Искусственный интеллект стремительно проникает в сферу разработки лекарств, поскольку фармацевтические и биотехнологические компании ищут способы сократить сроки исследований и разработок на годы и повысить шансы на успех в условиях растущих затрат. Более 200 стартапов сейчас соревнуются за внедрение ИИ непосредственно в исследовательские процессы, привлекая все больший интерес со стороны инвесторов. Converge Bio — последняя компания, которая воспользовалась этим сдвигом, привлекая новый капитал на фоне обострения конкуренции в сфере разработки лекарств с использованием ИИ.
Стартап из Бостона и Тель-Авива, помогающий фармацевтическим и биотехнологическим компаниям быстрее разрабатывать лекарства с помощью генеративного ИИ, обученного на молекулярных данных, привлек 25 миллионов долларов в рамках раунда финансирования серии А, который возглавила компания Bessemer Venture Partners. В раунде также приняли участие TLV Partners и Vintage Investment Partners, а также неназванные руководители из Meta, OpenAI и Wiz.
На практике компания Converge обучает генеративные модели на основе последовательностей ДНК, РНК и белков, а затем интегрирует их в рабочие процессы фармацевтических и биотехнологических компаний для ускорения разработки лекарств.
«Жизненный цикл разработки лекарств имеет определенные этапы — от идентификации и обнаружения мишеней до производства, клинических испытаний и далее — и на каждом из них есть эксперименты, которые мы можем поддержать», — заявил генеральный директор и соучредитель Converge Bio Дов Герц в эксклюзивном интервью TechCrunch. «Наша платформа продолжает расширяться на этих этапах, помогая быстрее выводить новые лекарства на рынок».
На данный момент Converge внедрила системы, ориентированные на клиентов. Стартап уже представил три отдельные системы искусственного интеллекта: одну для разработки антител, одну для оптимизации выхода белка и одну для поиска биомаркеров и мишеней.
«Возьмем в качестве примера нашу систему проектирования антител. Это не просто одна модель. Она состоит из трех интегрированных компонентов. Во-первых, генеративная модель создает новые антитела. Затем прогностические модели фильтруют эти антитела на основе их молекулярных свойств. Наконец, система докинга, использующая физическую модель, моделирует трехмерное взаимодействие между антителом и его мишенью», — продолжил Герц. Ценность заключается в системе в целом, а не в какой-либо отдельной модели, по словам генерального директора. «Нашим клиентам не нужно самостоятельно собирать модели по частям. Они получают готовые к использованию системы, которые напрямую интегрируются в их рабочие процессы».
Новое финансирование поступило примерно через полтора года после того, как компания привлекла 5,5 миллионов долларов в рамках посевного раунда в 2024 году.
С тех пор этот стартап, существующий уже два года, быстро масштабировался. По словам Герца, Converge заключила 40 партнерских соглашений с фармацевтическими и биотехнологическими компаниями и в настоящее время реализует около 40 программ на своей платформе . Компания работает с клиентами в США, Канаде, Европе и Израиле и сейчас расширяется в Азию.
Команда также быстро росла, увеличившись с девяти сотрудников в ноябре 2024 года до 34 человек. Попутно Converge начала публиковать примеры успешных проектов. В одном из них стартап помог партнеру увеличить выход белка в 4–4,5 раза за одну вычислительную итерацию. В другом случае платформа позволила получить антитела с чрезвычайно высокой аффинностью связывания, достигающей наномолярного диапазона, отметил Герц.
Разработка лекарств с помощью ИИ переживает всплеск интереса. В прошлом году компания Eli Lilly объединилась с Nvidia для создания, как они назвали, самого мощного суперкомпьютера в фармацевтической отрасли для разработки лекарств. А в октябре 2024 года разработчики проекта AlphaFold от Google DeepMind получили Нобелевскую премию по химии за создание AlphaFold — системы ИИ, способной предсказывать структуры белков.
Отвечая на вопрос о нарастающем темпе развития и о том, как он влияет на рост Converge Bio, Герц сказал, что компания наблюдает крупнейшие финансовые возможности в истории биологических наук, и отрасль переходит от методов «проб и ошибок» к молекулярному проектированию, основанному на данных.
«Мы очень хорошо чувствуем этот импульс, особенно в наших почтовых ящиках. Полтора года назад, когда мы основали компанию, было много скептицизма», — сказал Герц в интервью TechCrunch. Этот скептицизм исчез удивительно быстро благодаря успешным примерам из практики таких компаний, как Converge, и академических кругов, добавил он.
Крупные языковые модели привлекают все больше внимания в разработке лекарств благодаря своей способности анализировать биологические последовательности и предлагать новые молекулы, однако остаются проблемы, такие как искажения и точность. «В тексте искажения обычно легко заметить», — сказал генеральный директор. «В случае с молекулами проверка нового соединения может занять недели, поэтому затраты намного выше». Для решения этой проблемы Converge сочетает генеративные модели с прогностическими, отфильтровывая новые молекулы, чтобы снизить риски и улучшить результаты для своих партнеров. «Эта фильтрация не идеальна, но она значительно снижает риски и обеспечивает лучшие результаты для наших клиентов», — добавил Герц.
Издание TechCrunch также задало вопрос экспертам, таким как Ян Лекун, которые по-прежнему скептически относятся к использованию линейных моделей обучения. «Я большой поклонник Яна Лекуна и полностью с ним согласен. Мы не полагаемся на текстовые модели для понимания основных научных принципов. Для истинного понимания биологии модели необходимо обучать на ДНК, РНК, белках и малых молекулах», — объяснил Герц.
Текстовые LLM-модели используются только в качестве вспомогательных инструментов, например, чтобы помочь клиентам ориентироваться в литературе по сгенерированным молекулам. «Это не наша основная технология, — сказал Герц. — Мы не привязаны к какой-либо одной архитектуре. Мы используем LLM-модели, диффузионные модели, традиционное машинное обучение и статистические методы, когда это целесообразно».
«Наша цель — чтобы каждая организация, работающая в сфере биологических наук, использовала Converge Bio в качестве своей лаборатории генеративного искусственного интеллекта. Лаборатории, работающие в «мокром» режиме, будут существовать всегда, но они будут объединены с генеративными лабораториями, которые будут создавать гипотезы и молекулы с помощью вычислительных методов. Мы хотим стать такой генеративной лабораторией для всей отрасли», — сказал Герц.
Источник: techcrunch.com
