Sztuczna inteligencja nieustannie rewolucjonizuje przemysł farmaceutyczny, obiecując skrócenie dekad badań do ułamka czasu i drastyczne zwiększenie szans na sukces w obliczu astronomicznych kosztów R&D. W tym dynamicznie zmieniającym się ekosystemie, gdzie ponad 200 startupów walczy o integrację AI z procesami badawczymi, pojawiają się tacy gracze jak Converge Bio, którzy właśnie przypieczętowali swoje aspiracje solidnym finansowaniem.
AI wkracza do gry: Dlaczego koncerny farmaceutyczne nagle kochają algorytmy?
Rynek odkrywania leków przechodzi transformację jakościową. Stare metody, oparte głównie na powolnym procesie prób i błędów, ustępują miejsca podejściom napędzanym danymi. Firmy farmaceutyczne i biotechnologiczne pragną desperacko ciąć czas potrzebny na wprowadzenie nowego medykamentu na rynek. Kto by nie chciał? Zysk rośnie, ryzyko maleje. Ta potrzeba napędza lawinowy wzrost zainteresowania inwestorów startupami, które wplatają sztuczną inteligencję w sam rdzeń procesów badawczych.
W tym gorącym klimacie Converge Bio, firma z siedzibami w Bostonie i Tel Awiwie, właśnie podniosła 25 milionów dolarów w rundzie Serii A, która została przesubskrybowana. Liderem rundy było Bessemer Venture Partners, a wsparcia udzieliły także TLV Partners, Saras Capital oraz Vintage Investment Partners, nie zapominając o cichym wsparciu od możnych z Meta, OpenAI i Wiz. To wyraźny sygnał, że rynek wierzy w model, który obiecuje, że generatywna AI przeszkolona na danych molekularnych przyspieszy de facto każdy etap rozwoju leku.
Maszyna licząca molekuły: Jak Converge Bio zmienia zasady gry?
Konkretnie, Converge Bio trenuje zaawansowane modele generatywne na sekwencjach DNA, RNA i białek. Następnie te algorytmy są bezpośrednio „wtykane” w istniejące procesy robocze swoich partnerów z branży farmaceutycznej i biotechnologicznej. Jak ujął to CEO i współzałożyciel Converge Bio, Dov Gertz:
„Cykl rozwoju leków ma zdefiniowane etapy — od identyfikacji celu i odkrycia, przez produkcję, badania kliniczne i dalej — a w każdym z nich istnieją eksperymenty, które możemy wesprzeć. Nasza platforma stale rozszerza się na te etapy, pomagając w szybszym wprowadzaniu nowych leków na rynek.”
To nie są tylko mgliste obietnice. Startup już wprowadził na rynek trzy konkretne, gotowe do użycia systemy AI: jeden do projektowania przeciwciał, drugi do optymalizacji wydajności białek, a trzeci do odkrywania biomarkerów i celów terapeutycznych.
Model działania jest imponujący, bo unika pułapki, w którą wpadają inni – nie sprzedają pojedynczych narzędzi, lecz zintegrowane rozwiązania.
„Weźmy na przykład nasz system do projektowania przeciwciał. To nie jest jeden model. Składa się z trzech zintegrowanych komponentów. Najpierw model generatywny tworzy nowe przeciwciała. Następnie modele predykcyjne filtrują te przeciwciała na podstawie ich właściwości molekularnych. Na koniec system dokowania, wykorzystujący model oparty na fizyce, symuluje trójwymiarowe interakcje między przeciwciałem a jego celem,” wyjaśnia Gertz.
Klucz tkwi w tej synergii. Klienci nie muszą sami składać tych skomplikowanych puzzli z różnych algorytmów. Otrzymują gotowe do użycia systemy, które „wpinają” bezpośrednio w swoje linie badawcze.
