Yapay zeka, biyoteknoloji ve farmasötik araştırmaların her köşesinde kendine yer buluyor ancak diğer endüstriler gibi, uygulanması hiçbir zaman istendiği kadar kolay olmuyor. Yakınsama Biyografisi şirketlerin, verilerini “zenginleştirmekten” yanıtlarını açıklamaya kadar biyoloji odaklı Yüksek Lisanslarının gerçekten işe yaramasını sağlayacak bir araç geliştirdi. Şirket, ürününü ölçeklendirmek için tohum turunda 5,5 milyon dolar topladı.
“Bir model sadece bir modeldir. Bu yeterli değil” dedi CEO ve kurucu ortak Dov Gertz. “Şirketlerin modeli kendi Ar-Ge süreçlerinde gerçekten kullanabilmeleri için bir boru hattının yapılması gerekiyor. Pazar çok parçalı ancak ilaç ve biyoteknoloji bu teknolojiyi tek bir yerde konsolide bir şekilde tüketmek istiyor. Biz o yer olmak istiyoruz.”
İlaç keşfinde çalışan bir makine öğrenimi mühendisi değilseniz bu sizin için tanıdık bir sorun olmayabilir. Ancak temelde, güçlü temel modeller var; kitaplar ve internet üzerinden değil, DNA, protein yapıları ve genomikten oluşan devasa veritabanları üzerinde eğitilmiş büyük dil modelleri.
Bunlar güçlü ve çok yönlü modellerdir ancak ChatGPT ve Cursor gibi ürünlerde kullanılan LLM’ler gibi, insanların günlük olarak kullanabileceği bir şekle bürünmeleri için çok fazla çalışma gerektirirler. Bu iş özellikle mikrobiyoloji veya immünoloji gibi uzmanlaşmış alanlarda zordur. Milyarlarca protein dizilimi üzerine eğitilmiş “ham” bir LLM’yi alıp onu bir laboratuvar teknisyeninin normal araştırmalarının bir parçası olarak kullanabileceği bir şeye dönüştürmek önemsiz bir sorun değildir.
Örnek olarak Gertz antikor araştırmasını önerdi. Antikor spesifik biyoloji üzerine eğitim almış bir Yüksek Lisans mevcut, ancak bu çok genel. Converge Bio, güvenli bir şekilde ve şirketin kendi IP’sini kullanarak yapılabilecek bir dizi iyileştirme sunar.
Birincisi, antikor LLM’yi antijen-antikor ve protein-protein etkileşimleri gibi önemli ilgili verilerle güçlendiren “veri zenginleştirme”dir. Daha sonra, daha spesifik bilgilerle yüklenerek, ekibin hedeflemek istediği ve hakkında özel yemek içi verilere sahip olabilecek spesifik antijene göre ince ayar yapılabilir.
Gertz, “Artık bir uygulamamız var: Girdi bir dizi, çıktı ise bağlayıcı benzerlik” dedi. Daha sonra platform başka bir önemli katman daha sağlıyor: açıklanabilirlik. Araştırmacılar çıktıyı derinlemesine inceleyerek sadece “bu dizinin bundan daha iyi çalıştığını” değil, amino asit veya baz çifti seviyesine kadar dizinin hangi kısmının göründüğünü de bulabilirler. yapma daha iyi çalışır.
Son olarak, daha iyi sonuçlar sağlayan ve aynı şekilde açıklanabilirlik sağlayan yeni diziler üretir. Gertz, açıklanabilirliğin müşteriler arasındaki popülaritesi nedeniyle onları şaşırttığını belirtti; bu, uzmanların alan uzmanlıklarını (örneğin, protein etkileşimleri) biyoenformatik ve makine öğreniminin bu daha yeni ve daha belirsiz alanına uygulamalarına olanak tanıdığı için mantıklıdır.
Converge, piyasadaki birçok açık kaynak ve ücretsiz temel modelini kullanıyor ancak aynı zamanda kendi modelini oluşturmaya da çalışıyor. Gertz, açıklanabilirlik kısmı için zaten özel bir sürece sahip olduğunu söyledi. Ve veri zenginleştirme “müfredatı” da tamamen onlara ait; önemsiz bir süreç değil. Eğitim metodolojilerinin en başarılı yapay zeka şirketleri tarafından yakından korunan birkaç sırdan biri olduğuna dikkat çekti.
Bu, inşa etmeyi umdukları hendeklerin bir parçası ve bununla birlikte. Gertz’in belirttiği gibi, “Bu muhtemelen biyoteknolojide son elli yılın en büyük fırsatı.”
Ancak biyoteknoloji şirketlerinin çoğu, belki de çoğu, kendi alanlarında Yüksek Lisans ile ilgili çalışmalar yapmak ve genel çözümlerin uygulanmadığı nişleri aktif olarak takip etmek için özel bir çözüme sahip değil.
Gertz, “Amaç, biyoteknolojide genAI için her şeyin depolandığı yer olmak ve bunu zaman içinde daha fazlasını sunmak için bir destek olarak kullanmak” dedi. “İlaç ve biyo sektörlerindeki davranış, güvendikleri bir satıcıyla bağ kurduktan sonra bunları antikor tasarımı veya aşı tasarımı gibi diğer kullanım durumlarında kullanmak istemeleridir. Bu nedenle bu konumlandırmanın piyasadaki şu an için en iyisi olduğunu düşünüyorum.”
Yatırımcılar, TLV ortaklarının liderliğindeki bir tohum turuna 5,5 milyon dolar koyarak aynı fikirde görünüyor.
Şirket, parayı, yeni başlayan şirketlerin bu aşamada sıklıkla yaptığı gibi, müşteri kazanmak ve işe almak için kullanacak, ancak aynı zamanda antikor tasarımı (tabii ki kendi sistemlerini kullanarak) ve “uygun bir temel modeli” eğitimi üzerine bilimsel bir makale yayınlayacak. ”
