La inteligencia artificial se está moviendo rápidamente en el campo del descubrimiento de fármacos a medida que las empresas farmacéuticas y biotecnológicas buscan formas de reducir años de cronogramas de investigación y desarrollo y aumentar la probabilidad de éxito en medio de costos crecientes. Más de 200 nuevas empresas compiten actualmente para integrar la IA directamente en los flujos de trabajo de investigación, y el interés de los inversores está creciendo. Converge Bio es la última empresa en conseguir capital fresco y capitalizar el cambio a medida que la competencia se intensifica en el espacio del descubrimiento de fármacos impulsado por la IA.
La startup con sede en Boston y Tel Aviv, que utiliza IA generativa entrenada en datos moleculares para ayudar a las empresas farmacéuticas y de biotecnología a desarrollar medicamentos más rápido, ha recaudado una ronda Serie A de 25 millones de dólares con exceso de suscripción liderada por Bessemer Venture Partners. TLV Partners y Vintage Investment Partners también participaron en la ronda, con el apoyo adicional de ejecutivos no identificados de Meta, OpenAI y Wiz.
De hecho, Converge entrena modelos generativos basados en secuencias de ADN, ARN y proteínas y los incorpora en flujos de trabajo farmacéuticos y biotecnológicos para acelerar el desarrollo de fármacos.
«El ciclo de vida del desarrollo de fármacos tiene etapas definidas, desde la identificación y el descubrimiento del objetivo hasta la fabricación, los ensayos clínicos y más allá, y en cada etapa hay experimentos que podemos respaldar», dijo el director ejecutivo y cofundador de Converge Bio, Dov Gertz, en una entrevista exclusiva con TechCrunch. «Nuestra plataforma continúa expandiéndose a lo largo de estas etapas, ayudándonos a llevar nuevos medicamentos al mercado más rápido».
Hasta ahora, Converge ha implementado un sistema de atención al cliente. La startup ya ha implementado tres sistemas de inteligencia artificial separados. Uno para el diseño de anticuerpos, otro para la optimización del rendimiento de proteínas y otro para el descubrimiento de biomarcadores y objetivos.
«Tomemos como ejemplo nuestro sistema de diseño de anticuerpos. No es solo un modelo único; se compone de tres componentes integrados. Primero, un modelo generativo crea nuevos anticuerpos. Luego, un modelo predictivo filtra esos anticuerpos basándose en propiedades moleculares. Finalmente, un sistema de acoplamiento que utiliza un modelo físico simula las interacciones tridimensionales entre el anticuerpo y su objetivo», continuó Gertz. Según el director general, el valor reside en todo el sistema, no en un único modelo. «Nuestros clientes no tienen que montar los modelos ellos mismos; obtienen un sistema listo para usar que se conecta directamente a su flujo de trabajo».
La nueva financiación se produce aproximadamente un año y medio después de que la compañía recaudara una ronda inicial de 5,5 millones de dólares en 2024.
evento de crisis tecnológica
san francisco
|
13-15 de octubre de 2026
Desde entonces, la startup de dos años ha crecido rápidamente. Gertz dijo que Converge tiene 40 asociaciones con empresas farmacéuticas y de biotecnología y actualmente tiene alrededor de 40 programas ejecutándose en su plataforma. Trabajamos con clientes en EE. UU., Canadá, Europa, Israel y actualmente nos estamos expandiendo a Asia.
El equipo también creció rápidamente, pasando de solo nueve empleados a 34 en noviembre de 2024. En el camino, Converge comenzó a publicar estudios de casos. En un ejemplo, la startup ayudó a los socios a aumentar la producción de proteínas entre 4 y 4,5 veces en una sola iteración computacional. En otro ejemplo, la plataforma ha generado anticuerpos con afinidades de unión muy altas que alcanzan el rango nanomolar único, dijo Gertz.
Existe un interés creciente en el descubrimiento de fármacos utilizando IA. El año pasado, Eli Lilly se asoció con Nvidia para construir lo que la compañía llama la supercomputadora de descubrimiento de fármacos más poderosa de la industria farmacéutica. Y en octubre de 2024, los desarrolladores del proyecto AlphaFold de Google DeepMind recibieron el Premio Nobel de Química por desarrollar AlphaFold, un sistema de inteligencia artificial que puede predecir estructuras de proteínas.
Cuando se le preguntó sobre este impulso y cómo está dando forma al crecimiento de Converge Bio, Gertz dijo que la compañía está presenciando la mayor oportunidad financiera en la historia de las ciencias biológicas, con la industria alejándose de un enfoque de «prueba y error» hacia el diseño molecular basado en datos.
«Sentimos profundamente ese impulso, especialmente en la bandeja de entrada. Cuando fundamos la empresa hace un año y medio, había mucho escepticismo», dijo Gertz a TechCrunch. Ese escepticismo se ha disipado sorprendentemente rápido, añadió, gracias a historias de éxito de empresas como Converge y el mundo académico.
Los modelos de lenguaje a gran escala han llamado la atención en el campo del descubrimiento de fármacos debido a su capacidad para analizar secuencias biológicas y sugerir nuevas moléculas, pero persisten desafíos como las alucinaciones y la precisión. «Con los mensajes de texto, las alucinaciones suelen ser fáciles de detectar», afirmó el director general. «En el caso de las moléculas, la validación de un nuevo compuesto puede llevar semanas, por lo que los costes son mucho más elevados». Para abordar esto, Converge combina modelos generativos y predictivos para filtrar nuevas moléculas para reducir el riesgo y mejorar los resultados para los socios. «Si bien esta filtración no es perfecta, reduce significativamente el riesgo y proporciona mejores resultados para nuestros clientes», añadió Gertz.
TechCrunch también preguntó sobre expertos como Yann LeCun que se muestran escépticos sobre el uso de LLM. «Soy un gran admirador de Yann LeCun y estoy completamente de acuerdo con él. No confiamos en modelos basados en texto para nuestra comprensión científica básica. Para comprender verdaderamente la biología, necesitamos entrenar modelos sobre ADN, ARN, proteínas y moléculas pequeñas», explicó Gertz.
Los LLM basados en texto se utilizan únicamente como herramienta de soporte, por ejemplo, para ayudar a los clientes a navegar por la literatura sobre moléculas generadas. «Esas no son nuestras tecnologías centrales», dijo Gertz. «No estamos atados a una única arquitectura; utilizamos LLM, modelos de difusión, aprendizaje automático tradicional y técnicas estadísticas según corresponda».
«Nuestra visión es que todas las organizaciones de ciencias biológicas utilicen Converge Bio como un laboratorio de IA generativa. Siempre habrá laboratorios húmedos, pero se combinarán con laboratorios generativos que crean hipótesis y moléculas computacionalmente. Queremos ser ese laboratorio generativo para toda la industria», dijo Gertz.
Source link
