais de déploiement. Nous facturons par siège , et en fonction des besoins, les montants seront différents. Mais nous essayons de garder notre tarification aussi simple que possible. De cette façon, ce n'est pas un casse-tête pour les achats (procurement). Et oui.

Nectar : Oui. Et qu'en est-il du côté de l'utilisation réelle? Devez-vous intégrer des équipes chez vos clients? Pour vous assurer qu'ils utilisent le logiciel correctement? Est-ce que l'intégration (onboarding) est l'endroit où vous voyez des objections? En fait, ma vraie question est peut-être: Où voyez-vous de la friction aujourd'hui en termes de vente réelle ? Est-ce parce que : « Oh, c'est si nouveau et nous l'avons déjà fait de cette façon et nous ne sommes pas convaincus »? Y a-t-il d'autres domaines où vous rencontrez une certaine résistance et comment résolvez-vous cette résistance?

Chris : Je pense qu'il y a trois domaines où nous rencontrons de la friction et des stratégies que nous avons mises en place pour les surmonter. La première est que nous introduisons, d'une certaine manière, de nouveaux outils nets. Une des choses qui en découle est une résistance, non pas parce qu'ils n'aiment pas les nouveautés. Si vous leur dites que vous pouvez résoudre un problème pour eux, ce sera formidable. Mais quand ils voient : « Oh, il y a un énorme effort à fournir pour ce processus, je dois développer cette ontologie avec vous. Je dois mettre toutes mes données en place et pouvoir configurer tout cela d'abord ». Il y a une énergie d'activation là. Donc, lorsque nous travaillons avec des clients dans notre processus pilote, nous devenons presque une équipe de données intégrée. Nous vous aidons à organiser cette ontologie, et c'est le service que nous fournissons exclusivement pendant ce processus pilote. À l'avenir, n'est-ce pas? Nous voulons également pouvoir automatiser cela autant que possible. L'un des domaines dont nous sommes fiers est le soutien à la clientèle, le service à la clientèle , et nous avons un ingénieur dédié qui travaillera avec vous pendant cette période pour vous aider à surmonter cet effort pour intégrer ces données. Le deuxième point de friction que nous observons est : Lorsque vous influencez les décisions d'un programme de médicaments, elles touchent beaucoup de parties prenantes. Ce ne sont pas seulement vos équipes de calcul. Ce ne sont pas seulement vos équipes de données. Ce ne sont pas vos équipes IA/ML. C'est un peu tout le monde. Donc, lorsque vous devez aligner tout le monde, il y a un peu de friction, car cela traverse beaucoup de fonctions différentes. C'est un processus de vente assez complexe , et je pense que ce qui a été très efficace pour nous ici, c'est d'être incroyablement honnête intellectuellement avec ces équipes sur ce que nous pouvons et ne pouvons pas faire, où nous sommes en développement, juste pour qu'elles comprennent à quoi cela ressemblera une fois déployé. Bien sûr, il est utile d'avoir des études de cas existantes et de grands logos sur votre produit. Mais en fin de compte, je pense que lorsque nous parlons à ces parties prenantes, elles prennent un pari sur nous pour mettre en œuvre cette nouvelle technologie avant de la présenter à leurs patrons ou à la direction scientifique. Nous devons être très clairs et transparents sur les délais, les attentes et les objectifs , et là où nous les quantifions afin qu'ils sachent à quoi s'attendre en entrant. Et je pense que le dernier défi concerne la manière de parler aux parties prenantes en termes d'allocation budgétaire, car ce n'est pas bon marché, je dirais. Et donc, lorsque vous êtes assis de l'autre côté en tant que client et que vous dites : « Écoutez, nous avons des compétences. Nous faisons de l'identification de cibles en tant qu'entreprise, nous construisons des logiciels en tant qu'entreprise. Nous avons toutes ces personnes, nous sommes Johnson & Johnson, ou nous sommes Pfizer. Pourquoi utiliser cette somme d'argent et la donner à un fournisseur, alors que nous pouvons simplement la dépenser nous-mêmes et la construire »? Ce point de friction construire ou acheter (build versus buy). Et il est donc incroyablement important de communiquer aux clients que cela ne remplace pas une de vos compétences fondamentales, mais que c'est une habilitation. Nous construisons des outils que vos équipes peuvent utiliser , car je ne pense pas qu'il y ait une seule société pharmaceutique qui se dira : « Je vais faire confiance à la cible qui est sortie de la plateforme XY Z alors que je ne sais pas ce qui se passe sous le capot ». Personne ne financera ce projet. Mais lorsque vous le présentez de cette manière, vous dites : « Écoutez, j'ai parlé aux scientifiques de l'IA, j'ai parlé aux scientifiques de l'apprentissage automatique (ML). Ce sont des outils qu'ils utilisent pour accélérer leurs flux de travail. Vous n'allez pas ré-ingénierer votre propre IDE si vous êtes un programmeur, ce genre de scénario. Il y a donc quelque chose à dire sur la construction d'outils dans l'espace des sciences de la vie où vous devez vraiment travailler avec vos clients et comprendre les utilisateurs finaux également, en raison de leur façon de penser l'achat par rapport à la construction pour les compétences de base.

