Converge Bio получает 25 млн долларов финансирования от Bessemer и лидеров технологической отрасли

Искусственный интеллект быстро продвигается в области открытия новых лекарственных препаратов, поскольку фармацевтические и биотехнологические компании стремятся сократить сроки исследований и разработок на несколько лет и повысить показатели успеха на фоне растущих затрат. Более 200 стартапов в настоящее время соревнуются за интеграцию ИИ непосредственно в исследовательские процессы, привлекая все большее внимание инвесторов. Converge Bio — последняя компания, которая воспользовалась этой тенденцией, обеспечив себе новое финансирование на фоне усиления конкуренции в секторе открытия новых лекарственных препаратов с помощью ИИ.

Стартап из Бостона и Тель-Авива, который помогает фармацевтическим и биотехнологическим компаниям ускорить разработку лекарств с помощью генеративного ИИ, обученного на молекулярных данных, привлек 25 миллионов долларов в рамках раунда серии A, возглавленного Bessemer Venture Partners. TLV Partners и Vintage Investment Partners также приняли участие в раунде, а дополнительную поддержку оказали неназванные руководители Meta, OpenAI и Wiz.

На практике Converge обучает генеративные модели на последовательностях ДНК, РНК и белков, а затем интегрирует их в фармацевтические и биотехнологические рабочие процессы для ускорения разработки лекарств.

«Жизненный цикл разработки лекарств состоит из нескольких этапов — от идентификации и открытия мишени до производства, клинических испытаний и далее — и на каждом из них есть эксперименты, которые мы можем поддержать», — поделился в эксклюзивном интервью TechCrunch генеральный директор и соучредитель Converge Bio Дов Герц. «Наша платформа продолжает расширяться на всех этих этапах, помогая быстрее выводить на рынок новые лекарства».

На данный момент Converge запустила системы, ориентированные на клиентов. Стартап уже представил три различных системы искусственного интеллекта: одну для проектирования антител, одну для оптимизации выхода белков и одну для обнаружения биомаркеров и целей.

«Рассмотрим 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 прогнозные модели фильтруют эти антитела на основе их молекулярных свойств. Наконец, система стыковки, которая использует физическую модель, моделирует трехмерные взаимодействия между антителом и его мишенью», — продолжил Гертц. По словам генерального директора, ценность заключается в системе в целом, а не в какой-либо отдельной модели. «Нашим клиентам не нужно самостоятельно собирать модели. Они получают готовые к использованию системы, которые напрямую интегрируются в их рабочие процессы».

Новое финансирование поступило примерно через полтора года после того, как в 2024 году компания привлекла 5,5 миллиона долларов в рамках раунда начального финансирования.  

Присоединяйтесь к списку ожидания Disrupt 2026

Добавьте себя в список ожидания Disrupt 2026, чтобы быть первым в очереди, когда появятся билеты Early Bird. На прошлых мероприятиях Disrupt на сцене выступали Google Cloud, Netflix, Microsoft, Box, Phia, a16z, ElevenLabs, Wayve, Hugging Face, Элад Гил и Винод Хосла — часть из более чем 250 лидеров отрасли, которые провели более 200 сессий, призванных стимулировать ваш рост и усилить ваши конкурентные преимущества. Кроме того, вы сможете пообщаться с сотнями стартапов, занимающихся инновациями во всех секторах.

Присоединяйтесь к списку ожидания Disrupt 2026

Добавьте себя в список ожидания Disrupt 2026, чтобы быть первым в очереди, когда появятся билеты по ранней продаже. На прошлых мероприятиях Disrupt на сцене выступили Google Cloud, Netflix, Microsoft, Box, Phia, a16z, ElevenLabs, Wayve, Hugging Face, Элад Гил и Винод Хосла — часть из более чем 250 лидеров отрасли, которые провели более 200 сессий, призванных стимулировать ваш рост и усилить ваши конкурентные преимущества. Кроме того, вы сможете пообщаться с сотнями стартапов, занимающихся инновациями во всех секторах.

