كونفيرج بيو تجمع 25 مليون دولار بدعم من بيسمر ومديرين تنفيذيين من ميتا وآوبن إيه آي وزيز
تتحرك الذكاء الاصطناعي بسرعة نحو اكتشاف الأدوية بينما تبحث شركات الأدوية والتقنية الحيوية عن طرق لتقصير سنوات من جداول البحث والتطوير وزيادة فرص النجاح في ظل ارتفاع التكلفة. هناك أكثر من 200 شركة ناشئة تتنافس الآن لدمج الذكاء الاصطناعي مباشرة في سير العمل البحثي، مما يجذب اهتماماً متزايداً من المستثمرين. شركة Converge Bio هي أحدث الشركات التي تستفيد من هذا التحول، وقد secured رأس مال جديد وسط اشتداد المنافسة في مجال اكتشاف الأدوية المعتمد على الذكاء الاصطناعي.
تساعد الشركة الناشئة التي تتخذ من بوسطن وتل أبيب مقراً لها شركات الأدوية والتقنية الحيوية على تطوير الأدوية بشكل أسرع باستخدام الذكاء الاصطناعي التوليدي المدرب على البيانات الجزيئية، وقد جمعت 25 مليون دولار في جولة تمويل من السلسلة A التي تم الاكتتاب عليها بشكل زائد، بقيادة Bessemer Venture Partners. كما انضمت TLV Partners وVintage Investment Partners إلى الجولة، بالإضافة إلى دعم إضافي من تنفيذيين غير محددين في Meta وOpenAI وWiz.
في الممارسة العملية، تقوم Converge بتدريب نماذج توليدية على تسلسلات الـ DNA وRNA والبروتين ثم تقوم بإدخالها في سير عمل شركات الأدوية والتقنية الحيوية لتسريع تطوير الأدوية.
قال دو ف جيرتس، الرئيس التنفيذي والمؤسس المشارك لشركة Converge Bio، في مقابلة حصرية مع TechCrunch: “دورة حياة تطوير الأدوية لها مراحل محددة – من تحديد الهدف والاكتشاف إلى التصنيع والتجارب السريرية وما بعدها – وداخل كل منها، هناك تجارب يمكننا دعمها. تستمر منصتنا في التوسع عبر هذه المراحل، مما يساعد في تقديم أدوية جديدة إلى السوق بشكل أسرع.”
حتى الآن، قامت Converge بإطلاق أنظمة موجهة للعملاء. وقد قدمت الشركة الناشئة بالفعل ثلاثة أنظمة ذكاء اصطناعي متميزة: واحد لتصميم الأجسام المضادة، وآخر لتحسين إنتاجية البروتين، وثالث من أجل اكتشاف العلامات البيولوجية والأهداف.
“خذ نظام تصميم الأجسام المضادة الخاص بنا كمثال. فهو ليس نموذجاً واحداً فقط. يتكون من ثلاثة مكونات متكاملة. أولاً، يقوم نموذج توليدي بإنشاء أجسام مضادة جديدة. بعد ذلك، تقوم النماذج التنبؤية بتصفية تلك الأجسام المضادة بناءً على خصائصها الجزيئية. وأخيراً، يقوم نظام الربط، الذي يستخدم نموذجًا يعتمد على الفيزياء، بمحاكاة التفاعلات ثلاثية الأبعاد بين الجسم المضاد وهدفه،” أضاف جيرتس. تكمن القيمة في النظام ككل، وليس في أي نموذج واحد، حسب قول الرئيس التنفيذي. “عملاؤنا لا يحتاجون إلى تجميع النماذج بأنفسهم. يحصلون على أنظمة جاهزة للاستخدام تتصل مباشرة بسير العمل الخاص بهم.”
تأتي التمويلات الجديدة بعد حوالي عام ونصف من جمع الشركة 5.5 مليون دولار في جولة تمويل أولية في عام 2024.
حدث Techcrunch
سان فرانسيسكو
|
13-15 أكتوبر 2026
منذ ذلك الحين، نمت الشركة الناشئة التي عمرها عامين بشكل سريع. وقد وقعت Converge 40 شراكة مع شركات الأدوية والتقنية الحيوية وتقوم حالياً بإدارة حوالي 40 برنامجاً على منصتها، حسب قول جيرتس. وهي تعمل مع العملاء في الولايات المتحدة وكندا وأوروبا وإسرائيل وتقوم حالياً بالتوسع إلى آسيا.