Od sceptycyzmu do dominacji: Prawdziwy momentum i wyzwania
Fascynujące jest to, jak szybko nastąpił zwrot w percepcji tej technologii. Zaledwie półtora roku po pozyskaniu 5,5 miliona dolarów finansowania zalążkowego w 2024 roku, dwuletni startup dynamicznie rośnie. Converge zrealizowało już blisko 40 programów dla kilkunastu klientów, pracując z firmami w USA, Kanadzie, Europie i Izraelu, a teraz celuje w Azję. Zespół rozrósł się z dziewięciu do 34 osób w tym samym okresie.
Wielkie osiągnięcia nie są wyłącznie teoretyczne. W jednym z opublikowanych studium przypadku platforma pomogła partnerowi zwiększyć wydajność białka od 4 do 4,5 raza w jednej iteracji obliczeniowej. W innym przypadku udało się wygenerować przeciwciała o ekstremalnie wysokim powinowactwie wiązania, osiągając zakres pojedynczych nanomoli. Te liczby sprzedają się same.
Cały sektor żyje tym boomem – przypomnijmy kolosalny sojusz Eli Lilly z Nvidią w celu budowy najpotężniejszego superkomputera dla odkrywania leków, czy też nagrodę Nobla dla twórców AlphaFold Google DeepMind. Gertz uważa, że jesteśmy świadkami największej szansy finansowej w historii nauk przyrodniczych, gdzie odchodzimy od chaosu prób i błędów na rzecz precyzyjnego, opartego na danych projektowania molekularnego.
„Momentum odczuwamy bardzo głęboko, zwłaszcza w naszych skrzynkach odbiorczych. Półtora roku temu, kiedy zakładaliśmy firmę, panował duży sceptycyzm,” przyznaje Gertz. Ten sceptycyzm, jak dodaje, zniknął błyskawicznie, głównie dzięki namacalnym sukcesom, takim jak te osiągane przez Converge.
Czy modele językowe to tylko szum? Odpowiedź Converge Bio
Wielkie modele językowe (LLM) są na fali, szczególnie ze względu na ich zdolność do analizy sekwencji biologicznych i sugerowania nowych cząsteczek. Ale czy nie generują one niebezpiecznych „halucynacji”? W tekstach da się je wyłapać, ale w chemii i biologii weryfikacja nowatorskiego związku może trwać tygodniami, co generuje ogromne koszty.
Converge podchodzi do tego pragmatycznie. Ich rozwiązaniem jest łączenie modeli generatywnych z modelami predykcyjnymi, aby odsiać najbardziej ryzykowne, mniej obiecujące cząsteczki. To redukuje ryzyko, choć, jak przyznaje CEO, nie eliminuje go całkowicie.
Co ciekawe, firma stanowczo odcina się od polegania wyłącznie na LLM w fundamentalnym rozumieniu nauki, dystansując się od niektórych głosów, np. Yann LeCuna.
„Jestem wielkim fanem Yanna LeCuna i całkowicie się z nim zgadzam. Nie polegamy na modelach tekstowych w kwestii podstawowego zrozumienia naukowego. Aby naprawdę zrozumieć biologię, modele muszą być trenowane na DNA, RNA, białkach i małych cząsteczkach,” tłumaczy Gertz.
Modele tekstowe są traktowane jako narzędzia pomocnicze, na przykład do nawigowania po literaturze dotyczącej wygenerowanych molekuł. „To nie jest nasza podstawowa technologia. Nie jesteśmy przywiązani do jednej architektury. Wykorzystujemy LLM, modele dyfuzyjne, tradycyjne uczenie maszynowe i metody statystyczne, gdy ma to sens.”
Wizja Converge Bio jest jasna i ambitna: chcą stać się obliczeniowym odpowiednikiem laboratorium dla całego sektora life science.
„Nasza wizja jest taka, że każda organizacja zajmująca się naukami przyrodniczymi będzie używać Converge Bio jako swojego laboratorium generatywnego. Mokre laboratoria zawsze będą istnieć, ale będą one sparowane z laboratoriami generatywnymi, które obliczeniowo tworzą hipotezy i cząsteczki. Chcemy być tym laboratorium generatywnym dla całej branży,” podsumowuje Gertz.