Nectar : Oui. Oui. Il y a tellement d'informations intéressantes à décortiquer ici. Chris, vous avez mentionné le défi informatique, n'est-ce pas? Auquel tout le monde est confronté, je pense. Mais il y a aussi la nouveauté autour de ce que vous faites , n'est-ce pas? C'est comme cette notion d'un scientifique avec un compagnon cent fois plus efficace, capable de faire plus. La vision est assez... En fait, peut-être, oui. Avant de passer à la genèse, je veux aborder l'idée plus large et la vision , n'est-ce pas? Parce que vous collectez tellement de points de données intéressants. J'imagine qu'avec le temps, il y a un avantage de réseau et un effet flywheel, du genre : « Nous travaillons avec mille biotechs. Voici ce que nous pourrons apprendre et vous enseigner. » Y a-t-il une vision plus large? Et y a-t-il une façon de l'articuler? Du moins, pour ce que vous avez en tête actuellement.

Chris : Oui, vous venez de prononcer une phrase très dangereuse. Alors, les biotechs et les sociétés pharmaceutiques ne partagent pas de données entre elles , et il est très important que nous leur disions également que nous ne faisons aucune sorte de collecte, nous ne collectons pas ces données. Ils sont propriétaires de toutes leurs données , car c'est, encore une fois, l'asymétrie de l'information. C'est là que réside leur avantage. Oui. La biopharma est très sensible aux données qu'elle utilise et, traditionnellement, elle ne partage pas de données. Et il est très important de dire à nos clients, et d'être très clair, que nous ne stockons pas leurs données. Ils possèdent toutes leurs données également. Et en ce qui concerne notre vision de ce que nous construisons, notre objectif est davantage de construire le système d'exploitation essentiellement pour les aider à boucler la boucle et à automatiser entièrement le processus scientifique. Cela commence par être cette couche de données et de logique, mais là où nous voulons évoluer, c'est vers le système d'exploitation pour l'entreprise biopharmaceutique moderne.

Nectar : Oui, cela ressemble à une opportunité infinie.

Chris : Oui. Et à court terme, nous prouvons déjà que Bio Box est un facilitateur massif pour la découverte précoce , en effectuant des tâches d'interprétation biologique, des choses comme l'identification de cibles, la sélection d'indications. Mais tout au long du chemin, comme la voie vers la clinique, il y a une série de nombreuses décisions, n'est-ce pas? Nous n'en sommes qu'aux premières manches. Par exemple, la chimie qui vient après, la conception des essais, etc.. Et chez Bio Box, nous avons l'intention de soutenir cela aussi à mesure que nous scalons. Mais pour l'instant, à court terme, nous nous concentrons sur la partie découverte précoce du parcours.

Nectar : Pouvez-vous peut-être nous ramener au début de : pourquoi faire cela? Pourquoi faire cette chose qui n'existe pas, qui semble très périlleuse et semée d'embûches? Évidemment, vous avez trouvé une proposition de valeur qui a beaucoup de sens, je pense. Mais vous opérez également dans une industrie qui, du moins c'est mon point de vue externe, nous pourrions parler de l'industrie , semble difficile d'accès , en termes de nouveaux entrants. Alors oui, peut-être commencer par le pourquoi, puis réfléchir à votre plan pour façonner le monde comme vous le souhaitez. Oui.

