Το Converge Bio συγκεντρώνει $25 εκατομμύρια, με την υποστήριξη του Bessemer και στελέχη των Meta, OpenAI, Wiz

Η τεχνητή νοημοσύνη προχωρά γρήγορα στην ανακάλυψη φαρμάκων, καθώς οι φαρμακευτικές και βιοτεχνολογικές εταιρείες αναζητούν τρόπους για να κόψουν χρόνια από τα χρονοδιαγράμματα Ε&Α και να αυξήσουν τις πιθανότητες επιτυχίας εν μέσω αυξανόμενου κόστους. Περισσότερο περισσότερες από 200 νεοφυείς επιχειρήσεις τώρα ανταγωνίζονται για να ενσωματώσουν την τεχνητή νοημοσύνη απευθείας σε ερευνητικές ροές εργασιών, προσελκύοντας αυξανόμενο ενδιαφέρον από τους επενδυτές. Converge Bio είναι η πιο πρόσφατη εταιρεία που έκανε αυτή τη στροφή, εξασφαλίζοντας νέα κεφάλαια καθώς ο ανταγωνισμός στον χώρο ανακάλυψης φαρμάκων που βασίζεται στην τεχνητή νοημοσύνη θερμαίνεται.

Η startup με έδρα τη Βοστώνη και το Τελ Αβίβ, η οποία βοηθά τις φαρμακευτικές και βιοτεχνολογικές εταιρείες να αναπτύσσουν φάρμακα γρηγορότερα χρησιμοποιώντας γενετική τεχνητή νοημοσύνη που έχει εκπαιδευτεί σε μοριακά δεδομένα, συγκέντρωσε έναν κύκλο υπερσυνδρομής 25 εκατομμυρίων δολαρίων Series A, με επικεφαλής την Bessemer Venture Partners. Οι TLV Partners και οι Vintage Investment Partners συμμετείχαν επίσης στον γύρο, μαζί με πρόσθετη υποστήριξη από άγνωστα στελέχη των Meta, OpenAI και Wiz.

Στην πράξη, το Converge εκπαιδεύει γενετικά μοντέλα σε αλληλουχίες DNA, RNA και πρωτεϊνών και στη συνέχεια τα συνδέει στις ροές εργασίας των φαρμάκων και της βιοτεχνολογίας για να επιταχύνει την ανάπτυξη φαρμάκων.

«Ο κύκλος ζωής της ανάπτυξης φαρμάκων έχει καθορισμένα στάδια – από τον προσδιορισμό και την ανακάλυψη του στόχου έως την κατασκευή, τις κλινικές δοκιμές και όχι μόνο – και μέσα σε κάθε ένα, υπάρχουν πειράματα που μπορούμε να υποστηρίξουμε», δήλωσε ο Διευθύνων Σύμβουλος και συνιδρυτής της Converge Bio Dov Gertz σε μια αποκλειστική συνέντευξη στο TechCrunch. «Η πλατφόρμα μας συνεχίζει να επεκτείνεται σε αυτά τα στάδια, βοηθώντας στην ταχύτερη κυκλοφορία νέων φαρμάκων στην αγορά».

Μέχρι στιγμής, η Converge έχει αναπτύξει συστήματα που απευθύνονται σε πελάτες. Η startup έχει ήδη εισαγάγει τρία διακριτά συστήματα τεχνητής νοημοσύνης: ένα για το σχεδιασμό αντισωμάτων, ένα για τη βελτιστοποίηση της απόδοσης πρωτεΐνης και ένα για την ανακάλυψη βιοδεικτών και στόχων.

“Λάβετε για παράδειγμα το σύστημα σχεδιασμού αντισωμάτων μας. Δεν είναι απλώς ένα μοντέλο. Αποτελείται από τρία ενσωματωμένα στοιχεία. Πρώτον, ένα γενετικό μοντέλο δημιουργεί νέα αντισώματα. Στη συνέχεια, τα προγνωστικά μοντέλα φιλτράρουν αυτά τα αντισώματα με βάση τις μοριακές τους ιδιότητες. Τέλος, ένα σύστημα σύνδεσης, το οποίο χρησιμοποιεί το μοντέλο βασισμένο στη φυσική, προσομοιώνει το μοντέλο μεταξύ των τριών αντισωμάτων και των στόχων Gerer. Η αξία έγκειται στο σύστημα ως σύνολο, όχι σε κάποιο μοντέλο, σύμφωνα με τον Διευθύνοντα Σύμβουλο. “Οι πελάτες μας δεν χρειάζεται να συνδυάζουν μόνοι τους μοντέλα. Παίρνουν έτοιμα προς χρήση συστήματα που συνδέονται απευθείας στις ροές εργασίας τους.”

Η νέα χρηματοδότηση έρχεται περίπου ενάμιση χρόνο αφότου η εταιρεία συγκέντρωσε 5,5 εκατομμύρια δολάρια το 2024.

Από τότε, η δύο ετών startup κλιμακώθηκε γρήγορα. Η Converge έχει υπογράψει 40 συνεργασίες με φαρμακευτικές και βιοτεχνολογικές εταιρείες και αυτή τη στιγμή τρέχει περίπου 40 προγράμματα στην πλατφόρμα της, είπε ο Gertz. Συνεργάζεται με πελάτες στις ΗΠΑ, τον Καναδά, την Ευρώπη και το Ισραήλ και τώρα επεκτείνεται στην Ασία.

