인공지능 (AI) 이 의약품 개발로 빠르게 진입하고 있습니다. 제약 및 바이오 기업들은 연구개발 (R&D) 기간을 단축하고 비용 상승에 대비해 성공 확률을 높이는 방법을 모색하고 있기 때문입니다. 현재 200 개 이상의 스타트업이 AI 를 연구 워크플로우에 직접 통합하려는 경쟁을 벌이고 있으며, 이는 투자자들의 관심도 높아지고 있습니다. Converge Bio 는 이 흐름을 타는 최신 기업으로, AI 기반 의약품 개발 공간에서의 경쟁이 가열되면서 새로운 자금을 확보했습니다.
실제로 Converge 는 DNA, RNA 및 단백질 서열을 기반으로 생성 모델을 훈련시킨 후 제약 및 바이오 기업의 워크플로우에 이를 연결하여 의약품 개발 속도를 높입니다.
"의약품 개발 사이클은 목표 식별과 발견부터 제조, 임상 시험 및 그 이후 단계까지 정의된 단계를 가지고 있으며, 각 단계마다 우리가 지원할 수 있는 실험들이 있습니다."라고 Converge Bio CEO 겸 공동 창업자 Dov Gertz 는 TechCrunch 의 독점 인터뷰에서 말했습니다. "우리의 플랫폼은 이러한 단계를 계속 확장하며 새로운 의약품이 시장에 더 빠르게 도달하도록 돕습니다."
현재까지 Converge 는 고객용 시스템을 출시했습니다. 이 스타트업은 이미 3 개의 별개의 AI 시스템을 소개했습니다: 항체 설계, 단백질 수율 최적화, 그리고 바이오 마커 및 목표 발견을 위한 시스템.
"항체 설계 시스템을 예로 들어보겠습니다. 그것은 단일 모델이 아닙니다. 세 가지 통합 구성 요소로 이루어져 있습니다. 첫째, 생성 모델은 새로운 항체를 생성합니다. 둘째, 예측 모델은 분자 특성에 따라 해당 항체를 필터링합니다. 마지막으로, 물리 기반 모델을 사용하여 항체와 목표 사이의 3 차원 상호작용을 시뮬레이션하는 도킹 시스템이 있습니다."라고 Gertz 는 이어 말했습니다. CEO 에 따르면 가치의 핵심은 단일 모델이 아니라 전체 시스템에 있습니다. "고객들은 모델들을 스스로 조립할 필요가 없습니다. 그들은 워크플로우에 직접 연결되는 준비된 시스템을 얻습니다."
새로운 자금은 2024 년에 $5.5 만 달러 규모의 시드 라운드를 유치한 지 약 1 년 반 후에 이루어졌습니다.
이후, 2 년 된 스타트업은 빠르게 확장했습니다. Gertz 는 Converge 가 12 개 이상의 제약 및 바이오 고객과 40 개 이상의 프로그램을 완료했다고 말했습니다. 회사는 미국, 캐나다, 유럽, 이스라엘의 고객들과 협력하며 아시아로 확장 중입니다.
팀 또한 빠르게 성장하여 2024 년 11 월에 9 명에서 34 명으로 늘었습니다. 이 과정에서 Converge 는 공개 사례 연구도 시작했습니다. 한 경우에서는 스타트업이 파트너가 단일 계산 반복에서 단백질 수율을 4 배에서 4.5 배로 높이는 데 도움을 주었고, 다른 경우에서는 플랫폼이 매우 높은 결합 친화도를 가진 항체를 생성하여 단 나노몰 범위에 도달했다고 Gertz 는 언급했습니다.
AI 기반 약물 발견 (drug discovery) 분야에 대한 관심이 급증하고 있습니다. 지난 해, Eli Lilly 는 Nvidia 와 협력하여 약물 발견 분야에서 가장 강력한 슈퍼컴퓨터를 구축했습니다. 그리고 2024 년 10 월, Google DeepMind 의 AlphaFold 프로젝트 개발자들이 단백질 구조를 예측할 수 있는 AI 시스템인 AlphaFold 를 만들어낸 공로로 화학 분야 노벨상을 수상했습니다.
Converge Bio 의 성장에 대한 동향과 그 영향에 대해 질문했을 때, Gertz 는该公司이 생명과학 역사상 가장 큰 재정적 기회를 목격하고 있으며, 산업은 "실험-오류" 접근에서 데이터 기반 분자 설계로 전환되고 있다고 말했습니다.
'우리는 특히 메신저를 통해 그 동향을 깊이 느끼고 있습니다. 1 년 반 전, 이 회사를 설립했을 때 많은 회의론이 있었습니다,' Gertz 는 TechCrunch 에게 말했습니다. 그는 성공적인 사례 연구 덕분에 이러한 회의론이 놀라울 정도로 빠르게 사라졌다고 덧붙였습니다.
대형 언어 모델 (LLM) 은 생물학적 서열을 분석하고 새로운 분자를 제안할 수 있는 능력으로 약물 발견 분야에서 주목받고 있지만, 환각 (hallucinations) 과 정확성 같은 문제도 남아있습니다. '텍스트에서는 환각이 보통 쉽게 찾아낼 수 있습니다,' CEO 는 말했습니다. '분자에서는 새로운 화합물을 검증하는 데 몇 주가 걸릴 수 있으므로 비용은 훨씬 더 높습니다.' 이를 해결하기 위해 Converge 는 생성 모델과 예측 모델을 결합하여 새로운 분자를 필터링하고 위험을 줄이며 파트너에게 더 나은 결과를 제공합니다. '이러한 필터링은 완벽하지 않지만, 위험을 크게 줄이고 고객에게 더 나은 결과를 제공한다는 점,' Gertz 는 덧붙였습니다.
TechCrunch 는 Yann LeCun 같은 전문가가 LLM 을 사용하는 것에 대해 여전히 회의적인 점을 질문했습니다. 'Yann LeCun 은 큰 팬이며, 그의 의견과 완전히 동의합니다. 우리는 핵심 과학적 이해를 위해 텍스트 기반 모델을 사용하지 않습니다. 생물학을 진정으로 이해하려면 모델은 DNA, RNA, 단백질 및 소분자에 대한 데이터를 기반으로 훈련되어야 합니다,' Gertz 는 설명했습니다.
텍스트 기반 LLM 은 고객에게 생성된 분자에 대한 문헌을 안내하는 데만 사용되도록 제한됩니다. '그들은 우리의 핵심 기술이 아닙니다,' Gertz 는 말했습니다. '우리는 단일 아키텍처에 묶여 있지 않습니다. 우리가 필요하다고 판단할 때 LLM, 확산 모델 (diffusion models), 전통적인 머신러닝 및 통계 방법을 사용합니다.'
'우리의 비전은 생명과학 조직의 모든 것이 Converge Bio 를 자체 생성 AI 실험실로 사용한다는 것입니다. 젠 (wet) 실험실은 항상 존재하지만, 가설과 분자를 계산적으로 생성하는 생성 실험실과 함께 존재할 것입니다. 우리는 전체 산업이 그 생성 실험실이 되기를 원합니다,' Gertz 는 말했습니다.
본문에는 고객 수에 대한 정보가 추가되었습니다.
