Щойно натрапив на щось цікаве у біотехнологічній сфері. Існує ця вузька місцина, яка вже давно стримує розвиток штучного інтелекту у відкритті ліків, і стартап із Стенфорда під назвою 10x Science зібрав 4,8 мільйона доларів, щоб її подолати.

Отже, справа в тому: моделі штучного інтелекту, такі як AlphaFold, тепер можуть генерувати тисячі потенційних кандидатів у ліки неймовірно швидко. Але що далі? Дослідники все ще повинні фізично тестувати кожен з них, щоб зрозуміти, як він справді поводиться. Це займає неймовірно багато часу. Це ніби AI може генерувати ідеї цілий день, але їхню валідацію — справжня перешкода.

Конкретний болючий пункт — дані мас-спектрометрії. Це золотий стандарт для аналізу молекул, але їх інтерпретація вимагає рідкісної експертизи і забирає величезну кількість часу в учених. Засновники — Девід Робертс, Ендрю Рейтер і Вішну Теджас — особисто стикнулися з цим розчаруванням у Стенфорді, працюючи над дослідженнями імунології раку.

Їхня платформа поєднує традиційні хімічні алгоритми з натренованими агентами штучного інтелекту, які здатні розумно інтерпретувати результати мас-спектрометрії. Що робить її унікальною — це можливість простежити логіку, що важливо для регуляторних вимог фармацевтичної галузі. Один із дослідників Rilas Technologies, який тестував платформу, сказав, що AI визначив, який білок аналізується, просто з імені файлу, а потім самостійно витягнув послідовність з онлайн-баз даних. Це той тип економії часу, що масштабується на всю дослідницьку операцію.

Фінансування отримано від Initialized Capital, Y Combinator та інших. Але справжнім підтвердженням є те, що вони вже співпрацюють з кількома великими фармацевтичними компаніями та академічними інституціями. Це не теорія — це вже використовується на практиці.

Що цікаво у бізнес-моделі — це чистий SaaS з регулярним доходом. Фармацевтичні компанії платять щомісяця за запуск кандидатів через платформу. Немає залежності від успіху окремої ліки. Це набагато кращий профіль ризику, ніж традиційна біотехнологія.

Засновники мають глибокий досвід як у біохімії, так і в штучному інтелекті, що є рідкісним поєднанням. Вони не просто вирішують одну вузьку проблему у відкритті ліків за допомогою AI — вони створюють те, що Робертс називає «молекулярним інтелектом», згодом інтегруючи дані про білки з іншою клітинною інформацією для більш повної картини.

Якщо це набуде поширення, це може суттєво прискорити терміни розробки ліків. Проблема між генерацією кандидатів AI і їхньою фактичною валідацією була справжнім вузьким місцем. Інструменти на кшталт цього можуть стати мостом, що зробить весь процес відкриття ліків за допомогою AI дійсно масштабованим.