AI mulai diterapkan di setiap sudut penelitian bioteknologi dan farmasi, namun seperti industri lainnya, penerapan AI tidak pernah semudah yang diharapkan. Konvergensi Bio telah membangun alat bagi perusahaan agar LLM yang berfokus pada biologi benar-benar berfungsi, mulai dari “memperkaya” data hingga menjelaskan jawaban mereka. Perusahaan telah mengumpulkan $5,5 juta dalam putaran awal untuk meningkatkan skala produknya.
“Model hanyalah model. Itu tidak cukup,” kata CEO dan salah satu pendiri Dov Gertz. “Jalur pipa harus dibuat agar perusahaan benar-benar dapat menggunakan model tersebut dalam proses penelitian dan pengembangan mereka sendiri. Pasarnya sangat terfragmentasi, namun farmasi dan bioteknologi ingin mengonsumsi teknologi ini secara terkonsolidasi, di satu tempat. Kami ingin menjadi tempat itu.”
Jika Anda bukan seorang insinyur pembelajaran mesin yang bekerja di bidang penemuan obat, ini mungkin bukan masalah yang biasa bagi Anda. Namun pada dasarnya, ada model dasar yang kuat di luar sana, model bahasa besar yang dilatih bukan berdasarkan buku dan internet, namun berdasarkan database besar DNA, struktur protein, dan genomik.
Ini adalah model yang kuat dan serbaguna, tetapi seperti LLM yang digunakan dalam produk seperti ChatGPT dan Cursor, model ini memerlukan banyak usaha untuk mewujudkannya menjadi bentuk yang benar-benar dapat digunakan orang sehari-hari. Pekerjaan ini sangat sulit dilakukan pada bidang khusus seperti mikrobiologi atau imunologi. Mengambil LLM “mentah” yang dilatih tentang miliaran rangkaian protein dan menjadikannya sesuatu yang dapat digunakan oleh teknisi laboratorium sebagai bagian dari penelitian normal mereka adalah masalah yang tidak sepele.
Sebagai contoh, Gertz menyarankan penelitian antibodi. Ada LLM yang dilatih tentang biologi spesifik antibodi, tetapi sangat umum. Converge Bio menawarkan serangkaian perbaikan yang dapat dilakukan secara aman dan menggunakan IP milik perusahaan sendiri.
Yang pertama adalah “pengayaan data”, yang menambah antibodi LLM dengan data penting terkait seperti interaksi antigen-antibodi dan protein-protein. Kemudian, dengan pengetahuan yang lebih spesifik, hal ini dapat disesuaikan dengan antigen spesifik yang ingin ditargetkan oleh tim, dan yang mungkin memiliki data dalam piringan mereka.
“Sekarang kita memiliki penerapannya: masukannya adalah suatu urutan, keluarannya adalah afinitas yang mengikat,” kata Gertz. Kemudian platform menyediakan lapisan penting lainnya: kemampuan menjelaskan. Para peneliti dapat menelusuri keluarannya untuk mengetahui tidak hanya bahwa “rangkaian ini bekerja lebih baik dari ini” tetapi juga menemukan hingga ke tingkat pasangan asam amino atau basa, bagian mana dari rangkaian tersebut. membuat itu bekerja lebih baik.
Terakhir, ini menghasilkan rangkaian baru yang memberikan hasil yang lebih baik, begitu pula dengan kemampuan menjelaskan. Gertz mencatat bahwa kemampuan menjelaskan telah mengejutkan mereka dengan popularitasnya di kalangan pelanggan – masuk akal, karena memungkinkan para ahli untuk menerapkan keahlian domain mereka (misalnya, interaksi protein) ke bidang bioinformatika dan pembelajaran mesin yang lebih baru dan lebih tidak jelas ini.
Converge menggunakan banyak model open source dan fondasi gratis di luar sana, namun juga berupaya membuatnya sendiri. Ini sudah memiliki proses kepemilikan, kata Gertz, untuk bagian penjelasannya. Dan “kurikulum” pengayaan data sepenuhnya milik mereka juga – bukan proses yang sepele. Metodologi pelatihan, katanya, adalah salah satu dari sedikit rahasia yang dijaga ketat oleh perusahaan AI paling sukses.
Itu adalah bagian dari parit yang ingin mereka bangun, beserta faktanya. Seperti yang dikatakan Gertz, “Ini mungkin merupakan peluang terbesar di bidang bioteknologi dalam lima dekade.”
Namun banyak, mungkin sebagian besar, perusahaan bioteknologi tidak memiliki solusi khusus untuk melakukan pekerjaan terkait LLM di bidangnya, dan secara aktif mengejar ceruk yang tidak dapat diterapkan pada solusi generalis.
“Idenya adalah menjadi gudang segalanya bagi genAI di bidang bioteknologi, lalu menggunakannya sebagai landasan untuk menawarkan lebih banyak produk dari waktu ke waktu,” kata Gertz. “Perilaku di bidang farmasi dan bio adalah, begitu mereka memiliki ikatan dengan vendor yang mereka percayai, mereka ingin menggunakannya dalam kasus penggunaan lain, baik itu desain antibodi atau desain vaksin. Itu sebabnya menurut saya positioning ini adalah yang terbaik untuk momen pasar saat ini.”
Investor tampaknya setuju, dan menginvestasikan $5,5 juta dalam putaran awal yang dipimpin oleh mitra TLV.
Perusahaan ini akan menggunakan uang tersebut untuk merekrut dan memperoleh pelanggan, seperti yang sering dilakukan oleh startup pada tahap ini, namun juga akan menerbitkan makalah ilmiah tentang desain antibodi (tentu saja menggunakan sistemnya sendiri) dan melatih “model dasar yang tepat. ”
