TL;DR. DeepSnow est une plateforme de découverte polymère à trois couches intégrées : un laboratoire de chimie interne, un moteur IA de découverte polymère et un portefeuille produits. Le laboratoire synthétise et teste des polymères candidats. Le moteur de découverte classe les candidats et propose la prochaine expérience, conscient de la PI. Le portefeuille produits est ce qui est expédié. SL6733 est le produit 1 (additif d'enneigement, pilotes labo UE 2026/27). Les sAFGP de la série DS-100 et DS-400 (IRI pour patinoires) sont les produits 2 et 3, conçus par le moteur. Cet article décrit comment les couches s'imbriquent et pourquoi cette composition s'accumule.
Le pitch en un paragraphe
DeepSnow est une plateforme de découverte polymère intégrée verticalement. Nous exploitons un laboratoire de chimie (chimie, synthèse, caractérisation), un moteur IA de découverte (logiciel qui classe et propose des candidats polymères) et un portefeuille produits en développement (enneigement, patinoire, chaîne du froid). Les trois couches fonctionnent en boucle fermée : le moteur propose, le labo teste, les données du labo affinent le moteur, et les candidats validés deviennent produits. Le premier résultat commercial est SL6733 ; le deuxième est la série DS-100 ; le troisième est DS-400 ; la valeur de la plateforme réside dans le rythme de production au-delà.
Pourquoi trois couches, pas une
De nombreux efforts de découverte de matériaux essaient de faire l'une de ces trois choses isolément. Le motif qui échoue :
- Laboratoire seul : expertise de domaine, peut construire des produits, mais ne peut pas explorer systématiquement l'espace de design. La sortie est limitée par ce que les chimistes individuels peuvent intuiter.
- IA seule : peut proposer de vastes bibliothèques de candidats, mais sans retour du laboratoire, les prédictions se dégradent. Le modèle s'entraîne sur des hypothèses obsolètes.
- Société produit seule : expédie ce qui fonctionne aujourd'hui, mais pas de pipeline continue. Le prochain produit dépend de la recherche de quelqu'un d'autre.
Le motif qui s'accumule est les trois intégrés. Le moteur propose plus de candidats qu'aucune équipe humaine ne pourrait tester systématiquement. Le laboratoire génère les données dont le moteur a besoin pour garder ses prédictions calibrées. Le portefeuille produits monétise la plateforme — et fournit la discipline opérationnelle qui empêche la R&D de dériver vers une exploration purement académique.
La couche laboratoire
Le laboratoire de DeepSnow exécute synthèse polymère, caractérisation et tests IRI/freeze-thaw. Les capacités standards :
- Polymérisation radicalaire libre pour la synthèse de polyacrylamide à très haut MW. La chimie SL6733 — poly(acrylamide-co-acrylate de sodium) anionique à 15–20 MDa avec 30–40 mol% d'acrylate de sodium — est produite ici à l'échelle pilote.
- Polymérisation NCA pour la synthèse de polypeptides synthétiques. Les sAFGP de la série DS-100 (squelette Ala/Glu alterné) viennent de cette ligne.
- AF4-MALS pour la caractérisation absolue du poids moléculaire. La référence pour les polymères à très haut MW, là où la GPC standard échoue.
- Infrastructure de test splat pour la quantification IRI. Microscopie à lumière polarisée sur platines à température contrôlée.
- Tests freeze-thaw + nucléation de glace pour la caractérisation de performance pertinente pour le produit.
Capacité : lots pilotes jusqu'à 100 L pour les volumes d'essais en station.
Tout ce qui entre dans les données d'entraînement du moteur de découverte vient de ce laboratoire. Tout ce qui sort du moteur de découverte est testé ici. Les deux sont étroitement couplés.
La couche moteur de découverte
Le moteur est logiciel. Il fait trois choses :
- Proposition de candidats : étant donné un profil de propriétés cible (ex. « polypeptide antigel synthétique à activité IRI maximale, fabriquable par NCA, conçu autour de PI X, Y, Z »), générer des séquences ou architectures candidates classées.
- Prédiction de propriétés : pour chaque candidat, prédire l'affinité de liaison à la glace, la puissance IRI à la concentration cible, la faisabilité industrielle et la solubilité. Les modèles combinent prédictions séquence-à-propriété (machine learning) avec contraintes thermodynamiques / de dynamique moléculaire.