Chris : Oui, je peux commencer par la façon dont nous avons démarré Bio Box. D'où nous venons. Nous étions, moi et mes co-fondateurs, des universitaires au départ. Il y a environ une décennie, j'ai rencontré mes co-fondateurs actuels à l'école supérieure. Nous dirigions le groupe de bio-informatique pour notre département de recherche , et pratiquement quotidiennement, nous travaillions avec des tonnes de scientifiques brillants. Ils avaient la compréhension la plus approfondie et nuancée de la biologie des maladies. Ils posaient des questions incroyablement profondes, qui suscitaient la réflexion. Une intuition brillante. Mais le problème était que la biologie devenait déjà rapidement numérique. Cela signifiait que de nouveaux outils et de nouvelles compétences devaient être développés pour que ces scientifiques puissent suivre le rythme. Et ce retard à pouvoir répondre à ces questions, ces questions brillantes qu'ils avaient parce qu'il n'y avait pas d'outils, a été une première motivation pour sortir de ce que nous faisions et construire l'infrastructure d'analyse. Parce qu'en fin de compte, il y a de vrais patients et de vraies conséquences lorsque la R&D pharmaceutique ralentit, et notre mission depuis le premier jour a toujours été d'aider à mettre à l'échelle le raisonnement scientifique. Nous réalisons cette mission aujourd'hui, mais ce n'était pas toujours le cas que nous construisions ce type de technologie sémantique. Au début, nous construisions beaucoup de pipelines et d'analyses bio-informatiques, de visualisations de flux de travail en nuage. Et je pense que ce que nous avons réalisé, c'est que cela revient à : qu'est-ce que cela signifie d'aider ces scientifiques à poser ces questions? Nous sommes maintenant à un point où il existe de nombreux excellents outils sur le marché pour exécuter ces flux de travail. Le cloud devient de plus en plus accessible. Si vous regardez l'espace problématique, cela revient à : comment pouvons-nous aider ces scientifiques à capturer le raisonnement? C'est cela qui est la partie la plus importante de ce cycle, et c'est là où nous passons beaucoup de temps à construire notre technologie aujourd'hui. Oui.

Nectar : On dirait que ... j'allais poser la question de ce qui vous passionne le plus dans ce que vous construisez. Et si j'ai bien compris, c'est ce que vous venez de dire, n'est-ce pas? C'est comme construire cette chose où vous avez pris du recul, vous y avez vraiment réfléchi à partir des principes fondamentaux, et vous vous êtes dit : « Hé, le raisonnement est l'endroit où nous pouvons créer beaucoup de valeur. » Et cela, je pense qu'il y a un lien avec le mot à la mode en affaires : l'océan bleu , n'est-ce pas? Est-ce exact? Comment répondriez-vous?

Chris : Oui. Je pense que spécifiquement en ce qui concerne le raisonnement , toute entreprise pharmaceutique, même une biotech en phase de démarrage, aura dans son plan la biologie numérique ou la construction d'une infrastructure de données. Je pense qu'historiquement, nous pensons aux sociétés pharmaceutiques. Elles imaginent des rats de laboratoire, des pipettes et des cultures tissulaires. Mais encore une fois, la transformation, surtout au cours des deux ou trois dernières années, fait que la biologie numérique, la biologie computationnelle, est une discipline fondamentale partout où vous allez. Ce qui devient intéressant, c'est lorsque vous commencez à faire entrer en collision le monde de la biologie et le monde de la technologie. Nous sommes donc devenus très bons pour construire une infrastructure de données, pour stocker des données, mais nous ne travaillons pas assez sur la capture du contexte. C'est là que réside cette opportunité d'Océan Bleu , parce qu'il n'a jamais été aussi facile de lancer des outils de BI ou d'analyser du code ensemble. Mais le raisonnement scientifique est ce qui distingue ces sociétés pharmaceutiques , et si vous pouvez opérationnaliser cela , vous pouvez voir des gains massifs. Et en fin de compte, d'un point de vue commercial, plus vous êtes proche d'influencer les décisions des programmes de médicaments, plus ces décisions sont importantes, c'est là que vous pouvez gagner de l'argent. Et ces sociétés pharmaceutiques ont beaucoup d'argent. Alors, rendre les flux de travail X pour cent plus efficaces ou rendre les données un peu plus rapides à récupérer, ce sont de grandes économies de coûts, mais ce n'est pas la chose la plus attrayante sur laquelle elles cherchent vraiment à innover. Mais si, au lieu de cela, nous nous concentrons sur la façon de lancer plus de programmes de médicaments , n'est-ce pas? Comment être plus confiant dans les décisions que vous prenez? Comment construire sur les épaules de géants et continuer à développer cet avantage asymétrique que vous avez? C'est le domaine dans lequel de nombreuses entreprises pharmaceutiques investissent beaucoup d'énergie et de ressources en développement.

