隨着製藥與生物技術企業尋求縮短研發周期、提升研發成功率的方法，以應對持續攀升的研發成本，人工智能正迅速切入藥物研發領域。目前已有超 200 家初創企業競相將人工智能技術深度整合至研發流程，吸引了投資者的關注度不斷提升。在人工智能驅動的藥物研發賽道競爭日趨白熱化的當下，匯聚生物（Converge Bio）成為了這一浪潮中的最新入局者，成功斬獲新一輪孖展。
這家總部位於美國波士頓和以色列特拉維夫的初創企業，憑藉基於分子數據訓練的生成式人工智能技術，助力製藥和生物技術公司加速藥物研發進程。此次該公司完成了一筆超額認購的 2500 萬美元 A 輪孖展，領投方為貝瑟默風險投資公司，TLV 資本和經典投資夥伴公司參與跟投，同時還有來自元宇宙、OpenAI和威茲公司的匿名高管提供了額外投資。
在實際應用中，匯聚生物會基於脫氧核糖核酸（DNA）、核糖核酸（RNA）和蛋白質序列訓練生成式模型，隨後將這些模型接入製藥與生物技術企業的研發流程，從而加快藥物開發速度。
匯聚生物首席執行官兼聯合創始人多夫・格茨在接受《科技創業》獨家採訪時表示：「藥物研發周期有着明確的階段劃分 —— 從靶點識別與發現，到生產製造、臨床試驗等環節，而我們的技術能夠為每個階段的相關實驗提供支持。我們的平台正持續覆蓋這些研發環節，助力新藥更快走向市場。」
截至目前，匯聚生物已推出面向客戶的應用系統，具體包括三款獨立的人工智能系統，分別用於抗體設計、蛋白質產量優化以及生物標誌物與藥物靶點發現。
格茨進一步介紹道：「以我們的抗體設計系統為例，它並非單一模型，而是由三個相互關聯的組件構成。首先，生成式模型負責創造全新抗體；其次，預測模型會根據抗體的分子特性進行篩選；最後，基於物理模型的分子對接系統，能夠模擬抗體與其作用靶點之間的三維相互作用。」 他強調，該系統的核心價值在於整體協同運作，而非依賴某一個單獨模型。「客戶無需自行整合各類模型，直接就能獲得可接入自身研發流程的即用型系統。」
此次孖展距離該公司 2024 年完成 550 萬美元種子輪孖展，時隔約一年半時間。
格茨透露，這家成立僅兩年的初創企業已實現快速擴張。目前，匯聚生物已與 40 家制藥及生物技術公司建立合作關係，平台上同時運行着約 40 個研發項目。其業務覆蓋美國、加拿大、歐洲及以色列市場，並且正着手開拓亞洲市場。
公司團隊規模也實現了快速增長，從 2024 年 11 月的 9 人擴充至如今的 34 人。在此期間，匯聚生物還發布了多份公開案例研究。格茨指出，其中一個案例顯示，該公司幫助合作伙伴在單次計算迭代中，將蛋白質產量提升了 3 至 3.5 倍；在另一個案例中，其平台生成的抗體具有極高的結合親和力，達到了納摩爾級別。
人工智能驅動的藥物研發領域正迎來投資熱潮。去年，禮來製藥與英偉達達成合作，共同打造了製藥行業號稱算力最強的藥物研發超級計算機；2024 年 10 月，谷歌深度思維旗下 AlphaFold 項目的研發團隊，憑藉這款能夠預測蛋白質結構的人工智能系統，斬獲諾貝爾化學獎。
當被問及行業發展勢頭對匯聚生物增長的影響時，格茨表示，生命科學領域正迎來有史以來最大的商業機遇，行業正從傳統的 「試錯法」 研發模式，向數據驅動的分子設計模式轉型。
格茨向《科技創業》透露：「我們深切感受到了這股發展熱潮，從公司的收件箱就能直觀體現。一年半前公司成立時，行業內還存在諸多質疑。」 他補充道，得益於匯聚生物等企業以及學術界發布的成功案例，這些質疑已迅速消散。
大型語言模型憑藉其分析生物序列、設計新型分子的能力，在藥物研發領域備受矚目，但該技術仍面臨幻覺效應、精準度不足等挑戰。格茨表示：「在文本領域，幻覺問題通常容易識別；但在分子研發領域，驗證一種新型化合物可能需要數周時間，因此試錯成本要高得多。」 為解決這一問題，匯聚生物採用生成式模型與預測模型相結合的策略，通過篩選新型分子來降低研發風險，提升合作伙伴的研發效率。「這種篩選機制雖非盡善盡美，但能顯著降低風險，為客戶帶來更優的研發成果。」
《科技創業》還問及了格茨對於楊立昆等仍對大型語言模型應用持懷疑態度的專家的看法。格茨解釋道：「我是楊立昆的忠實擁護者，並且完全認同他的觀點。我們不會依賴基於文本的模型來實現核心的科學認知。要真正理解生物學機制，模型必須基於 DNA、RNA、蛋白質和小分子數據進行訓練。」
他進一步說明，基於文本的大型語言模型在公司技術體系中僅作為輔助工具，例如幫助客戶檢索與生成分子相關的文獻資料。「這類模型並非我們的核心技術。我們不會侷限於單一技術架構，而是會根據實際需求，靈活運用大型語言模型、擴散模型、傳統機器學習以及統計學方法。」
格茨闡述公司願景時表示：「我們希望成為所有生命科學機構的生成式人工智能研發實驗室。實體溼實驗室未來仍會存在，但會與通過計算手段生成假說和分子的生成式實驗室協同運作，而我們立志成為整個行業的生成式實驗室。」
責任編輯：郭明煜