كما نما الفريق بسرعة، حيث زاد عدد الموظفين إلى 34 من تسعة فقط في نوفمبر 2024. على طول الطريق، بدأت Converge في نشر دراسات حالة عامة. في واحدة منها، ساعدت الشركة الناشئة شريكاً في زيادة إنتاجية البروتين بمعدل 4 إلى 4.5 مرات في دورة حسابية واحدة. وفي أخرى، أنتجت المنصة أجساماً مضادة بقدرة ارتباط عالية للغاية، تصل إلى نطاق نانو مولار واحد، حسب ملاحظة جيرتس.
تشهد الاكتشافات التي تعتمد على الذكاء الاصطناعي زيادة في الاهتمام. في العام الماضي، تعاونت شركة إيلي ليلي مع نيفيديا لبناء ما أطلق عليه الشركات أقوى حاسوب فائق في صناعة الأدوية لاكتشاف الأدوية. وفي أكتوبر 2024، فاز المطورون وراء مشروع Google DeepMind AlphaFold بجائزة نوبل في الكيمياء لإبداعهم نظام AlphaFold، الذي يمكنه توقع هياكل البروتين.
عند سؤاله عن الزخم وكيف يؤثر على نمو Converge Bio، قال جيرتس إن الشركة تشهد أكبر فرصة مالية في تاريخ علوم الحياة وأن الصناعة تتحول من نهج “التجربة والخطأ” إلى تصميم جزيئي مدفوع بالبيانات.
قال جيرتس لـ TechCrunch: “نشعر بالزخم في عمقنا، خصوصًا في صناديق البريد الخاصة بنا. قبل عام ونصف، عندما أسسنا الشركة، كان هناك الكثير من الشك.” لقد زال هذا الشك بشكل ملحوظ بسرعة، بفضل دراسات حالة ناجحة من شركات مثل Converge ومن الأكاديميا، أضاف.
تجذب النماذج اللغوية الكبيرة الانتباه في اكتشاف الأدوية لقدرتها على تحليل التسلسلات البيولوجية واقتراح جزيئات جديدة، ولكن لا تزال هناك تحديات مثل الهلوسات والدقة. قال الرئيس التنفيذي: “في النص، من السهل عادةً اكتشاف الهلوسات. في الجزيئات، التحقق من مركب جديد يمكن أن يستغرق أسابيع، مما يعني أن التكلفة أعلى بكثير.” لمعالجة ذلك، تقترن Converge النماذج التوليدية بالنماذج التنبؤية، حيث تصفّي الجزيئات الجديدة لتقليل المخاطر وتحسين النتائج لشركائها. “هذه التصفية ليست مثالية، لكنها تقلل المخاطر بشكل كبير وتقدم نتائج أفضل لعملائنا،” أضاف جيرتس.
سأل TechCrunch أيضًا عن خبراء مثل يان ليكون، الذين لا يزالون متشككين بشأن استخدام النماذج اللغوية الكبيرة. قال جيرتس: “أنا معجب كبير بيان ليكون، وأتفق معه تمامًا. نحن لا نعتمد على النماذج المعتمدة على النص لفهم علمي أساسي. لفهم البيولوجيا حقًا، يجب تدريب النماذج على الـ DNA وRNA والبروتينات والجزيئات الصغيرة.”
تستخدم نماذج اللغات الكبيرة المعتمدة على النص فقط كأدوات دعم، على سبيل المثال، لمساعدة العملاء في التنقل في الأدبيات حول الجزيئات المتولدة. قال جيرتس: “إنها ليست تقنياتنا الأساسية. نحن غير مرتبطين بهندسة واحدة. نستخدم النماذج اللغوية الكبيرة، ونماذج الانتشار، والتعلم الآلي التقليدي، وطرق الإحصاء عندما يكون من المنطقي.”
قال جيرتس: “رؤيتنا هي أن تستخدم كل منظمة في علوم الحياة Converge Bio كمختبرها للذكاء الاصطناعي التوليدي. ستظل المختبرات الرطبة موجودة، لكنها ستُقترن بمختبرات توليدية تخلق الفرضيات والجزيئات بشكل محاسبي. نريد أن نكون ذلك المختبر التوليدي بالكامل الصناعة.”