С тех пор двухлетний стартап быстро расширился. Converge заключил 40 партнерских соглашений с фармацевтическими и биотехнологическими компаниями и в настоящее время управляет около 40 программами на своей платформе, сказал Гертц. Компания сотрудничает с клиентами в США, Канаде, Европе и Израиле, а сейчас расширяет свою деятельность в Азии.

Команда также быстро выросла, увеличившись с девяти сотрудников в ноябре 2024 года до 34. Попутно Converge начала публиковать открытые кейсы. В одном из них стартап помог партнеру увеличить выход белка в 4–4,5 раза за одну вычислительную итерацию. В другом случае платформа сгенерировала антитела с исключительно высокой аффинностью связывания, достигающей диапазона в один наномоль, отметил Гертц.

Исследование лекарственных препаратов с помощью искусственного интеллекта набирает значительный импульс. В прошлом году Eli Lilly заключила партнерское соглашение с Nvidia с целью создания того, что компании описали как самый мощный суперкомпьютер в фармацевтической отрасли для исследования лекарственных препаратов. А в октябре 2024 года разработчики проекта AlphaFold от Google DeepMind получили Нобелевскую премию по химии за создание AlphaFold, системы искусственного интеллекта, способной предсказывать структуры белков.

Когда его спросили об этом импульсе и о том, как он влияет на рост Converge Bio, Герц ответил, что компания наблюдает за крупнейшей финансовой возможностью в истории биологических наук, поскольку отрасль переходит от методов «проб и ошибок» к молекулярному дизайну на основе данных.

«Мы сильно чувствуем этот импульс, особенно в наших почтовых ящиках. Полтора года назад, когда мы основали компанию, было много скептицизма», — сказал Гертц TechCrunch. Он добавил, что этот скептицизм исчез очень быстро благодаря успешным примерам из практики таких компаний, как Converge, и из академических кругов.

Крупные языковые модели привлекают внимание в области открытия лекарственных препаратов благодаря своей способности анализировать биологические последовательности и предлагать новые молекулы, но такие проблемы, как галлюцинации и точность, по-прежнему остаются. «В тексте галлюцинации обычно легко обнаружить», — сказал генеральный директор. «В случае молекул проверка нового соединения может занять недели, поэтому затраты гораздо выше». Чтобы решить эту проблему, Converge сочетает генеративные модели с прогнозирующими, фильтруя новые молекулы, чтобы снизить риски и улучшить результаты для своих партнеров. «Эта фильтрация не идеальна, но она значительно снижает риски и дает лучшие результаты для наших клиентов», — добавил Гертц.

TechCrunch также поинтересовался мнением таких экспертов, как Ян ЛеКун, которые по-прежнему скептически относятся к использованию LLM. «Я большой поклонник Яна ЛеКуна и полностью с ним согласен. Мы не полагаемся на текстовые модели для понимания основных научных концепций. Чтобы по-настоящему понять биологию, модели должны быть обучены на ДНК, РНК, белках и малых молекулах», — пояснил Гертц.

Текстовые LLM используются только в качестве вспомогательных инструментов, например, для помощи клиентам в навигации по литературе о сгенерированных молекулах. «Они не являются нашей основной технологией», — сказал Гертц. «Мы не привязаны к одной архитектуре. Мы используем LLM, диффузионные модели, традиционное машинное обучение и статистические методы, когда это уместно».

«Наша цель — чтобы каждая организация, занимающаяся биологическими науками, использовала Converge Bio в качестве своей лаборатории генеративного ИИ. Лаборатории с мокрыми процессами всегда будут существовать, но их будут дополнять генеративные лаборатории, которые создают гипотезы и молекулы с помощью вычислений. Мы стремимся стать такой генеративной лабораторией для всей отрасли», — сказал Гертц.