MI, DNS és fehérjék: a gyógyszerfejlesztés új motorja
A Converge Bio platform generatív MI-modelleket alkalmaz, amelyek DNS-, RNS- és fehérjeszekvenciákból dolgoznak. Ezeket illeszti a gyógyszer- és biotechnológiai cégek fejlesztési folyamataiba, hogy felgyorsítsa a gyógyszerek piacra kerülését. A gyógyszerfejlesztés szigorúan szakaszokra bontott folyamat; a Converge Bio aktívan bővíti rendszerét minden egyes lépéshez, például célpont-azonosításhoz, felfedezéshez, gyártáshoz, klinikai vizsgálatokhoz.
Eddig három különálló MI-rendszer került piacra: egy antitesttervező, egy fehérjetermelés-optimalizáló és egy biomarker- és célpontfelfedező rendszer. Például az antitesttervező rendszer három fő részből épül fel: először egy generatív modell új antitesteket tervez, majd egy prediktív modell kiválogatja a legígéretesebb variánsokat, végül egy fizikai alapú modellezőrendszer megjósolja, hogyan kapcsolódnak ezek az antitestek célpontjaikhoz. A megoldás azonban közelebb van, mint bárki hinné – a felhasználók kész rendszereket kapnak, amelyeket csak be kell illeszteniük a saját folyamataikba.
Duplázódó fehérjetermelés és terjeszkedés Ázsiába
A céget két éve alapították, azóta rohamosan nő. Már több mint 40 programot vitt végig több mint 12 partnerrel az USA-ban, Kanadában, Európában, Izraelben és már Ázsiában is. Egy év alatt a csapat létszáma 9-ről 34 főre ugrott. Emellett néhány ügyfélesetet is publikált: volt, ahol az MI-megoldás egyetlen iterációval négyszeresére növelte a fehérjetermelést, más esetben az antitestek nagyfokú kötőképességet értek el.
Forradalom a gyógyszerkutatásban: gépi adatvezérelt tervezés
A gyógyszerkutatást most a világ legnagyobb pénzügyi lehetőségének tartják az élettudományok területén. Az iparág egyre inkább elfordul a próbálkozás-alapú munkamódszerektől az adatvezérelt molekulatervezés felé. Ráadásul már olyan gigászok is beszálltak, mint az Eli Lilly és az Nvidia, akik közösen építik a világ legerősebb gyógyszerkutató szuperszámítógépét.
Ki gondolta volna, hogy a generatív MI-modellek ekkora áttörést hoznak? A molekulák elemzése azonban nem egyszerű szövegalapú MI-feladat: egy-egy hibás molekula validálása hetekig is eltarthat, így jóval költségesebb, mint egy téves szövegkimenet kijavítása. Ezért a Converge minden generatív modellt előrejelző szűrőkkel egészít ki, minimalizálva a kockázatot, így az ügyfelek jelentős időt és pénzt takarítanak meg.
Nemcsak LLM-ek: komplett generatív labor minden kutatónak
Emellett a vállalat csak segédeszközként használ nagy nyelvi modelleket – például szakirodalom felkutatására –, míg az érdemi kutatómunkához DNS-, RNS- és fehérjeadathalmazokon tanított saját modelleket fejleszt. Nem egyetlen technológiai megközelítésre épít: használ LLM-et, diffúziós modelleket, hagyományos gépi tanulást és statisztikai módszereket is.
A vízió sem szerény: minden élettudományi szervezet MI-alapú laborjaként kívánják segíteni a kutatást, ahol a kísérleti laborokat generatív, számítógépes hipotézis- és molekulatervező laborok egészítik ki.
