يتحرك الذكاء الاصطناعي بسرعة نحو اكتشاف الأدوية، حيث تبحث شركات الأدوية والتكنولوجيا الحيوية عن طرق لتقليص سنوات من الجداول الزمنية للبحث والتطوير وزيادة فرص النجاح وسط ارتفاع التكلفة. وتتنافس الآن أكثر من 200 شركة ناشئة لدمج الذكاء الاصطناعي مباشرة في سير العمل البحثي، مما يجذب اهتمامًا متزايدًا من المستثمرين. تعد شركة Converge Bio أحدث شركة تركب هذا التحول، حيث حصلت على رأس مال جديد مع احتدام المنافسة في مجال اكتشاف الأدوية المعتمد على الذكاء الاصطناعي.
قامت الشركة الناشئة التي يقع مقرها في بوسطن وتل أبيب، والتي تساعد شركات الأدوية والتكنولوجيا الحيوية على تطوير الأدوية بشكل أسرع باستخدام الذكاء الاصطناعي التوليدي المدرب على البيانات الجزيئية، بجمع 25 مليون دولار من الجولة الأولى التي تجاوزت الاكتتاب فيها، بقيادة Bessemer Venture Partners. انضمت TLV Partners وVintage Investment Partners أيضًا إلى الجولة، إلى جانب دعم إضافي من مديرين تنفيذيين مجهولين في Meta وOpenAI وWiz.
ومن الناحية العملية، تقوم شركة Converge بتدريب النماذج التوليدية على تسلسلات الحمض النووي والحمض النووي الريبوزي (RNA) والبروتينات، ثم تقوم بإدخالها في سير عمل شركات الأدوية والتكنولوجيا الحيوية لتسريع عملية تطوير الأدوية.
وقال دوف جيرتز، الرئيس التنفيذي والمؤسس المشارك لشركة Converge Bio، في مقابلة حصرية مع TechCrunch: “لقد حددت دورة حياة تطوير الأدوية مراحل – بدءًا من تحديد الهدف واكتشافه وحتى التصنيع والتجارب السريرية وما بعدها – وفي كل منها، توجد تجارب يمكننا دعمها”. “تستمر منصتنا في التوسع عبر هذه المراحل، مما يساعد على جلب أدوية جديدة إلى السوق بشكل أسرع.”
حتى الآن، طرحت شركة Converge أنظمة تواجه العملاء. وقد قدمت الشركة الناشئة بالفعل ثلاثة أنظمة ذكاء اصطناعي منفصلة: واحد لتصميم الأجسام المضادة، وواحد لتحسين إنتاج البروتين، وواحد للعلامات الحيوية واكتشاف الأهداف.
“خذ نظام تصميم الأجسام المضادة لدينا كمثال. إنه ليس مجرد نموذج واحد. إنه يتكون من ثلاثة مكونات متكاملة. أولاً، يقوم النموذج التوليدي بإنشاء أجسام مضادة جديدة. بعد ذلك، تقوم النماذج التنبؤية بتصفية تلك الأجسام المضادة بناءً على خصائصها الجزيئية. وأخيرًا، يقوم نظام الالتحام، الذي يستخدم النموذج القائم على الفيزياء، بمحاكاة التفاعلات ثلاثية الأبعاد بين الجسم المضاد وهدفه،” تابع جيرتز. وتكمن القيمة في النظام ككل، وليس في نموذج واحد، وفقًا للرئيس التنفيذي. “لا يتعين على عملاؤنا تجميع النماذج معًا بأنفسهم. فهم يحصلون على أنظمة جاهزة للاستخدام يتم توصيلها مباشرة بسير العمل الخاص بهم.”
ويأتي التمويل الجديد بعد حوالي عام ونصف من قيام الشركة بجمع جولة أولية بقيمة 5.5 مليون دولار في عام 2024.
حدث تك كرانش
سان فرانسيسكو
|
13-15 أكتوبر 2026
منذ ذلك الحين، توسعت الشركة الناشئة التي تأسست منذ عامين بسرعة. وقال جيرتز إن شركة Converge وقعت 40 شراكة مع شركات الأدوية والتكنولوجيا الحيوية وتدير حاليًا حوالي 40 برنامجًا على منصتها.. وهي تعمل مع العملاء في جميع أنحاء الولايات المتحدة وكندا وأوروبا وإسرائيل وتتوسع الآن في آسيا.
