Преодолевая разрыв: 10x Science привлекла 4,8 миллиона долларов для фильтрации кандидатов в лекарства, созданных ИИ

Фармацевтическая промышленность в настоящее время переживает ренессанс, движимый искусственным интеллектом (ИИ). Модели генеративного ИИ (Generative AI) теперь способны проектировать новые молекулы в беспрецедентных масштабах, обещая сократить сроки от лабораторных открытий до клинических испытаний. Однако этот прогресс породил новое препятствие: парадокс «качество важнее количества». Поскольку поток кандидатов в лекарства, созданных ИИ, продолжает расти, исследователи сталкиваются со сложной задачей: определить, какие из этих кандидатов действительно обладают потенциалом для клинического применения.

Как сообщает Creati.ai, компания 10x Science, развивающийся биотехнологический стартап, официально закрыла посевной раунд финансирования в размере 4,8 миллиона долларов, направленный непосредственно на решение этой проблемы. Сосредоточившись на тщательной оценке и скрининге молекул, предсказанных ИИ, 10x Science позиционирует себя как важнейший элемент в современном стеке разработки лекарств.

Проблема перепроизводства ИИ в биотехнологиях

В последние годы интеграция глубокого обучения в биологию изменила подход к разработке малых молекул. ИИ-платформы могут определять тысячи потенциальных кандидатов в лекарства за долю времени, которое раньше требовалось химикам-людям. Тем не менее, традиционная лабораторная проверка в «мокрых» условиях — процесс создания этих молекул и их тестирования в физической среде — остается дорогостоящим и трудоемким занятием.

Большинство моделей ИИ отлично справляются с генерацией высокоаффинных связующих веществ на бумаге, но им часто сложно предсказать метаболическую стабильность, биодоступность и профили токсичности этих соединений в живых организмах. Как отмечают инсайдеры отрасли, генеративный ИИ по сути «выдает» больше кандидатов, чем существующая инфраструктура способна реально протестировать. 10x Science стремится действовать как воронка, отфильтровывая этих кандидатов до того, как они достигнут чрезмерно затратных этапов разработки.

Стратегический фокус и рыночная стоимость

Вливание 4,8 миллиона долларов позволит 10x Science масштабировать свою проприетарную платформу, которая объединяет передовые методы моделирования с машинным обучением для ранжирования осуществимости кандидатов. Их подход направлен на снижение «уровня неудач», который в настоящее время преследует раннюю фазу открытий.

Основные направления деятельности 10x Science

• Прогнозная осуществимость: Оценка того, можно ли реалистично синтезировать молекулу.
• Профилирование безопасности: Выявление потенциальных токсикологических «красных флажков» на раннем этапе цифрового цикла.
• Интеграция с существующими процессами: Предоставление связующего программного решения для фармацевтических компаний, уже использующих высокопроизводительные инструменты поиска на базе ИИ.

В следующей таблице обобщены изменения в рабочем процессе разработки лекарств, ставшие возможными благодаря таким платформам, как 10x Science:

Этап рабочего процесса	Традиционный подход	Подход с использованием ИИ	Ценность 10x Science
Поиск кандидатов	Скрининг вручную/по базам	Генеративные модели ИИ	Фильтрация и приоритизация
Оценка осуществимости	Ручное лабораторное тестирование	Ограниченное цифровое прогнозирование	Высоконадежный прогнозный скрининг
Стоимость разработки	Чрезвычайно высокая стоимость неудач	Сокращение проб синтеза	Снижение затрат на R&D

Развитие экосистемы

Значимость раунда финансирования 10x Science выходит за рамки его немедленной оценки. Это сигнализирует о сдвиге в ландшафте венчурного капитала в секторе биотехнологий. Инвесторы все чаще отворачиваются от компаний, сосредоточенных исключительно на «движках для открытий», в сторону стартапов, решающих последующие проблемы — в частности, валидацию, синтез и клиническую трансляцию этих открытий.

Сужая поле деятельности, 10x Science позволяет фармацевтическим гигантам более стратегически распределять свои экспериментальные ресурсы. Вместо тестирования тысяч слабых кандидатов исследователи могут сосредоточиться на нескольких десятках тех, которые демонстрируют наибольшую статистическую вероятность успеха на основе специализированных моделей оценки 10x Science.

Будущее ИИ в фармацевтических исследованиях

Заглядывая в будущее, можно сказать, что интеграция ИИ в фармацевтические исследования, вероятно, превратится в многоуровневую архитектуру. Мы ожидаем появления специализированных фирм, сосредоточенных на различных частях жизненного цикла разработки лекарств:

1. Генерация: Фирмы, сосредоточенные на создании полностью новых химических структур с использованием крупномасштабных генеративных моделей.
2. Фильтрация и валидация: Компании, подобные 10x Science, которые применяют строгие физические и основанные на машинном обучении ограничения для приоритизации результатов.
3. Синтез: Автоматизированные роботизированные лаборатории, которые физически производят и тестируют отфильтрованных кандидатов в промышленных масштабах.

Для читателей Creati.ai вывод ясен: узким местом при разработке лекарств с помощью ИИ является уже не способность вообразить новые лекарства, а способность различить, какие из них стоят вложений. Благодаря недавнему посевному финансированию, 10x Science сделала решительный шаг к превращению потока потенциальных решений от ИИ в поток клинических реальностей. По мере того, как компания готовится к расширению своей команды и вычислительных мощностей, фармацевтическая отрасль будет пристально следить за тем, сможет ли их методология успешно снизить барьер для инноваций, спасающих жизни.