Converge Bio recauda 25 millones de dólares, respaldado por Bessemer y ejecutivos de Meta, OpenAI y Wiz

La inteligencia artificial se está abriendo paso rápidamente en la investigación de medicamentos a medida que las empresas farmacéuticas y biotecnológicas buscan formas de reducir años de cronogramas de investigación y desarrollo y aumentar las posibilidades de éxito en medio de costos crecientes. Más de 200 empresas emergentes compiten ahora para integrar la IA directamente en los procesos de investigación, lo que está atrayendo un interés creciente por parte de los inversores. Converge Bio es la última empresa en hacer este cambio, asegurando nuevo capital a medida que aumenta la competencia en el descubrimiento de fármacos impulsado por IA.

La startup con sede en Boston y Tel Aviv, que ayuda a las empresas farmacéuticas y de biotecnología a desarrollar medicamentos más rápidamente utilizando IA generativa entrenada en datos moleculares, ha recaudado una ronda Serie A de 25 millones de dólares con exceso de suscripción liderada por Bessemer Venture Partners. TLV Partners y Vintage Investment Partners también se unieron a la ronda, junto con el apoyo adicional de ejecutivos no revelados de Meta, OpenAI y Wiz.

En la práctica, Converge entrena modelos generativos en secuencias de ADN, ARN y proteínas y luego los inserta en los flujos de trabajo de las empresas farmacéuticas y biotecnológicas para acelerar el desarrollo de fármacos.

“El ciclo de vida del desarrollo de fármacos tiene fases definidas, desde la identificación y el descubrimiento del objetivo hasta la fabricación, los ensayos clínicos y más allá, y en cada fase hay experimentos que podemos respaldar”, dijo Dov Gertz, director ejecutivo y cofundador de Converge Bio, en una entrevista exclusiva con TechCrunch. “Nuestra plataforma seguirá expandiéndose a lo largo de estas fases y ayudará a llevar nuevos medicamentos al mercado más rápidamente”.

Hasta ahora, Converge ha introducido sistemas centrados en el cliente. La startup ya ha lanzado 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. Consta de tres componentes integrados. Primero, un modelo generativo crea nuevos anticuerpos. Luego, los modelos predictivos filtran estos anticuerpos en función de sus propiedades moleculares. Finalmente, un sistema de acoplamiento, utilizando un modelo basado en la física, simula las interacciones tridimensionales entre el anticuerpo y su objetivo”, continuó Gertz. El valor reside en el sistema en su conjunto y no en un solo modelo, afirmó el director general. “Nuestros clientes no tienen que montar los modelos ellos mismos. Reciben sistemas listos para usar que pueden integrarse directamente en 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.

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.. La empresa trabaja con clientes en EE. UU., Canadá, Europa e Israel y ahora se está expandiendo a Asia.

El equipo también ha crecido rápidamente y en noviembre de 2024 solo hay nueve empleados de 34. Al mismo tiempo, Converge ha comenzado a publicar estudios de casos públicos. En un caso, la startup ayudó a un socio a aumentar la producción de proteínas entre 4 y 4,5 veces en una sola iteración computacional. En otro caso, la plataforma generó anticuerpos con una afinidad de unión extremadamente alta, alcanzando el rango de un nanomolar, anotó Gertz.

La investigación de fármacos respaldada por IA está experimentando un interés creciente. El año pasado, Eli Lilly se asoció con Nvidia para construir lo que las empresas llamaron la supercomputadora de descubrimiento de fármacos más poderosa de la industria farmacéutica. Y en octubre de 2024, los desarrolladores detrás del proyecto AlphaFold de Google DeepMind ganaron un Premio Nobel de Química por desarrollar AlphaFold, el sistema de inteligencia artificial 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 experimentando 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 debido a su capacidad para analizar secuencias biológicas y sugerir nuevas moléculas, pero persisten desafíos como las alucinaciones y la precisión. “Las alucinaciones suelen ser fáciles de detectar en los mensajes de texto”, 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 este problema, Converge combina modelos generativos con modelos predictivos y filtra nuevas moléculas para reducir los riesgos y mejorar los resultados de sus socios. “Este filtrado no es perfecto, pero reduce significativamente el riesgo y ofrece mejores resultados a nuestros clientes”, añadió Gertz.

TechCrunch también preguntó a expertos como Yann LeCun que se muestran escépticos sobre el uso de los LLM. “Soy un gran admirador de Yann LeCun y estoy completamente de acuerdo con él. No nos basamos 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.