Только что наткнулся на что-то интересное в области биотехнологий. Есть эта узкая часть, которая уже давно тормозит разработку лекарств с помощью ИИ, и стартап из Стэнфорда под названием 10x Science только что привлек 4,8 миллиона долларов, чтобы решить эту проблему.

Итак, вот в чем дело: модели ИИ, такие как AlphaFold, теперь могут за очень короткое время генерировать тысячи потенциальных кандидатов на лекарства. Но что дальше? Исследователи всё равно должны физически протестировать каждый из них, чтобы понять, как он действительно ведет себя. Этот этап занимает вечность. Кажется, что ИИ может генерировать идеи целый день, а их проверка — это настоящая стена.

Конкретная проблема — данные масс-спектрометрии. Это золотой стандарт для анализа молекул, но интерпретировать их требует редкой экспертизы и занимает огромное количество времени ученых. Основатели — Дэвид Робертс, Эндрю Рейтер и Вишну Теджас — столкнулись с этим разочарованием лично в Стэнфорде, работая над исследованиями в области иммунологии рака.

Их платформа сочетает традиционные алгоритмы химии с обученными агентами ИИ, которые могут действительно интерпретировать результаты масс-спектрометрии умно. Что делает ее особенной — это то, что логика выводов прослеживаема, что важно для регуляторных требований фармацевтики. Один из ученых из Rilas Technologies, протестировавший платформу, сказал, что ИИ определил, какой белок он анализирует, просто по имени файла, а затем автономно извлек последовательность из онлайн-баз данных. Это тот тип экономии времени, который увеличивает эффективность всей исследовательской операции.

Финансирование поступило от Initialized Capital, Y Combinator и других. Но настоящая проверка — в том, что они уже работают с несколькими крупными фармацевтическими компаниями и академическими институтами. Это не теория — это уже используется на практике.

Что умно в бизнес-модели — это чистый SaaS с постоянным доходом. Фармацевтические компании платят ежемесячно за запуск кандидатов через платформу. Нет зависимости от успеха какого-либо одного лекарства. Это гораздо лучший профиль риска по сравнению с традиционной биотехнологией.

Основатели обладают глубокими знаниями как в биохимии, так и в ИИ, что является редким сочетанием. Они не просто решают одну узкую проблему в разработке лекарств с помощью ИИ — они создают то, что Робертс называет «молекулярным интеллектом», со временем интегрируя данные о белках с другой клеточной информацией для более полной картины.

Если это приживется, оно может значительно ускорить сроки разработки лекарств. Разрыв между генерацией кандидатов ИИ и их фактической проверкой был настоящим узким местом. Инструменты вроде этого могут стать мостом, который сделает всю цепочку разработки лекарств с помощью ИИ действительно масштабируемой.