Converge Bio-მ 25 მილიონი დოლარი მოიზიდა: ხელოვნური ინტელექტი მედიკამენტების შექმნის პროცესს აჩქარებს

ხელოვნური ინტელექტი სულ უფრო აქტიურად ინერგება მედიკამენტების აღმოჩენის პროცესში. ფარმაცევტული და ბიოტექნოლოგიური კომპანიები ცდილობენ, კვლევისა და განვითარების (R&D) ვადები შეამცირონ და წარმატების შანსები გაზარდონ, განსაკუთრებით მზარდი ხარჯების ფონზე. ამჟამად 200-ზე მეტი სტარტაპი ეჯიბრება ერთმანეთს ხელოვნური ინტელექტის უშუალოდ კვლევით სამუშაოებში ინტეგრირებაში, რაც ინვესტორების დიდ ინტერესს იწვევს.

ამ ტენდენციის ერთ-ერთი გამორჩეული წარმომადგენელი Converge Bio-ა, რომელმაც ახალი კაპიტალი მოიზიდა. კომპანიას მხარს უჭერენ Bessemer Venture Partners და მაღალი რანგის მენეჯერები ისეთი გიგანტებიდან, როგორიცაა Meta, OpenAI და Wiz. Converge Bio გენერაციულ მოდელებს დნმ-ის, რნმ-ისა და ცილების თანმიმდევრობებზე წვრთნის, შემდეგ კი მათ ფარმაცევტულ და ბიოტექნოლოგიურ სამუშაო პროცესებში ნერგავს, რათა მედიკამენტების შექმნა დააჩქაროს.

„მედიკამენტების განვითარების ციკლს განსაზღვრული ეტაპები აქვს — სამიზნის იდენტიფიცირებიდან და აღმოჩენიდან წარმოებამდე, კლინიკურ კვლევებამდე და მის მიღმა. თითოეულ ამ ეტაპზე ჩვენ შეგვიძლია ექსპერიმენტების მხარდაჭერა,“ — განაცხადა Converge Bio-ს აღმასრულებელმა დირექტორმა და თანადამფუძნებელმა დოვ გერცმა TechCrunch-თან ინტერვიუში.

ამ დროისთვის Converge-მა უკვე წარადგინა სამი კონკრეტული AI სისტემა: ანტისხეულების დიზაინისთვის, ცილის მოსავლიანობის ოპტიმიზაციისთვის და ბიომარკერებისა და სამიზნეების აღმოჩენისთვის. სისტემის მთავარი ღირებულება მის მთლიანობაშია და არა ცალკეულ მოდელებში, რაც მომხმარებლებს საშუალებას აძლევს, მიიღონ მზა გადაწყვეტილებები საკუთარ სამუშაო პროცესებში პირდაპირი ინტეგრაციისთვის.

ანტისხეულების დიზაინის სისტემის სტრუქტურა

მაგალითისთვის, ანტისხეულების დიზაინის სისტემა არ არის მხოლოდ ერთი მოდელი; ის სამი ინტეგრირებული კომპონენტისგან შედგება:

• გენერაციული მოდელი: ქმნის სრულიად ახალ ანტისხეულებს.
• პრედიქტული (პროგნოზული) მოდელები: ფილტრავს შექმნილ ანტისხეულებს მათი მოლეკულური თვისებების მიხედვით.
• დოკინგის (დაკავშირების) სისტემა: იყენებს ფიზიკაზე დაფუძნებულ მოდელს, რათა მოახდინოს ანტისხეულსა და მის სამიზნეს შორის სამგანზომილებიანი ურთიერთქმედების სიმულაცია.

სწრაფი ზრდა და მიღწეული შედეგები

დაფინანსების ახალი რაუნდი კომპანიის მიერ 2024 წელს მოპოვებული 5.5 მილიონი დოლარის საწყისი (seed) კაპიტალიდან დაახლოებით წელიწადნახევრის შემდეგ შედგა. ამ მოკლე პერიოდში ორწლიანმა სტარტაპმა მნიშვნელოვანი მასშტაბირება შეძლო. Converge-მა დაასრულა 40-ზე მეტი პროგრამა ათზე მეტ ფარმაცევტულ და ბიოტექნოლოგიურ კლიენტთან ერთად აშშ-ში, კანადაში, ევროპასა და ისრაელში, ამჟამად კი აზიის ბაზარზე ფართოვდება.

კომპანიის გუნდი ასევე სწრაფად გაიზარდა: 2024 წლის ნოემბერში კომპანიაში მხოლოდ 9 თანამშრომელი იყო, ახლა კი მათი რაოდენობა 34-მდეა გაზრდილი. გასაჯაროებული ქეისების მიხედვით, სტარტაპმა ერთ-ერთ პარტნიორს ცილის მოსავლიანობის 4-დან 4.5-ჯერ გაზრდაში დაეხმარა მხოლოდ ერთი გამოთვლითი იტერაციის შედეგად. სხვა შემთხვევაში, პლატფორმამ შექმნა ანტისხეულები უკიდურესად მაღალი შეკავშირების უნარით (binding affinity), რაც ნანომოლარულ დიაპაზონს აღწევს.

ინდუსტრიის ტრანსფორმაცია და გამოწვევები

AI-ზე დაფუძნებული მედიკამენტების აღმოჩენის მიმართ ინტერესი პიკს აღწევს. გასულ წელს Eli Lilly-მ Nvidia-სთან ითანამშრომლა ინდუსტრიაში ყველაზე მძლავრი სუპერკომპიუტერის შესაქმნელად. 2024 წლის ოქტომბერში კი Google DeepMind-ის AlphaFold პროექტის დეველოპერებმა ნობელის პრემია მიიღეს ქიმიის დარგში ცილის სტრუქტურების პროგნოზირებისთვის.

დოვ გერცის თქმით, ინდუსტრია „ცდისა და შეცდომის“ მეთოდიდან მონაცემებზე დაფუძნებულ მოლეკულურ დიზაინზე გადადის. მიუხედავად იმისა, რომ დიდი ენობრივი მოდელები (LLM) პოპულარულია, მათ აქვთ გამოწვევები, როგორიცაა „ჰალუცინაციები“ და სიზუსტის ნაკლებობა. ტექსტში შეცდომის პოვნა ადვილია, თუმცა მოლეკულების შემთხვევაში შეცდომის ფასი გაცილებით მაღალია, რადგან ვალიდაციას კვირები სჭირდება.

ამ რისკის შესამცირებლად Converge გენერაციულ მოდელებს პრედიქტულ მოდელებთან აწყვილებს. კომპანია არ ეყრდნობა მხოლოდ ტექსტურ მოდელებს; ბიოლოგიის ჭეშმარიტი გაგებისთვის მოდელები იწვრთნება დნმ-ზე, რნმ-ზე, ცილებსა და მცირე მოლეკულებზე. ტექსტური LLM-ები გამოიყენება მხოლოდ დამხმარე ინსტრუმენტებად ლიტერატურაში ნავიგაციისთვის.

Converge Bio-ს ხედვით, მომავალში ყველა სიცოცხლის შემსწავლელი მეცნიერების ორგანიზაცია გამოიყენებს მათ პლატფორმას, როგორც გენერაციულ AI ლაბორატორიას, რომელიც ტრადიციულ „სველ“ ლაბორატორიებთან (wet labs) ერთად იმუშავებს ახალი ჰიპოთეზებისა და მოლეკულების შესაქმნელად.