Mantis Biotech crée des jumeaux numériques humains pour combler le manque de données médicales

Mantis Biotech apporte sa réponse à l'un des problèmes les plus coûteux de l'industrie pharmaceutique et de la biomédecine : le manque de données accessibles et de qualité. La société collecte des sources d'information dispersées et les transforme en jeux de données synthétiques, à partir desquels on peut construire des jumeaux numériques humains.

Ce que fait Mantis

L'approche de Mantis Biotech consiste à réunir dans un même environnement numérique différents types d'informations sur une personne : anatomie, physiologie et comportement. À partir de ces fragments, l'entreprise produit des jeux de données synthétiques, qui peuvent ensuite servir à créer des jumeaux numériques du corps humain.

Un tel jumeau n'équivaut pas à un patient réel et n'en est pas une copie exacte au sens littéral. Il s'agit plutôt d'un modèle de calcul qui aide à décrire comment l'organisme est constitué et comment il pourrait réagir à diverses interventions.

L'objectif est de transformer des données médicales peu compatibles en une base de recherche plus cohérente. En médecine, les informations utiles sont souvent stockées dans des bases différentes, collectées selon des protocoles différents et difficilement transposables d'un contexte de recherche à un autre. Si Mantis parvient à standardiser cette couche et à la rendre exploitable pour la modélisation, les développeurs de médicaments disposeraient d'un nouvel outil de travail avant les étapes coûteuses de validation clinique.

À quoi servent les jumeaux

Pour l'industrie pharmaceutique, le manque de données n'est pas un problème abstrait, mais une limite directe à la vitesse. Les chercheurs peuvent avoir une hypothèse solide sur le mécanisme d'une maladie ou l'action d'une molécule, mais buter sur l'absence de jeux de données comparables. Dans cette logique, les jumeaux numériques ne servent pas de vitrine tape-à-l'œil pour l'IA : ils permettent de vérifier plus vite des scénarios, de comparer des modèles de réponse de l'organisme et de repérer les points faibles des ensembles d'observations existants.

• combiner des données anatomiques, physiologiques et comportementales dans un seul modèle
• compléter les échantillons médicaux réels par des données synthétiques
• tester des hypothèses avant les étapes de développement les plus coûteuses
• repérer plus vite les lacunes de données sur des maladies précises
• réduire la dépendance à des jeux de données rares ou lents à s'enrichir

Si l'approche fonctionne avec une précision suffisante, les entreprises pourront utiliser les jeux de données synthétiques comme couche intermédiaire entre les observations brutes et les conclusions appliquées. C'est particulièrement utile là où les données réelles sont difficiles à collecter en raison du coût, de la confidentialité ou du nombre limité de patients adaptés. Dans ce scénario, le jumeau numérique ne remplace pas la réalité clinique : il permet d'en extraire davantage de signal avant le prochain cycle d'études coûteuses.

La question centrale

Ces systèmes ont une limite évidente : la qualité du résultat dépend toujours de la qualité de la matière première. Un jeu de données synthétique n'est utile que dans la mesure où il reflète fidèlement les processus biologiques réels. Si les sources d'origine comportent des biais, des lacunes ou une faible représentativité, le modèle peut reproduire les mêmes erreurs, simplement sous une apparence plus convaincante et plus technologique. C'est pourquoi le débat sur les données synthétiques en médecine bute vite sur la validation, le contrôle qualité et la confiance dans les conclusions.

C'est aussi pourquoi, pour Mantis, l'épreuve principale ne sera pas la génération de données elle-même, mais la confiance qu'on leur accorde. Les laboratoires pharmaceutiques et les équipes de recherche examineront la reproductibilité, la transparence et l'utilité pratique de ces modèles. Au final, le marché jugera non pas le tapage autour du terme « jumeau numérique », mais sa capacité réelle à réduire le temps et le coût de la recherche sans perte de fiabilité scientifique ni risque supplémentaire dans les étapes suivantes du développement.

Ce que cela signifie

Mantis Biotech mise sur l'une des orientations les plus pragmatiques de l'IA en médecine : l'infrastructure de données, plutôt qu'une énième interface posée sur un modèle. Si la société réussit à assembler des jumeaux numériques fiables à partir de sources médicales éparses, cela pourrait accélérer le développement de médicaments là où le processus est aujourd'hui freiné par le manque de données de qualité.

C'est un signal important pour le marché : la prochaine vague d'IA dans la healthtech pourrait se construire non pas autour des chatbots, mais autour d'une meilleure base de recherche.