Die rasante Entwicklung künstlicher Intelligenz im Pharmabereich führt zu einer Flut neuer Wirkstoffkandidaten. Während Unternehmen wie Google DeepMind durch Deep-Learning-Modelle bereits komplexe Proteinstrukturen vorhersagen können, entsteht nun ein neuer Engpass: Die praktische Charakterisierung und Vorbereitung dieser vielversprechenden Kandidaten für Tests und Massenproduktion. Um diese Herausforderung zu meistern, gründeten Ende 2025 David Roberts, Andrew Reiter und Vishnu Tejas das Startup 10x Science. Das Unternehmen kündigte heute eine Aufwärmfinanzierung in Höhe von 4,8 Millionen US-Dollar an. Die Investitionsrunde wird von Initialized Capital angeführt, unterstützt zudem von Y Combinator, Civilization Ventures und Founder Factor. Die Gründer brachten umfangreiche Erfahrungen mit: Roberts und Reiter sind erfahrene Biochemiker, während Tejas Experte für künstliche Intelligenz und Computerwissenschaft ist. Alle drei arbeiteten zuvor gemeinsam im Labor des Nobelpreisträgers Dr. Carolyn Bertozzi an der Stanford University, wo sie über die mangelnde Präzision bei der Analyse molekularer Interaktionen frustriert waren. Ein zentrales Problem in der biopharmazeutischen Forschung besteht darin, dass zwar theoretisch unbegrenzt viele Kandidaten generiert werden können, diese aber alle einen anspruchsvollen Nachweisprozess durchlaufen müssen. Die genaueste Methode zur Bewertung von Molekülen ist die Massenspektrometrie. Dieses Verfahren misst die Atombestandteile von Substanzen in einem elektrischen Feld. Es erzeugt jedoch hochkomplexe Daten, deren Interpretation spezialisierte Expertise und erhebliche Zeit erfordert. 10x Science hat eine Plattform entwickelt, die deterministische Algorithmen der Chemie und Biologie mit KI-Agenten kombiniert, die diese spektrometrischen Daten auswerten und interpretieren. Ein entscheidender Schritt für das Startup war das Training der Modelle auf spektrometrische Daten und die Sicherstellung der Nachvollziehbarkeit. Dies ist eine zwingende Voraussetzung, damit Pharmaunternehmen die Tools für regulatorische Compliance nutzen können. Matthew Crawford, Wissenschaftler bei Rilas Technologies, einem externen Anbieter chemischer Analysen, nutzt die Plattform bereits seit einigen Wochen. Er betont, dass die KI seine Arbeit beschleunige und überraschend gut erkläre, warum sie bestimmte Schlüsse zieht. Das System sei in der Lage, eigenständig Daten zu finden und sich an unterschiedliche Molekülarten anzupassen. Im Gegensatz zu anderen KI-Tools, die in der Vergangenheit oft falsche Erwartungen weckten, basiert die Genauigkeit von 10x Science laut Crawford auf der tiefen fachlichen Expertise der Gründer. So erkannte das System beispielsweise anhand des Dateinamens ein Protein und recherchierte automatisch die dazugehörige Sequenz in Datenbanken, ohne dass der Nutzer manuell programmieren musste. Die Führung von 10x Science arbeitet derzeit mit mehreren großen Pharmaunternehmen und akademischen Forschern zusammen. Die neu gesammelten Mittel sollen eingesetzt werden, um Ingenieursteams zu erweitern, das Modell zu verfeinern und neue Kunden zu gewinnen. Sollte sich die Plattform in der Charakterisierung von Proteinen bewähren, plant das Unternehmen eine Erweiterung, um ein tieferes Verständnis der Biologie zu ermöglichen, indem Proteinstrukturen mit anderen Zellendaten verknüpft werden. Ziel ist die Schaffung eines neuen Begriffs für molekulare Intelligenz. Für Investoren stellt 10x Science eine attraktive Möglichkeit dar, in den Biotech-Sektor einzusteigen, ohne vom Erfolg einzelner neuer Medikamente abhängig zu sein. Zoe Perret, Partnerin bei Initialized Capital, vergleicht das Geschäftsmodell mit einer SaaS-Lösung (Software as a Service), für die Pharmakonzerne monatlich zahlen müssen, um ihre Kandidatenkandidaten zu prüfen. Sie ist überzeugt, dass die einzigartigen Fähigkeiten der Gründer das Unternehmen vor Wettbewerbern schützen, da das Wissen über diese speziellen Analyseverfahren und Daten稀缺 sei. Letztendlich soll die Software Forschern helfen, komplexe Analysen schneller durchzuführen und Ressourcen zu schonen, damit sie sich auf die eigentliche Medikamentenentwicklung konzentrieren können.