人工智能正加速渗透药物发现领域，制药和生物技术企业在研发成本持续攀升的背景下，寻求通过技术手段缩短研发周期并提高成功率。在这一趋势下，专注于AI驱动药物发现的初创公司Converge Bio宣布获得新一轮资本支持。

完成2500万美元A轮融资

Converge Bio近日完成2500万美元A轮融资，融资规模为超额认购。本轮由Bessemer风险投资领投，TLV Partners、Saras Capital和Vintage Investment Partners参投。此外，还有来自Meta、OpenAI和Wiz的未具名高管参与投资。

这笔融资距离公司在2024年完成550万美元种子轮融资约一年半时间。

Converge Bio总部设在波士顿和特拉维夫，成立约两年，致力于将生成式AI直接嵌入制药和生物技术企业的研发流程中。

基于分子数据的生成式AI平台

Converge Bio通过在DNA、RNA和蛋白质序列等分子数据上训练生成模型，并将这些模型整合进药物研发各个环节，旨在加快新药开发进程。

公司首席执行官兼联合创始人Dov Gertz在接受TechCrunch采访时表示，药物开发生命周期从靶点识别与发现，到生产制造、临床试验及后续阶段，每一阶段都存在可由其平台支持的实验场景。他称，公司正在将平台能力扩展至这些不同阶段，以帮助合作伙伴更快推进候选药物。

目前，Converge Bio已推出面向客户的系统，形成了三套独立的AI系统：

• 一套用于抗体设计；
• 一套用于蛋白质产量优化；
• 一套用于生物标志物和靶点发现。

以抗体设计系统为例，Gertz介绍称，该系统由三个集成组件构成：首先由生成模型产生新型抗体分子；随后通过预测模型依据分子特性进行筛选；最后利用基于物理模型的对接系统，模拟抗体与靶点之间的三维相互作用。他强调，系统的价值在于整体集成，而非单一模型，客户获得的是可直接嵌入现有研发流程的“即用型系统”，无需自行拼接不同模型。

业务进展与应用案例

Gertz表示，Converge Bio目前已与十多家制药和生物技术客户合作，完成了40多个项目，客户分布在美国、加拿大、欧洲和以色列，公司正在向亚洲市场拓展。

团队规模也在快速扩张，从2024年11月的9人增至34人。与此同时，公司开始对外发布部分案例研究。

在一项案例中，Converge Bio的平台据称帮助合作伙伴在一次计算迭代中将蛋白质产量提升了4至4.5倍；在另一项案例中，平台生成的抗体表现出单纳摩尔级别的高结合亲和力。Gertz在采访中提及了上述结果。

行业背景与技术路径选择

AI驱动的药物发现近年来受到资本和产业界的高度关注。报道提到，礼来曾与英伟达合作打造药物发现超级计算机；2024年10月，谷歌DeepMind的AlphaFold项目开发者因创建可预测蛋白质结构的AI系统AlphaFold而获得诺贝尔化学奖。

在谈及这一行业势头及其对公司业务的影响时，Gertz表示，行业正从“试错”模式向数据驱动的分子设计转变，公司在客户需求和合作机会方面感受到明显变化。他称，公司创立之初外界存在较多质疑，但随着Converge Bio及学术界相关成果的出现，这些质疑正在减弱。

针对大型语言模型在生物医药领域的应用，Gertz指出，大型语言模型能够分析生物序列并提出新分子建议，但在幻觉和准确性方面仍存在挑战。他表示，文本中的幻觉通常较易识别，而在分子层面验证新化合物则可能需要数周时间且成本较高。

为降低这一风险，Converge Bio将生成模型与预测模型配对使用，对新分子进行筛选，以减少不可靠候选分子进入后续实验阶段。Gertz称，这一筛选过程并不完美，但在降低风险和改善客户结果方面发挥了作用。

对于部分专家（如Yann LeCun）对大型语言模型在科学理解方面的质疑，Gertz在采访中表示，他赞同相关观点，公司不会依赖基于文本的大型语言模型来进行核心科学理解。在他看来，要真正理解生物学，模型需要在DNA、RNA、蛋白质和小分子等数据上进行训练。

他补充说，基于文本的大型语言模型在Converge Bio的平台中主要作为辅助工具，例如帮助客户查阅与生成分子相关的文献，而非平台的核心技术。公司在模型架构上采取多元策略，在合适场景下会使用大型语言模型、扩散模型、传统机器学习以及统计方法。

公司定位与长期目标

Gertz表示，Converge Bio的愿景是成为生命科学组织的“生成式AI实验室”基础设施。他认为，传统湿实验室仍将长期存在，但会与“生成实验室”并行运作，后者通过计算方式提出假设并生成分子。Converge Bio希望在这一“生成实验室”角色上为整个行业提供服务。

（注：原文报道后续更新补充了公司客户数量信息。）