نما الفريق أيضًا بسرعة، حيث زاد عدد الموظفين إلى 34 موظفًا من تسعة موظفين فقط في نوفمبر 2024. وعلى طول الطريق، بدأت Converge في نشر دراسات الحالة العامة. في إحداها، ساعدت الشركة الناشئة شريكًا على زيادة إنتاج البروتين بمقدار 4 إلى 4.5X في تكرار حسابي واحد. وفي حالة أخرى، قامت المنصة بتوليد أجسام مضادة ذات درجة ارتباط عالية للغاية، تصل إلى نطاق النانومولار الواحد، كما أشار جيرتز.
يشهد اكتشاف الأدوية المعتمدة على الذكاء الاصطناعي زيادة كبيرة في الاهتمام. في العام الماضي، تعاونت شركة Eli Lilly مع Nvidia لبناء ما وصفته الشركتان بأقوى كمبيوتر خارق في صناعة الأدوية لاكتشاف الأدوية. وفي أكتوبر 2024، فاز مطورو مشروع AlphaFold التابع لشركة Google DeepMind بجائزة نوبل في الكيمياء لإنشاء AlphaFold، وهو نظام الذكاء الاصطناعي الذي يمكنه التنبؤ بهياكل البروتين.
عندما سُئل عن الزخم وكيف يشكل نمو Converge Bio، قال جيرتز إن الشركة تشهد أكبر فرصة مالية في تاريخ علوم الحياة وأن الصناعة تتحول من مناهج “التجربة والخطأ” إلى التصميم الجزيئي المبني على البيانات.
وقال جيرتز لـ TechCrunch: “نشعر بالزخم العميق، خاصة في صناديق البريد الوارد لدينا. قبل عام ونصف، عندما أسسنا الشركة، كان هناك الكثير من الشكوك”. وأضاف أن هذه الشكوك اختفت بسرعة ملحوظة، وذلك بفضل دراسات الحالة الناجحة من شركات مثل كونفيرج ومن الأوساط الأكاديمية.
تحظى النماذج اللغوية الكبيرة بالاهتمام في اكتشاف الأدوية لقدرتها على تحليل التسلسل البيولوجي واقتراح جزيئات جديدة، لكن لا تزال هناك تحديات مثل الهلوسة والدقة. وقال الرئيس التنفيذي: “في الرسائل النصية، عادة ما يكون من السهل اكتشاف الهلوسة”. “في الجزيئات، قد يستغرق التحقق من صحة مركب جديد أسابيع، وبالتالي فإن التكلفة أعلى بكثير.” ولمعالجة هذه المشكلة، تعمل شركة Converge على دمج النماذج التوليدية مع النماذج التنبؤية، وتصفية الجزيئات الجديدة لتقليل المخاطر وتحسين النتائج لشركائها. وأضاف جيرتز: “إن عملية الترشيح هذه ليست مثالية، ولكنها تقلل المخاطر بشكل كبير وتقدم نتائج أفضل لعملائنا”.
سألت TechCrunch أيضًا عن خبراء مثل Yann LeCun، الذين ما زالوا متشككين بشأن استخدام LLMs. “أنا معجب كبير بـ Yann LeCun، وأنا أتفق معه تمامًا. نحن لا نعتمد على النماذج النصية للفهم العلمي الأساسي. لفهم علم الأحياء بشكل حقيقي، تحتاج النماذج إلى التدريب على الحمض النووي، والحمض النووي الريبي (RNA)، والبروتينات، والجزيئات الصغيرة”، أوضح جيرتز.
يتم استخدام LLMs المستندة إلى النصوص فقط كأدوات دعم، على سبيل المثال، لمساعدة العملاء على تصفح الأدبيات المتعلقة بالجزيئات المولدة. وقال جيرتز: “إنها ليست التكنولوجيا الأساسية لدينا”. “نحن لسنا مرتبطين ببنية واحدة. نحن نستخدم LLMs، ونماذج الانتشار، والتعلم الآلي التقليدي، والأساليب الإحصائية عندما يكون ذلك منطقيًا.”
قال جيرتز: “رؤيتنا هي أن كل مؤسسة متخصصة في علوم الحياة ستستخدم Converge Bio كمختبر توليدي للذكاء الاصطناعي. ستظل المختبرات الرطبة موجودة دائمًا، ولكن سيتم إقرانها بمختبرات توليدية تخلق فرضيات وجزيئات حسابيًا. نريد أن نكون ذلك المختبر التوليدي للصناعة بأكملها”.
