生成式 AI 正滲透到生物科技與製藥研究的每個角落，但與其他行業一樣，實際落地往往遠比想像中複雜。Converge Bio 為企業構建了一套工具，專門幫助各公司讓其生物領域大語言模型真正發揮作用——從"數據增強"到解釋模型輸出結果，全流程覆蓋。目前，該公司已完成550萬美元種子輪融資，用於推進產品規模化。
"模型本身只是模型，遠遠不夠，"聯合創始人兼首席執行官 Dov Gertz 表示，"企業需要一套完整的流程，才能真正將模型融入自身的研發體系。當前市場高度碎片化，而製藥和生物科技公司希望以一種整合的方式、在同一個平台上使用這些技術。我們就是要成為這樣的平台。"
如果你不是從事藥物研發的機器學習工程師，可能對這一痛點並不熟悉。簡單來說，目前市面上存在許多強大的基礎模型——這些大語言模型的訓練數據不是書籍或網際網路內容，而是海量的 DNA 序列、蛋白質結構和基因組學資料庫。
這些模型功能強大、用途廣泛，但與 ChatGPT、Cursor
等產品所使用的大語言模型類似，需要大量工程工作才能將其打磨成可供日常使用的形態。在微生物學、免疫學等專業領域，這一過程尤為困難。如何將一個基於數十億條蛋白質序列訓練出的"原始"大語言模型，轉化為實驗室技術人員可以在日常研究中直接使用的工具，是一項極具挑戰性的工作。
Gertz 以抗體研究為例進行了說明。目前確實存在專門針對抗體生物學訓練的大語言模型，但通用性太強。Converge Bio 提供了一系列可在安全環境下、基於企業自有智慧財產權進行的優化方案。
第一步是"數據增強"——將抗原-抗體相互作用、蛋白質-蛋白質相互作用等重要關聯數據注入抗體大語言模型。在獲得更具針對性的知識儲備之後，模型可以在團隊所關注的特定抗原上進行微調，企業或許還擁有該抗原的專有實驗室數據。
"這樣我們就得到了一個可用的應用：輸入是序列，輸出是結合親和力，"Gertz 說。隨後，平台還提供了另一個關鍵層級——可解釋性。研究人員可以深入分析輸出結果，不僅能知道"這個序列比那個序列效果更好"，還能精確定位到胺基酸或鹼基對層面，找出究竟是序列中哪個部分在發揮作用。
最後，平台還能生成具有更優結果的新序列，同樣配備可解釋性功能。Gertz 提到，可解釋性功能受客戶歡迎的程度出乎他們意料——這其實不難理解，因為它讓領域專家能夠將自身的專業知識（例如蛋白質相互作用）與生物資訊學和機器學習這一相對陌生的領域有效結合起來。
Converge Bio 目前使用多種開源及免費基礎模型，同時也在研發自有模型。Gertz 表示，公司已在可解釋性環節擁有專有流程，數據增強的"訓練課程"也完全自主開發，絕非易事。他指出，訓練方法論是最成功的 AI 公司少數幾個嚴守的核心機密之一。
這是 Converge Bio 構建競爭壁壘的重要組成部分，加之 Gertz 所言，"這可能是近五十年來生物科技領域最大的機遇。"
然而，目前許多乃至大多數生物科技公司並沒有專門針對本領域大語言模型工作的解決方案，且通用方案往往無法滿足細分領域的需求。
"我們的目標是成為生物科技領域生成式 AI 的'全能平台'，再以此為切入點，隨時間推移不斷擴展服務範圍，"Gertz 說，"製藥和生物行業有一個規律：一旦與某個可信賴的供應商建立合作關係，他們就會希望在更多使用場景中延續這種合作，無論是抗體設計還是疫苗設計。這就是為什麼我認為這一定位在當前市場時機下是最優選擇。"
投資者對此表示認可，由 TLV Partners 領投的種子輪融資共募集550萬美元。
公司將把這筆資金用於招募人才和拓展客戶，這是初創企業在此階段的慣常做法。此外，公司還計劃發表一篇關於抗體設計的學術論文（當然是基於自有系統），並訓練"一個真正的基礎模型"。
Q&A
Q1：Converge Bio 是做什麼的？解決了什麼問題？
A：Converge Bio 是一家專注於生物科技領域大語言模型落地的公司。它解決的核心問題是：現有生物領域大語言模型雖然強大，但難以直接用於企業日常研發流程。Converge Bio 提供數據增強、模型微調、可解釋性分析和新序列生成等功能，幫助製藥和生物科技公司將通用基礎模型轉化為可實際使用的研發工具，且全程保障企業自有智慧財產權安全。
Q2：Converge Bio 的可解釋性功能有什麼用？
A：可解釋性功能允許研究人員深入分析大語言模型的輸出結果，不僅能判斷哪個序列效果更好，還能精確定位到胺基酸或鹼基對層面，找出影響結果的關鍵因素。這一功能特別受客戶歡迎，因為它幫助領域專家將自身的蛋白質相互作用等專業知識與生物資訊學、機器學習結合起來，讓 AI 輸出結果更具科學可信度和實用價值。
Q3：Converge Bio 這輪融資將用於哪些方向？
A：Converge Bio 完成的550萬美元種子輪融資由 TLV Partners 領投。資金主要用於三個方向：一是擴充團隊、招募人才；二是拓展客戶群體；三是發表關於抗體設計的學術論文，並訓練一個自有的基礎模型，以進一步強化其在生物科技大語言模型領域的技術壁壘和市場競爭力。