Nectar : Oui, je peux comprendre pourquoi les gens ne veulent pas partager de données maintenant. Pour en revenir à votre point sur la sécurisation des données, c'est... oui. C'est vraiment comme si vous aviez les clés du royaume , n'est-ce pas? Si ce que vous construisez fonctionne, toute la formule secrète (secret sauce) est là-dedans.

Chris : Oh, ça fonctionne à cent pour cent. Ça fonctionne. Nous sommes donc dans les premières étapes, n'est-ce pas? Oui. Mais c'est là que nous construisons et nous sommes enthousiastes.

Nectar : Oui. C'est génial. Peut-être nous donner une idée rapide... vous avez mentionné que cela fonctionne, donc une idée rapide de la traction, quelques points de données et où vous en êtes aujourd'hui.

Chris : Oui, donc nous travaillons, encore une fois, avec des clients allant des biotechs en phase de démarrage jusqu'aux entreprises pharmaceutiques de grande envergure. Nous voyons beaucoup de traction entrante (inbound traction) maintenant. Je pense que la poursuite de ces moteurs de raisonnement devient de plus en plus courante. Je pense que comme nous voyons beaucoup d'entreprises chercher à construire leurs propres systèmes d'agents, c'est cette infrastructure de suralimentation pour les aider à devenir un peu plus intelligents ou leurs agents à devenir un peu plus intelligents. Du point de vue de la traction, nous avons travaillé avec une douzaine de clients. Nous avons doublé nos chiffres de revenus au cours de ce premier semestre 2025. Et nous sommes actuellement en levée de fonds pour accélérer notre croissance sur le marché. Nous n'avons littéralement pas assez de mains sur les claviers pour prendre de nouvelles affaires. Et nous travaillons maintenant avec des clients de niveau entreprise de plus en plus grands , nous sommes donc vraiment enthousiastes quant à la croissance pour le second semestre de cette année.

Nectar : Oui. Oui. Très cool, mec. Très cool. Peut-être un dernier point de discussion, je veux parler de la biotech , n'est-ce pas? Et je vais peut-être partager ma perspective pour commencer. En tant que nouveau VC, je me dis : « Oh merde, la biotech, ou les soins de santé en général, c'est : "Restez à l'écart" ». Ça semble compliqué , n'est-ce pas? Je suppose que vous êtes probablement d'accord avec cette affirmation, que cela ressemble à l'industrie mal-aimée, comme dans la technologie. Mais en même temps, c'est juste un marché énorme , n'est-ce pas? Nous allons examiner certains des nombres , n'est-ce pas? Mais il est prouvé qu'il peut y avoir des rendements hors normes. Donc, encore une fois, une question en deux parties : Quelle est votre réponse? Lorsque vous pitcher, vous avez mentionné la levée de fonds. Quelle est la réponse à cette objection? « Oh, la biotech semble compliquée, le VC ne comprend pas ». Et la seconde est : quel est l'état actuel de la biotech au Canada? Devrions-nous être plus fiers, qu'est-ce qui se passe?

