KI erreicht jeden Winkel der Biotechnologie- und Pharmaforschung, aber wie in anderen Branchen ist sie nie so einfach zu implementieren, wie wir es gerne hätten. Biografie konvergieren hat ein Tool für Unternehmen entwickelt, mit dem sie ihre auf Biologie ausgerichteten LLMs tatsächlich zum Laufen bringen können, von der „Anreicherung“ Ihrer Daten bis zur Erklärung Ihrer Antworten. Das Unternehmen sammelte in einer Seed-Runde 5,5 Millionen US-Dollar, um sein Produkt zu skalieren.
„Ein Model ist nur ein Model. Das reicht nicht aus“, sagte CEO und Mitbegründer Dov Gertz. „Es ist notwendig, eine Pipeline zu schaffen, damit Unternehmen das Modell tatsächlich in ihren eigenen F&E-Prozessen nutzen können. Der Markt ist sehr fragmentiert, aber der Pharma- und Biotechnologiesektor möchte diese Technologie konsolidiert an einem Ort nutzen. Wir wollen dieser Ort sein.“
Wenn Sie kein Ingenieur für maschinelles Lernen sind, der an der Wirkstoffforschung arbeitet, ist dies möglicherweise kein bekanntes Problem für Sie. Aber im Grunde gibt es da draußen leistungsstarke Grundmodelle, großartige Sprachmodelle, die nicht auf Büchern und dem Internet basieren, sondern auf riesigen Datenbanken mit DNA, Proteinstrukturen und Genomik.
Dies sind leistungsstarke und vielseitige Modelle, aber genau wie die LLMs, die in Produkten wie ChatGPT und Cursor verwendet werden, erfordern sie viel Arbeit, um zu einem Format zu gelangen, das Menschen tatsächlich in ihrem Alltag verwenden können. Besonders schwierig ist diese Arbeit in Spezialgebieten wie der Mikrobiologie oder der Immunologie. Es ist kein triviales Problem, ein „rohes“, auf Milliarden von Proteinsequenzen trainiertes LLM zu etwas zu machen, das ein Labortechniker im Rahmen seiner normalen Forschung verwenden kann.
Als Beispiel schlug Gertz die Antikörperforschung vor. Es gibt einen LLM, der in spezifischer Antikörperbiologie ausgebildet ist, dieser ist jedoch sehr allgemein gehalten. Converge Bio bietet eine Reihe von Verbesserungen, die sicher und unter Verwendung der unternehmenseigenen IP durchgeführt werden können.
Die erste ist die „Datenanreicherung“, bei der das LLM von Antikörpern um wichtige verwandte Daten wie Antigen-Antikörper- und Protein-Protein-Wechselwirkungen erweitert wird. Anschließend kann es mit spezifischerem Wissen auf das spezifische Antigen abgestimmt werden, auf das das Team abzielen möchte und für das es möglicherweise proprietäre Daten hat.
„Jetzt haben wir eine Anwendung: Die Eingabe ist eine Sequenz, die Ausgabe ist eine Bindungsaffinität“, sagte Gertz. Dann bietet die Plattform eine weitere wichtige Ebene: Erklärbarkeit. Forscher können das Ergebnis genauer untersuchen, um nicht nur herauszufinden, dass „diese Sequenz besser funktioniert als diese“, sondern auch auf Aminosäure- oder Basenpaarebene genau zu bestimmen, welcher Teil der Sequenz zu sein scheint tun Funktioniert besser.
Schließlich werden neue Sequenzen generiert, die bessere Ergebnisse liefern, auch mit Erklärbarkeit. Gertz wies darauf hin, dass die Erklärbarkeit sie mit ihrer Beliebtheit bei den Kunden überrascht hat – sie macht Sinn, da sie es Experten ermöglicht, ihr Fachwissen (z. B. Proteininteraktionen) auf diesen neueren, unbekannteren Bereich der Bioinformatik und des maschinellen Lernens anzuwenden.
Converge nutzt viele vorhandene Open-Source- und kostenlose Basismodelle, arbeitet aber auch an der Entwicklung eigener Modelle. Für den Erklärbarkeitsteil gebe es bereits einen proprietären Prozess, sagte Gertz. Und auch der „Lebenslauf“ der Datenanreicherung liegt ganz bei ihnen – es ist kein trivialer Prozess. Er betonte, dass Trainingsmethoden eines der wenigen gut gehüteten Geheimnisse der erfolgreichsten KI-Unternehmen seien.
Dies ist Teil des Wassergrabens, den sie zusammen mit der Tatsache bauen wollen. Wie Gertz sagte: „Das ist wahrscheinlich die größte Chance in der Biotechnologie seit fünf Jahrzehnten.“
Viele, vielleicht sogar die meisten Biotech-Unternehmen verfügen jedoch nicht über eine dedizierte Lösung für die Durchführung LLM-bezogener Arbeiten in ihrem Bereich und suchen aktiv nach Nischen, für die allgemeine Lösungen nicht gelten.
„Die Idee besteht darin, die Quelle für alles für genAI in der Biotechnologie zu sein und dies dann als Vorteil zu nutzen, um im Laufe der Zeit mehr anzubieten“, sagte Gertz. „Das Verhalten in der Pharma- und Biologikabranche ist, dass sie, sobald sie Verbindungen zu einem Lieferanten haben, dem sie vertrauen, diese für andere Anwendungsfälle nutzen möchten, sei es für die Entwicklung von Antikörpern oder Impfstoffen. Deshalb denke ich, dass diese Positionierung derzeit die beste auf dem Markt ist.“
Die Investoren scheinen dem zuzustimmen und investieren 5,5 Millionen US-Dollar in eine von TLV-Partnern geleitete Seed-Runde.
Das Unternehmen wird das Geld verwenden, um Kunden anzuwerben und zu gewinnen, wie es Startups in dieser Phase häufig tun, aber es wird auch eine wissenschaftliche Arbeit zum Antikörperdesign veröffentlichen (natürlich unter Verwendung seiner eigenen Systeme) und „ein geeignetes Basismodell“ trainieren. ”
