Converge Bio融資2500萬美元，Bessemer及Meta、OpenAI、Wiz高管參投

人工智能正迅速滲透至藥物發現領域，製藥和生物技術公司希望通過AI縮短研發週期、提高成功率並降低成本。目前已有超過200家初創公司競爭將AI融入研究工作流程，吸引了大量投資者關注。Converge Bio正是這一趨勢中的最新受益者。

這家總部位於波士頓和特拉維夫的初創公司，利用生成式AI分析分子數據，幫助藥企和生物技術公司加速藥物開發。該公司宣佈完成2500萬美元的A輪融資，由Bessemer Venture Partners領投，TLV Partners、Saras Capital、Vintage Investment Partners以及來自Meta、OpenAI和Wiz的高管（具體姓名未披露）參與跟投。此前公司在2024年完成了550萬美元的種子輪融資。

Converge Bio的CEO兼聯合創始人Dov Gertz在接受TechCrunch採訪時介紹，公司將生成模型訓練於DNA、RNA和蛋白質序列上，然後嵌入藥企和生物技術公司的工作流程，以加速藥物開發。“藥物開發生命週期有明確的階段——從靶點識別、發現到製造、臨牀試驗等——在每個階段，我們都可以支持相關實驗。”Gertz表示，“我們的平台不斷擴展，幫助更快地將新藥推向市場。”

目前Converge Bio已推出三套面向客户的AI系統：分別用於抗體設計、蛋白質產量優化以及生物標誌物和靶點發現。以抗體設計系統為例，它並非單一模型，而是由三個集成組件構成：首先生成模型創造新型抗體，接着預測模型根據分子特性篩選抗體，最後對接系統通過基於物理的模型模擬抗體與靶點之間的三維相互作用。Gertz強調，價值在於整個系統而非單個模型，“客户無需自行拼裝模型，他們獲得的是可直接接入工作流程的即用型系統。”

成立僅兩年的公司發展迅速。Gertz透露，Converge Bio已與超過12家制藥和生物技術客户完成了40多個項目，客户遍佈美國、加拿大、歐洲和以色列，目前正拓展至亞洲。團隊規模也從2024年11月的9人增至34人。公司已開始發佈公開案例研究：在一個案例中，他們幫助合作伙伴在一輪計算迭代中將蛋白質產量提高了4至4.5倍；另一個案例中，平台生成了具有極高結合親和力的抗體，達到了納摩爾級別。

AI驅動的藥物發現領域正迎來興趣激增。去年，禮來公司與英偉達合作建設了製藥行業最強大的超級計算機用於藥物發現；2024年10月，Google DeepMind的AlphaFold項目開發者因創建能預測蛋白質結構的AI系統而獲得諾貝爾化學獎。當被問及這一趨勢對Converge Bio的影響時，Gertz表示，公司正目睹生命科學領域最大的財務機遇，行業正從“試錯”方法轉向數據驅動的分子設計。“我們深切感受到這股勢頭，尤其是在我們的郵箱裏。一年半前公司剛成立時，存在很多懷疑，”Gertz説，“但得益於我們和學術界成功的案例研究，這種懷疑迅速消失。”

大型語言模型在藥物發現領域因其分析生物序列和提出新分子的能力而受到關注，但幻覺和準確性問題依然存在。“在文本中，幻覺通常容易發現，”CEO説，“而在分子層面，驗證一種新化合物可能需要數週，因此成本高得多。”為解決這一問題，Converge將生成模型與預測模型配對，篩選新分子以降低風險並改善合作伙伴的結果。“這種篩選並非完美，但能顯著降低風險，為客户帶來更好結果。”

對於Yann LeCun等人對LLM的懷疑，Gertz表示認同：“我們並不依賴基於文本的模型來進行核心科學理解。要真正理解生物學，模型需要在DNA、RNA、蛋白質和小分子上進行訓練。”文本型LLM僅作為輔助工具使用，例如幫助客户查閲關於生成分子的文獻。“它們不是我們的核心技術，”Gertz説，“我們不侷限於單一架構。我們根據情況使用LLM、擴散模型、傳統機器學習和統計方法。”

Converge Bio的願景是讓每個生命科學組織都將其用作生成式AI實驗室。“濕實驗室將始終存在，但它們將與生成式實驗室配對，後者從計算角度創建假設和分子。我們希望成為整個行業的那個生成式實驗室。”