Chris : Oui, beaucoup à déballer ici. Je vais commencer par... bon, il y a beaucoup de choses. Ce n'est pas un conseil en investissement. Je suis adjacent à l'industrie de la biotech, donc nous avons une certaine visibilité. Ce qui a été difficile, je pense, pour l'industrie au cours des cinq dernières années, ce sont ses dynamiques de marché. Il y a eu beaucoup moins de lancements de nouveaux programmes de médicaments (novel drug programs) , et beaucoup plus de programmes « Me Too » dans le sens où le plus populaire est, disons, les inhibiteurs de GLP. Le risque scientifique est éliminé. Le risque biologique a disparu. Il existe une thérapie approuvée, et vous vous battez ensuite pour une meilleure administration, une meilleure sécurité, ou une meilleure efficacité, des formulations différentes, peu importe. Ensuite, il y a beaucoup de risque commercial avec cela. Vous êtes donc toujours dans ce flux et reflux entre les plateformes qui peuvent lancer de nouveaux programmes de médicaments et les plateformes qui lancent des thérapies plus efficaces, etc.. Je pense que nous commençons à voir le pendule osciller dans l'autre sens , surtout lorsque nous regardons le travail que nous faisons avec les entreprises biopharmaceutiques. Il y a une forte poussée vers la biologie nouvelle (novel biology) , et je pense que c'est là que les investisseurs sont parfois un peu effrayés : il y a beaucoup de risques dans la biotech, et comme vous l'avez dit, il y a d'énormes rendements hors normes si vous gagnez. Et donc, lorsque vous regardez les paris, vous voulez vraiment avoir une idée de : encore une fois, est-ce que la décision pour ces programmes est bien raisonnée, est-elle bien fondée en principes , n'est-ce pas? Ai-je confiance dans la science et la qualité de la science émanant de ces entreprises? Et c'est votre seule véritable ouverture sur la probabilité de succès. Il existe une excellente présentation, mais je pense que par RA Capital, qui a en quelque sorte donné une formule pour apprécier les facteurs de risque pour la biotech. Et évidemment, c'est un secteur volatile, mais je pense qu'il y a une poussée croissante vers la capacité de quantifier l'incertitude scientifique et l'incertitude commerciale et de réduire certains de ces risques d'investissement maintenant. En travaillant avec ces entreprises, je pense qu'il est important pour les fournisseurs de commencer à chercher à soutenir les clients de niveau entreprise (enterprise customers). La raison est que, pour nous en tout cas, dans la découverte précoce, ils ont des programmes de découverte permanents (evergreen discovery programs). Ils cherchent toujours à lancer de nouveaux médicaments, mais avec la biotech, c'est un peu plus phasique , n'est-ce pas? Parfois, au début, vous les capturez. Ensuite, ils n'ont qu'un certain capital, ils vont devoir le pousser vers leurs études cliniques et ils pourraient fermer leurs moteurs de découverte, etc.. Je pense que monter en gamme sur le marché (moving up market) est d'une importance critique pour les fournisseurs dans cet espace. Mais la biotech en général, l'industrie pharmaceutique en général, oui. Vous pariez vraiment sur la science et la capacité de ces équipes de recherche à justifier leurs décisions.

Nectar : Je trouve que c'était une bonne perspective sur toute l'industrie , n'est-ce pas? Essentiellement, c'est aussi que vous construisez juste une équipe logicielle, une plateforme logicielle aujourd'hui , n'est-ce pas? Vous n'essayez pas de construire un nouveau médicament, vous allez habiliter les gens qui le font , n'est-ce pas? Donc, pour en revenir à votre point d'être adjacent, et quelle est votre opinion sur la biotech au Canada? Oui. Est-ce un secteur dans lequel vous voyez beaucoup de vos pairs travailler et construire des choses? Je sais que nous avons quelques-unes des grandes sociétés pharmaceutiques ici, mais oui. Curieux de savoir ce qui se passe, vous qui êtes sur le terrain et qui construisez.

Chris : Oui, nous avons certains des meilleurs scientifiques en IA et centres de recherche en biologie translationnelle et découverte de médicaments au monde. Ici, chez nous, à Toronto, où nous sommes basés. Et je pense que la biopharma canadienne est définitivement en plein essor. Nous avons des entreprises épiques ici qui sont, comme Deep Genomics basée à Toronto, des leaders de la découverte de médicaments par l'IA. Et Protein Cure, Genomic AI. Je pense que nous ne sommes pas assez bruyants par rapport à nos collègues du Sud. Nous ne sommes pas aussi exubérants et visibles. Et je pense que nous nous desservons nous-mêmes. Parce que nous travaillons avec des clients allant des biopharma de la Silicon Valley aux pôles de Boston. Et je pense que la scène scientifique de Toronto est tout aussi compétitive. Elle publie des recherches incroyables, a un talent incroyable , et je pense qu'il y a beaucoup d'opportunités ici. D'un point de vue investissement, pour les VC potentiels, il faut vraiment se concentrer, jeter un œil sous le capot de ce à quoi ressemble la scène biotech au Canada, car nous avons un mélange de ... juste dans un rayon de quelques kilomètres autour de nos bureaux ici : l'Institut Vector , les nouveaux centres de recherche tout autour du Discovery District, Mars. Et cela crée cet espace pour des conversations passionnantes et des collaborations d'entreprises qui se rencontrent et développent de nouveaux produits. Et le talent qui sort de la région de Waterloo, de l'Université de Toronto (U of T) est tout simplement incroyable. Donc, si nous pouvons encourager cela et galvaniser le côté commercialisation, le côté R&D biotech, le côté investissement, je pense que la pharmacie biopharmaceutique canadienne pourrait être un concurrent sérieux sur la scène mondiale.

