康维尔生物获得贝塞默风险投资公司及科技领军企业2500万美元融资

人工智能在药物研发领域正飞速发展，制药和生物技术公司正试图通过缩短数年研发周期并提升成功率来应对成本攀升的挑战。目前已有逾200家初创企业竞相将人工智能直接融入研究工作流程，引发投资者日益增长的关注。Converge Bio作为最新投身此趋势的企业，在人工智能驱动的药物研发领域竞争加剧之际成功获得新一轮融资。

这家总部位于波士顿和特拉维夫的初创企业，通过运用基于分子数据训练的生成式人工智能，助力制药与生物技术公司加速药物研发进程。其最新完成的A轮融资超额认购，规模达2500万美元，由贝塞默风险投资公司领投。TLV Partners与Vintage Investment Partners参与投资，同时获得Meta、OpenAI及Wiz公司多位未具名高管的追加支持。

具体而言，Converge通过DNA、RNA和蛋白质序列训练生成模型，将其整合至制药与生物技术工作流程以加速药物研发。

Converge Bio首席执行官兼联合创始人多夫·格茨在接受TechCrunch独家采访时表示："药物研发生命周期包含明确阶段——从靶点识别与发现到生产制造、临床试验及后续环节——每个阶段都有我们能支持的实验环节。我们的平台正持续覆盖这些阶段，助力新药更快上市。"

目前Converge已推出面向客户的系统，该初创企业已发布三套独立AI系统：分别用于抗体设计、蛋白质产量优化以及生物标志物与靶点发现。

"以抗体设计系统为例，它并非单一模型，而是由三个集成组件构成：首先，生成模型创造新型抗体； 其次，预测模型依据分子特性筛选抗体；最后，基于物理模型的对接系统模拟抗体与靶标的三维相互作用。"Gertz补充道。这位CEO强调价值在于整体系统而非单一模型："客户无需自行组装模型，即可获得可直接集成到工作流的即用型系统。"

此次融资距离该公司2024年完成550万美元种子轮融资约一年半。  

加入Disrupt 2026候补名单

加入Disrupt 2026候补名单，抢先获取早鸟票开售通知。 往届Disrupt大会曾汇聚谷歌云、奈飞、微软、Box、Phia、a16z、ElevenLabs、Wayve、Hugging Face、埃拉德·吉尔及维诺德·科斯拉等行业领袖登台演讲——逾250位行业先锋主导200余场专题会议，助您加速成长并强化竞争优势。更有机会与数百家跨领域创新初创企业建立联系。

加入Disrupt 2026候补名单

加入Disrupt 2026候补名单，抢先获取早鸟票开售通知。 往届Disrupt盛会曾汇聚Google Cloud、Netflix、Microsoft、Box、Phia、a16z、ElevenLabs、Wayve、Hugging Face、Elad Gil及Vinod Khosla等行业巨擘登台——逾250位领军人物将主持200余场专题会议，助您加速成长并提升竞争优势。更有机会与数百家跨领域创新初创企业建立联系。

这家成立两年的初创企业此后发展迅猛。格茨透露，Converge已与40家制药及生物技术公司建立合作，目前平台上管理着约40个项目。其客户遍及美国、加拿大、欧洲和以色列，现正向亚洲拓展。

团队规模同样快速扩张，员工数从2024年11月的9人增至34人。在此过程中，Converge开始发布公开案例研究。格茨指出，其中一个案例中，该初创企业通过单次计算迭代帮助合作伙伴将蛋白质产量提升4至4.5倍；另一案例中，平台生成的抗体展现出极高的结合亲和力，达到单纳摩尔量级。

人工智能驱动的药物研发正呈现强劲势头。去年礼来公司与英伟达合作，打造了被称为制药行业最强大的药物研发超级计算机。2024年10月，谷歌DeepMind旗下AlphaFold项目的开发者因创建能预测蛋白质结构的人工智能系统AlphaFold，荣获诺贝尔化学奖。

当被问及这一趋势如何推动Converge Bio发展时，格茨表示公司正见证生命科学史上最大的商业机遇——行业正从"试错法"向数据驱动的分子设计转型。

"我们强烈感受到这股势头，尤其体现在收件箱里。一年半前公司创立时，业界还充斥着大量质疑，"格茨向TechCrunch坦言。他补充道，得益于Converge等企业及学术界的成功案例，这种质疑已迅速消散。

大型语言模型因能分析生物序列并提出新分子而受到药物研发领域的关注，但幻觉和准确性等挑战依然存在。这位首席执行官表示："在文本中，幻觉通常很容易发现。" "而在分子层面，验证新化合物可能耗时数周，成本高昂得多。"为解决此问题，Converge将生成式模型与预测式模型结合，通过筛选新分子降低风险并提升合作伙伴成果。"这种筛选虽非完美，但能显著降低风险并为客户创造更优结果，"格茨补充道。

TechCrunch同时就Yann LeCun等专家对LLM应用的质疑进行追问。Gertz回应："我非常推崇Yann LeCun的观点，完全认同他的立场。核心科学认知不应依赖文本模型。要真正理解生物学，模型必须基于DNA、RNA、蛋白质和小分子进行训练。"

文本型LLM仅作为辅助工具使用，例如帮助客户检索生成分子的文献资料。"它们并非我们的核心技术，"格茨强调，"我们不受单一架构束缚，会根据实际需求灵活运用LLM、扩散模型、传统机器学习及统计方法。"

"我们的愿景是让每家生命科学机构都将Converge Bio作为其生成式AI实验室。实体实验室将永存，但它们将由通过计算生成假说和分子的生成式实验室加以补充。我们致力于成为整个行业的生成式实验室，"格茨如是说。