- Design expérimental : choisir la prochaine expérience à exécuter au laboratoire, optimisée pour le gain d'information — c.-à-d. apprendre le plus sur l'espace de design par exécution de synthèse.
Le moteur est conscient de la PI par conception. Les brevets existants dans l'espace des protéines antigel et des polymères IRI définissent des zones d'exclusion dans l'espace séquence/composition. Les candidats qui tombent dans ces zones sont signalés. Les candidats qui tombent en dehors — mais capturent quand même le mécanisme sous-jacent — sont priorisés. C'est ce qui rend le moteur de découverte commercialement actionnable plutôt que purement académique.
La couche portefeuille produits
Un vrai portefeuille produits est ce qui différencie une plateforme d'un effort de recherche. Le portefeuille de DeepSnow :
-
SL6733 — additif polymère d'enneigement. Le produit phare. Polyacrylamide-co-acrylate + amidon à gonflement en eau froide. Pilotes labo UE visés pour la saison 2026/27 ; déploiement commercial 2027/28. Conçu par chimie de laboratoire ; le rôle du moteur ici est l'optimisation incrémentale (densité de charge, distribution MW, spécifications de monomère résiduel).
-
Série DS-100 — sAFGP nouvelle génération. Chimie polypeptidique. Stade R&D. Le moteur conçoit les séquences spécifiques. 91–94 % de réduction MGS à 100 µg/mL en tests labo. Calendrier pilote 2027/28+.
-
DS-400 — IRI pour patinoires. Polymère IRI greffé en surface pour les systèmes de resurfaçage de patinoires. Stade R&D. Surface applicative différente (glace de patinoire vs neige tombante) avec profil opérationnel différent (appliqué en surface vs injecté dans l'eau).
-
Au-delà — marchés adjacents à partir de la même plateforme : food-IRI (gestion alimentaire en chaîne du froid), cryopréservation (chaîne du froid biologiques), IRI de surface (logistique chaîne du froid).
Le portefeuille produits donne une étoile polaire au moteur de découverte. Sans cela, la R&D dérive.
Ce qui s'accumule
Trois choses, dans l'ordre :
-
Chaque produit nourrit le suivant. Les connaissances laboratoire de la production de SL6733 affinent les prédictions du moteur pour DS-100. Les données labo DS-100 affinent les prédictions pour DS-400. L'accumulation de données chimiques inter-produits rend la plateforme durable.
-
La surface de design consciente de la PI s'élargit avec le temps. Chaque paysage brevétaire que DeepSnow cartographie pour un produit devient un input pour le suivant. Le moteur accumule une connaissance structurelle de ce qui est et n'est pas défendable.
-
Le portefeuille produits diversifie les revenus. SL6733 a une exposition à l'industrie de l'enneigement. DS-400 a une exposition à l'industrie des patinoires. Food-IRI a une exposition à la chaîne du froid. La même pile chimique à travers plusieurs marchés finaux est un business nettement plus résilient qu'un pari mono-produit.
Ce que ce n'est pas
Une revendication de plateforme est une revendication forte, et nous voulons être honnêtes sur ce que nous n'avons pas encore expédié :
-
Le moteur de découverte n'est pas une boîte noire qui produit magiquement des candidats optimaux. C'est un logiciel avec des taux d'erreur mesurables, et il devient meilleur avec plus de données labo. Nous ne sommes pas l'AlphaFold des polymères — nous sommes un outil spécifique au domaine qui fonctionne bien dans une région étroite mais commercialement précieuse de l'espace de design (polymères et polypeptides IRI-actifs).
-
SL6733 n'est pas encore en livraison. Il est en R&D active avec des essais pilotes labo UE visés pour 2026/27. Le calendrier commercial est 2027/28.
-
DS-100 et DS-400 sont à des stades R&D plus précoces. Les données pilotes labo sont en main ; les essais pilotes avec opérateurs sont 2027/28+.
La plateforme s'accumule, mais l'accumulation prend des saisons.
Où s'engager
Si vous êtes un exploitant de station, un chimiste des polymères, un scientifique de la glace ou un investisseur curieux du fonctionnement de la plateforme — utilisez le formulaire de contact. Pour les pilotes, voici l'inscription à la cohorte.
Pour aller plus loin
- DS-100 sAFGP — comment l'IA conçoit les polypeptides antigel
- Inhibition de recristallisation de la glace, expliquée
- Additifs d'enneigement en 2026 — guide complet
- Glossaire
— Mitchell McLennan, Fondateur