La inteligencia synthetic se está moviendo rápidamente hacia el descubrimiento de fármacos a medida que las empresas farmacéuticas y biotecnológicas buscan maneras de reducir años de tiempo de investigación y desarrollo y aumentar las posibilidades de éxito en medio de costos crecientes. Más de 200 startups Ahora compiten para integrar la IA directamente en los flujos de trabajo de investigación, atrayendo un interés creciente de los inversores. Biografía convergente es la última empresa en emprender ese cambio, asegurando nuevo capital a medida que aumenta la competencia en el espacio del descubrimiento de fármacos impulsado por IA.
La startup con sede en Boston y Tel Aviv, que ayuda a las empresas farmacéuticas y biotecnológicas a desarrollar medicamentos más rápidamente utilizando IA generativa entrenada en datos moleculares, ha recaudado una ronda Serie A con exceso de suscripción de 25 millones de dólares, liderada por Bessemer Enterprise Companions. TLV Companions y Classic Funding Companions también se unieron a la ronda, junto con el respaldo adicional de ejecutivos no identificados de Meta, OpenAI y Wiz.
En la práctica, Converge entrena modelos generativos en secuencias de ADN, ARN y proteínas y luego los conecta a los flujos de trabajo de la industria farmacéutica y biotecnológica 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, y dentro de cada una, 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, ayudando a llevar nuevos medicamentos al mercado más rápido”.
Hasta ahora, Converge ha implementado sistemas de atención al cliente. La startup ya ha introducido tres sistemas de IA discretos: 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, los modelos predictivos filtran esos anticuerpos en función de sus propiedades moleculares. Finalmente, un sistema de acoplamiento, que utiliza un modelo basado en la física, simula las interacciones tridimensionales entre el anticuerpo y su objetivo”, continuó Gertz. Según el CEO, el valor reside en el sistema en su conjunto, no en un solo modelo. “Nuestros clientes no tienen que armar los modelos ellos mismos. Obtienen sistemas listos para usar que se conectan directamente a sus flujos 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 tecnológico
san francisco
|
13-15 de octubre de 2026
Desde entonces, la startup de dos años ha crecido rápidamente. Converge ha firmado 40 asociaciones con empresas farmacéuticas y de biotecnología y actualmente ejecuta alrededor de 40 programas en su plataforma, dijo Gertz.. Trabaja con clientes en EE. UU., Canadá, Europa e Israel y ahora se está expandiendo a Asia.
El equipo también ha crecido rápidamente, aumentando de solo nueve empleados a 34 en noviembre de 2024. En el camino, Converge ha comenzado a publicar estudios de casos públicos. En uno, la startup ayudó a un socio a aumentar el rendimiento de proteínas entre 4 y 4,5 veces en una sola iteración computacional. En otro, la plataforma generó anticuerpos con una afinidad de unión extremadamente alta, alcanzando el rango de un solo nanomolar, anotó Gertz.
El descubrimiento de fármacos impulsado por la IA está experimentando un gran interés. El año pasadoEli Lilly se asoció con Nvidia para construir lo que las empresas llamaron la supercomputadora más poderosa de la industria farmacéutica para el descubrimiento de fármacos. Y en octubre de 2024, los desarrolladores detrás El proyecto AlphaFold de Google DeepMind ganó el Premio Nobel en Química por crear AlphaFold, el sistema de inteligencia synthetic que puede predecir estructuras de proteínas.
Cuando se le preguntó sobre el impulso y cómo está dando forma al crecimiento de Converge Bio, Gertz dijo que la compañía está siendo testigo de la mayor oportunidad financiera en la historia de las ciencias biológicas y que la industria está pasando de enfoques de “prueba y error” a un diseño molecular basado en datos.
“Sentimos profundamente el impulso, especialmente en nuestras bandejas de entrada. Hace un año y medio, cuando fundamos la empresa, había mucho escepticismo”, dijo Gertz a TechCrunch. Ese escepticismo ha desaparecido notablemente rápido, gracias a estudios de casos exitosos de empresas como Converge y del mundo académico, añadió.
Los grandes modelos de lenguaje están ganando atención en el descubrimiento de fármacos por su capacidad para analizar secuencias biológicas y sugerir nuevas moléculas, pero persisten desafíos como las alucinaciones y la precisión. “En el texto, las alucinaciones suelen ser fáciles de detectar”, dijo el director ejecutivo. “En el caso de las moléculas, validar un nuevo compuesto puede llevar semanas, por lo que el coste es mucho mayor”. Para abordar esto, Converge combina modelos generativos con modelos predictivos, filtrando nuevas moléculas para reducir el riesgo y mejorar los resultados para sus socios. “Esta filtración no es perfecta, pero cut back significativamente el riesgo y ofrece mejores resultados para nuestros clientes”, añadió Gertz.
TechCrunch también preguntó sobre expertos como Yann LeCun, que permanecen escéptico 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 la comprensión científica básica. Para comprender verdaderamente la biología, los modelos deben estar entrenados en ADN, ARN, proteínas y moléculas pequeñas”, explicó Gertz.
Los LLM basados en texto se utilizan únicamente como herramientas de apoyo, por ejemplo, para ayudar a los clientes a navegar por la literatura sobre moléculas generadas. “No son nuestra tecnología central”, dijo Gertz. “No estamos atados a una sola arquitectura. Usamos LLM, modelos de difusión, aprendizaje automático tradicional y métodos estadísticos cuando tiene sentido”.
“Nuestra visión es que todas las organizaciones de ciencias biológicas utilicen Converge Bio como su laboratorio de IA generativa. Los laboratorios húmedos siempre existirán, pero se combinarán con laboratorios generativos que crean hipótesis y moléculas computacionalmente. Queremos ser ese laboratorio generativo para toda la industria”, dijo Gertz.