Nectar : Oui. Oui. Amen. Amen. J'espère que vous continuerez à mener ce bon combat et à avancer. Peut-être une dernière question, Chris : cela fait quelques années que vous dirigez cette startup. Qu'est-ce qui vous a le plus surpris dans le parcours de co-fondateur, PDG de cette entreprise?

Chris : Surprise, ce qui m'a le plus surpris.

Nectar : Ou un apprentissage clé, quelque chose que vous trouvez être : « Oh, cette leçon qui est maintenant comme tatouée dans votre cerveau »?

Chris : Oui. D'accord. D'accord. C'est peut-être une perspective un peu controversée. J'ai dû désapprendre beaucoup d'habitudes que j'avais en tant qu'universitaire pour réussir en affaires. L'une des mauvaises habitudes que j'ai prises était d'avoir cette tendance à sur-analyser et à vouloir avoir l'idée parfaite et la mise sur le marché parfaite. Et parce que, nous ne voulons pas partager cela tant que nous ne sommes pas intellectuellement convaincus que tout cela va fonctionner, et puis neuf fois sur 10, ce sera faux. Dans le monde des startups, votre idée d'entreprise initiale sera fausse. Votre mise sur le marché sera fausse. Vos projections seront fausses. Il m'a fallu un peu de temps pour être à l'aise avec l'idée que c'est correct de se tromper. Vous préférez vous tromper rapidement et très tôt, et c'est tout à fait bien tant que vous avez un plan de contingence. C'était un grand apprentissage que j'ai eu et qui était vraiment surprenant : parfois, il suffit de faire plus de tentatives (reps). Essayer autant de nouvelles choses et puis voir ce qui se passe. Voir ce que le marché vous dit. Comparativement à l'époque où nous étions dans le monde universitaire, il fallait être très certain avant d'écrire cet article, ou de faire cette réunion, etc.. Et les affaires, c'est l'exécution , n'est-ce pas? Nous construisons la startup. Tout est une question de combien vous pouvez accomplir par unité de temps. Et cette philosophie, je suppose que c'est une philosophie fondamentale de notre entreprise, c'est que tout est question de productivité. Et je pense que cela crée un parallèle très intéressant lorsque nous parlons de nos scientifiques avec qui nous travaillons : pour eux , du côté commercial, tout est question de science productive. Combien d'hypothèses supplémentaires puis-je tester? C'est correct de se tromper. C'était donc un apprentissage très intéressant en passant du monde universitaire à celui des startups. Mais à part ça, c'est juste incroyablement difficile tout ce à quoi nous pensions. « Oh, à quel point cela pourrait-il être difficile »? Oui, c'est vraiment difficile de faire de la découverte de clients, de trouver les bonnes personnes à qui parler dans l'industrie biopharmaceutique, d'apprendre à vendre des logiciels, d'apprendre à établir des relations. Ce sont des choses qui sont extrêmement importantes pour la survie et pour vraiment prospérer en tant que startup. Et je suis reconnaissant d'avoir eu d'excellents mentors en cours de route. Des gens qui croient en la vision pour nous soutenir, un excellent soutien institutionnel, Mars et U of T ici. Je dois leur donner un coup de chapeau. Et ce ne sont que des leçons que vous apprenez en cours de route, mais ce sont des choses que vous ne pouvez pas lire dans un manuel.

Nectar : Oui, il n'y a qu'une seule façon de le faire , n'est-ce pas? Il faut l'apprendre, et c'est la manière difficile. J'apprécie beaucoup ce retour, Chris. Je ne peux pas penser à une meilleure façon de mettre fin à la conversation, mec. Et par respect pour votre temps. Peut-être une dernière question de clôture. Les gens veulent suivre le parcours, d'où vous êtes jusqu'à devenir une grande multinationale de logiciels bio. Quelle est la meilleure façon?

Chris : Oui, la meilleure façon est de trouver notre site web, biobox.io. Vous pouvez également nous trouver sur Twitter, sur LinkedIn. N'hésitez pas à me contacter directement sur tous les réseaux sociaux. Pour Twitter, c'est @Biobox under Sir Chris. Sur LinkedIn, trouvez simplement la page de l'entreprise, surtout si vous êtes un scientifique en biopharma et que vous souhaitez en savoir plus. J'aimerais trouver un moment pour discuter avec vous. Nous sommes également en levée de fonds en ce moment. Donc, si vous êtes un VC intéressé par cet espace et que vous souhaitez en savoir plus, je serais heureux de faire un appel et une présentation ensemble.

Nectar : Oui, Chris, merci.