人工智能正加速渗透药物研发领域，制药与生物科技公司纷纷借助AI技术缩短研发周期、降低失败风险并应对高昂成本。目前已有超过200家初创企业致力于将AI深度融入科研流程，吸引越来越多投资者关注。总部位于波士顿和特拉维夫的Converge Bio便是其中最新一员，近日完成2500万美元的A轮融资，由Bessemer Venture Partners领投，TLV Partners、Vintage Investment Partners参投，另有未具名的Meta、OpenAI和Wiz高管个人跟投。 Converge Bio专注于利用生成式AI模型，基于DNA、RNA和蛋白质序列训练，帮助药企加速药物开发。公司CEO兼联合创始人多夫·格茨表示，药物研发涵盖靶点发现、临床试验等多个阶段，其平台正逐步覆盖全流程，实现“从实验室到市场”的提速。 目前，Converge已推出三大面向客户的AI系统：抗体设计、蛋白质产量优化以及生物标志物与靶点发现。以抗体设计为例，系统由三部分构成：首先通过生成模型创造全新抗体，接着由预测模型筛选具备理想分子特性的候选物，最后通过基于物理的对接系统模拟抗体与靶点的三维相互作用。格茨强调，真正价值在于系统整体协同，而非单一模型，客户可直接接入现有工作流，无需自行拼接模型。 自2024年11月完成550万美元种子轮融资以来，这家两年期初创公司发展迅猛。目前已有40家药企和生物技术公司签约，正同时运行约40个研发项目，覆盖美国、加拿大、欧洲及以色列，并正向亚洲拓展。团队规模从2024年11月的9人增至34人。 公司已发布多份公开案例研究，例如帮助合作伙伴在一次计算迭代中将蛋白质产量提升4至4.5倍，或生成结合亲和力达单纳摩尔级别的抗体。 面对AI在药物研发中的热潮，格茨指出，行业正从传统的“试错法”转向数据驱动的分子设计，这是生命科学史上最大的发展机遇。尽管大型语言模型在分析生物序列方面潜力巨大，但其“幻觉”问题在分子层面代价高昂——验证一个新化合物可能耗时数周。为此，Converge采用生成模型与预测模型结合的策略，有效降低风险。 格茨也回应了Yann LeCun等专家对LLM在科学应用中局限性的质疑，强调公司不依赖文本模型作为核心，而是基于生物分子数据训练专用模型，结合扩散模型、传统机器学习与统计方法。文本LLM仅作为辅助工具，用于文献导航。 “我们的愿景是让每个生命科学机构都拥有一个Converge Bio式的生成式AI实验室，”格茨说，“湿实验仍不可替代，但未来将与计算生成实验室深度结合。我们希望成为整个行业的‘生成实验室’。”