Η ομάδα αναπτύχθηκε επίσης γρήγορα, αυξάνοντας σε 34 υπαλλήλους από μόλις εννέα τον Νοέμβριο του 2024. Στην πορεία, η Converge έχει αρχίσει να δημοσιεύει δημόσιες μελέτες περιπτώσεων. Σε ένα, η εκκίνηση βοήθησε έναν συνεργάτη να αυξήσει την απόδοση πρωτεΐνης κατά 4 έως 4,5 φορές σε μία μόνο υπολογιστική επανάληψη. Σε μια άλλη, η πλατφόρμα παρήγαγε αντισώματα με εξαιρετικά υψηλή συγγένεια δέσμευσης, φτάνοντας το εύρος ενός νανομοριακού, σημείωσε ο Gertz.

Η ανακάλυψη φαρμάκων που βασίζεται στην τεχνητή νοημοσύνη παρουσιάζει ένα κύμα ενδιαφέροντος. Πέρυσιη Eli Lilly συνεργάστηκε με την Nvidia για να κατασκευάσει αυτό που οι εταιρείες αποκαλούσαν τον πιο ισχυρό υπερυπολογιστή της φαρμακευτικής βιομηχανίας για την ανακάλυψη φαρμάκων. Και τον Οκτώβριο του 2024, οι προγραμματιστές πίσω Το έργο AlphaFold του Google DeepMind κέρδισε το βραβείο Νόμπελ στη Χημεία για τη δημιουργία του AlphaFold, του συστήματος AI που μπορεί να προβλέψει τις πρωτεϊνικές δομές.

Όταν ρωτήθηκε για τη δυναμική και πώς διαμορφώνει την ανάπτυξη του Converge Bio, ο Gertz είπε ότι η εταιρεία γνωρίζει τη μεγαλύτερη οικονομική ευκαιρία στην ιστορία των βιοεπιστημών και ότι η βιομηχανία μετατοπίζεται από τις προσεγγίσεις «δοκιμών και λάθους» στον μοριακό σχεδιασμό που βασίζεται σε δεδομένα.

“Αισθανόμαστε τη δυναμική βαθιά, ειδικά στα εισερχόμενά μας. Πριν από ενάμιση χρόνο, όταν ιδρύσαμε την εταιρεία, υπήρχε μεγάλος σκεπτικισμός”, δήλωσε ο Gertz στο TechCrunch. Αυτός ο σκεπτικισμός εξαφανίστηκε εξαιρετικά γρήγορα, χάρη σε επιτυχημένες περιπτωσιολογικές μελέτες από εταιρείες όπως η Converge και από τον ακαδημαϊκό χώρο, πρόσθεσε.

Τα μεγάλα γλωσσικά μοντέλα κερδίζουν την προσοχή στην ανακάλυψη φαρμάκων για την ικανότητά τους να αναλύουν βιολογικές αλληλουχίες και να προτείνουν νέα μόρια, αλλά προκλήσεις όπως οι παραισθήσεις και η ακρίβεια παραμένουν. «Στο κείμενο, οι παραισθήσεις είναι συνήθως εύκολο να εντοπιστούν», είπε ο Διευθύνων Σύμβουλος. «Στα μόρια, η επικύρωση μιας νέας ένωσης μπορεί να διαρκέσει εβδομάδες, επομένως το κόστος είναι πολύ υψηλότερο». Για να αντιμετωπιστεί αυτό, η Converge συνδυάζει μοντέλα παραγωγής με προγνωστικά, φιλτράροντας νέα μόρια για να μειώσει τον κίνδυνο και να βελτιώσει τα αποτελέσματα για τους συνεργάτες του. «Αυτό το φιλτράρισμα δεν είναι τέλειο, αλλά μειώνει σημαντικά τον κίνδυνο και προσφέρει καλύτερα αποτελέσματα για τους πελάτες μας», πρόσθεσε ο Gertz.

Το TechCrunch ρώτησε επίσης για ειδικούς όπως ο Yann LeCun, που παραμένουν δύσπιστοι σχετικά με τη χρήση LLM. “Είμαι μεγάλος θαυμαστής του Yann LeCun και συμφωνώ απόλυτα μαζί του. Δεν βασιζόμαστε σε μοντέλα που βασίζονται σε κείμενο για βασική επιστημονική κατανόηση. Για να κατανοήσουν πραγματικά τη βιολογία, τα μοντέλα πρέπει να εκπαιδεύονται σε DNA, RNA, πρωτεΐνες και μικρά μόρια”, εξήγησε ο Gertz.

Τα LLM που βασίζονται σε κείμενο χρησιμοποιούνται μόνο ως εργαλεία υποστήριξης, για παράδειγμα, για να βοηθήσουν τους πελάτες να περιηγηθούν στη βιβλιογραφία σχετικά με τα δημιουργούμενα μόρια. «Δεν είναι η βασική μας τεχνολογία», είπε ο Gertz. “Δεν είμαστε συνδεδεμένοι με μια ενιαία αρχιτεκτονική. Χρησιμοποιούμε LLM, μοντέλα διάχυσης, παραδοσιακή μηχανική μάθηση και στατιστικές μεθόδους όταν είναι λογικό.”

“Το όραμά μας είναι ότι κάθε οργανισμός της επιστήμης της ζωής θα χρησιμοποιεί το Converge Bio ως το παραγωγικό του εργαστήριο τεχνητής νοημοσύνης. Τα υγρά εργαστήρια θα υπάρχουν πάντα, αλλά θα συνδυάζονται με εργαστήρια παραγωγής που δημιουργούν υποθέσεις και μόρια υπολογιστικά. Θέλουμε να είμαστε αυτό το παραγωγικό εργαστήριο για ολόκληρη τη βιομηχανία”, είπε ο Gertz.