汇聚生物融资2500万美元，投资方包括贝瑟默风投及元宇宙、OpenAI、威兹公司高管

来源：环球市场播报

　　随着制药与生物技术企业寻求缩短研发周期、提升研发成功率的方法，以应对持续攀升的研发成本，人工智能正迅速切入药物研发领域。目前已有超 200 家初创企业竞相将人工智能技术深度整合至研发流程，吸引了投资者的关注度不断提升。在人工智能驱动的药物研发赛道竞争日趋白热化的当下，汇聚生物（Converge Bio）成为了这一浪潮中的最新入局者，成功斩获新一轮融资。

　　这家总部位于美国波士顿和以色列特拉维夫的初创企业，凭借基于分子数据训练的生成式人工智能技术，助力制药和生物技术公司加速药物研发进程。此次该公司完成了一笔超额认购的 2500 万美元 A 轮融资，领投方为贝瑟默风险投资公司，TLV 资本和经典投资伙伴公司参与跟投，同时还有来自元宇宙、OpenAI和威兹公司的匿名高管提供了额外投资。

　　在实际应用中，汇聚生物会基于脱氧核糖核酸（DNA）、核糖核酸（RNA）和蛋白质序列训练生成式模型，随后将这些模型接入制药与生物技术企业的研发流程，从而加快药物开发速度。

　　汇聚生物首席执行官兼联合创始人多夫・格茨在接受《科技创业》独家采访时表示：“药物研发周期有着明确的阶段划分 —— 从靶点识别与发现，到生产制造、临床试验等环节，而我们的技术能够为每个阶段的相关实验提供支持。我们的平台正持续覆盖这些研发环节，助力新药更快走向市场。”

　　截至目前，汇聚生物已推出面向客户的应用系统，具体包括三款独立的人工智能系统，分别用于抗体设计、蛋白质产量优化以及生物标志物与药物靶点发现。

　　格茨进一步介绍道：“以我们的抗体设计系统为例，它并非单一模型，而是由三个相互关联的组件构成。首先，生成式模型负责创造全新抗体；其次，预测模型会根据抗体的分子特性进行筛选；最后，基于物理模型的分子对接系统，能够模拟抗体与其作用靶点之间的三维相互作用。” 他强调，该系统的核心价值在于整体协同运作，而非依赖某一个单独模型。“客户无需自行整合各类模型，直接就能获得可接入自身研发流程的即用型系统。”

　　此次融资距离该公司 2024 年完成 550 万美元种子轮融资，时隔约一年半时间。

　　格茨透露，这家成立仅两年的初创企业已实现快速扩张。目前，汇聚生物已与 40 家制药及生物技术公司建立合作关系，平台上同时运行着约 40 个研发项目。其业务覆盖美国、加拿大、欧洲及以色列市场，并且正着手开拓亚洲市场。

　　公司团队规模也实现了快速增长，从 2024 年 11 月的 9 人扩充至如今的 34 人。在此期间，汇聚生物还发布了多份公开案例研究。格茨指出，其中一个案例显示，该公司帮助合作伙伴在单次计算迭代中，将蛋白质产量提升了 3 至 3.5 倍；在另一个案例中，其平台生成的抗体具有极高的结合亲和力，达到了纳摩尔级别。

　　人工智能驱动的药物研发领域正迎来投资热潮。去年，礼来制药与英伟达达成合作，共同打造了制药行业号称算力最强的药物研发超级计算机；2024 年 10 月，谷歌深度思维旗下 AlphaFold 项目的研发团队，凭借这款能够预测蛋白质结构的人工智能系统，斩获诺贝尔化学奖。

　　当被问及行业发展势头对汇聚生物增长的影响时，格茨表示，生命科学领域正迎来有史以来最大的商业机遇，行业正从传统的 “试错法” 研发模式，向数据驱动的分子设计模式转型。

　　格茨向《科技创业》透露：“我们深切感受到了这股发展热潮，从公司的收件箱就能直观体现。一年半前公司成立时，行业内还存在诸多质疑。” 他补充道，得益于汇聚生物等企业以及学术界发布的成功案例，这些质疑已迅速消散。

　　大型语言模型凭借其分析生物序列、设计新型分子的能力，在药物研发领域备受瞩目，但该技术仍面临幻觉效应、精准度不足等挑战。格茨表示：“在文本领域，幻觉问题通常容易识别；但在分子研发领域，验证一种新型化合物可能需要数周时间，因此试错成本要高得多。” 为解决这一问题，汇聚生物采用生成式模型与预测模型相结合的策略，通过筛选新型分子来降低研发风险，提升合作伙伴的研发效率。“这种筛选机制虽非尽善尽美，但能显著降低风险，为客户带来更优的研发成果。”

　　《科技创业》还问及了格茨对于杨立昆等仍对大型语言模型应用持怀疑态度的专家的看法。格茨解释道：“我是杨立昆的忠实拥护者，并且完全认同他的观点。我们不会依赖基于文本的模型来实现核心的科学认知。要真正理解生物学机制，模型必须基于 DNA、RNA、蛋白质和小分子数据进行训练。”

　　他进一步说明，基于文本的大型语言模型在公司技术体系中仅作为辅助工具，例如帮助客户检索与生成分子相关的文献资料。“这类模型并非我们的核心技术。我们不会局限于单一技术架构，而是会根据实际需求，灵活运用大型语言模型、扩散模型、传统机器学习以及统计学方法。”

　　格茨阐述公司愿景时表示：“我们希望成为所有生命科学机构的生成式人工智能研发实验室。实体湿实验室未来仍会存在，但会与通过计算手段生成假说和分子的生成式实验室协同运作，而我们立志成为整个行业的生成式实验室。”