Owkin lève 11 millions de dollars : à la santé du deep learning

Pourrez-vous, grâce au machine learning, prédire les maladies à partir de l’ADN ?

Gilles Wainrib a choisi cette accroche pour promouvoir l’une des compétitions en cours sur la plate-forme « Challenge data » de l’ENS, où il fut maître de conférences en informatique appliquée.

L’intéressé organise cette compétition sous la bannière Owkin, du nom de la société qu’il a créée à l’été 2016 avec Thomas Clozel, ancien chef de clinique en hématologie au CHU Henri Mondor de Créteil.

Implantée à New York et à Paris (où est réalisée l’essentiel de la R&D), la start-up applique l’intelligence artificielle à la recherche médicale, pour découvrir de nouvelles cibles thérapeutiques, prédire l’effet des molécules et aider les médecins à donner le bon traitement à la bonne personne.

Les données génomiques sont l’un des leviers d’entraînement des algorithmes que sa plate-forme technologique – baptisée Socrates – permet aux médecins et aux chercheurs de développer.

Les fruits de ces travaux, menés avec des hôpitaux et des centres de recherche tels que l’Institut Curie, sont commercialisés auprès d’industriels pharmaceutiques (Amgen, Actelion), sur un modèle de partage de revenus.

Cette approche avait valu à Owkin de lever 2,1 millions de dollars en amorçage l’an dernier.

Le compteur monte pour le Série A tout juste officialisé : 11 millions de dollars, avec la participation d’Otium Venture (dont le CEO Bruno Raillard rejoint le conseil d’administration de la jeune pousse), du fonds digital franco-chinois Cathay Innovation, de l’accélérateur américain Plug & Play et de la firme britannique de capital-risque NJF Capital (dont la fondatrice Nicole Junkermann a déjà un siège au board).

Apprentissage fédéré

Ce financement permettra de renforcer une équipe dans laquelle est récemment arrivée Vincent Lepage, cofondateur d’AlephD, du nom d’une start-up à l’origine d’un algorithme capable de prédire la performance de chaque impression publicitaire et d’optimiser les enchères en temps réel (AOL en avait annoncé l’acquisition début 2016).

Il s’agira également de consolider Socrates, sous l’angle du « transfer learning » ou « apprentissage fédéré ». En l’occurrence, la capacité à « transmettre l’intelligence » d’un modèle prédictif à un autre.

« Un nouveau projet ne signifie pas une page blanche », avait résumé Gilles Wainrib en mai dernier sur l’événement Data Driven Paris (cf. vidéo ci-dessous).

Pour expliquer le mécanisme, Owkin fait un double parallèle. D’un côté avec les philosophes qui ont parfait leur logique grâce aux mathématiques (Descartes, Pascal…) ; de l’autre, avec l’apprentissage des langues, entre lesquelles on retrouve des principes et des structures communs.

Sur ce modèle « en cascade », les algorithmes développés avec Socrates sont capables de se former sur un jeu de données en s’appuyant sur ce qu’ils ont appris d’un précédent jeu de données. Dans le cas présent, avec des dossiers de patients, de l’imagerie médicale et des données moléculaires, pour découvrir des biomarqueurs complexes.

Le « transfer learning » s’inscrit aussi dans une problématique de confidentialité des données : pas besoin de les centraliser pour toutes les exploiter.

Crédit photo : umseas via Visualhunt / CC BY