Causaly، یک پلت فرم هوش مصنوعی برای کشف دارو و تحقیقات زیست پزشکی، 60 میلیون دلار جمع آوری می کند

هوش مصنوعی موضوع بزرگی در دنیای تحقیقات بهداشتی و پزشکی و به ویژه در حوزه کشف دارو بوده است. امروز، یکی دیگر از امیدها در این فضا، از یک دور بودجه برای گسترش سهم خود در این حوزه خبر می دهد. Causaly، یک استارت‌آپ لندنی که یک پلتفرم هوش مصنوعی برای کمک به محققان در تسریع توسعه و آزمایش داروها ساخته است، 60 میلیون دلار جمع‌آوری کرده است، سری B که به سمت تحقیق و توسعه می‌رود و به ساخت تیم خود ادامه می‌دهد.

ICONIQ Growth – صندوق مرحله رشد وابسته به شرکت سرمایه گذاری نمادین به همین نام – با حامیان قبلی Index Ventures، Marathon Venture Capital، EBRD، Pentech Ventures، و Visionaries Club نیز در این دور پیشتاز است. این شرکت اکنون در مجموع 86 میلیون دلار جمع آوری کرده است و ارزش آن را فاش نمی کند.

Causaly کمی بیش از شش سال سن دارد و یانیس کیاچوپولوس، مدیر عاملی که شرکت را با همکاری Artur Saudabayev بنیانگذاری کرد، گفت که در حال حاضر با 12 تا از بزرگترین شرکت های دارویی جهان و برخی از بزرگترین نام ها در تحقیقات پزشکی، از جمله Gilead همکاری می کند. ، Novo Nordisk، Regeneron، سازمان غذا و دارو و موسسه ملی علوم بهداشت محیطی.

این سازمان ها از پلت فرم مبتنی بر ابر خود برای کار در مراحل مختلف توسعه داروها استفاده می کنند: شناسایی اهداف جالب برای تحقیق و توسعه. تعیین نشانگرهای زیستی که مختص آن اهداف هستند. و کمک به پاتوفیزیولوژی برای درک بهتر یک بیماری، به منظور تعیین اینکه چه چیزی را می توان با داروها و سایر درمان های مناسب برطرف کرد.

کیاچوپولوس گفت که استفاده از پلتفرم Causaly می‌تواند 10 تا 15 سالی را که معمولاً برای رسیدن به یک ایده از هدف تا پایان آزمایش‌ها طول می‌کشد، به حدود 6 سال کاهش دهد – کاهش عمده‌ای در بودجه‌ای که باید به آن اختصاص داده شود. فرآیند.

به همان اندازه مهم، پلتفرم آن – که مدل‌سازی و محاسبات سریع‌تر را بر اساس جایگشت‌های شیمیایی مختلف و نحوه عملکرد آنها در محیط‌های مختلف امکان‌پذیر می‌کند – هدف آن کاهش تعداد شروع‌ها و بن‌بست‌های نادرست است که مشخصه فرآیند کشف دارو هستند.

کیاچوپولوس، با بررسی نرخ شکست 90 درصدی، گفت: «برای هر دارویی که وارد بازار شود، 9 دارو وجود دارد که ناموفق هستند. طبق تحقیقات مؤسسه ملی سلامت در ایالات متحده، توسعه هر یک از این داروها معمولاً بین 1 تا 2 میلیارد دلار هزینه دارد.

ناکارآمدی بسیار زیاد در سیستم تحقیقات زیست‌پزشکی، نوع کلاسیک مشکل کلان داده مناسب هوش مصنوعی است – که نه تنها می‌تواند محاسبات بزرگ و چندوجهی را در زمان واقعی خرد کند، بلکه برای خواندن تصاویر برای درک بهتر نتایج روی سلول‌ها و موارد دیگر به کار می‌رود. یکی از دلایلی که این حوزه نه تنها در بین استارتاپ های هوش مصنوعی، بلکه در بین سرمایه گذاران نیز محبوب بوده است. همین دیروز، Recursion – یک استارتاپ کشف دارو مبتنی بر هوش مصنوعی که صدها میلیون دلار سرمایه جمع آوری کرده است – آخرین سرمایه گذاری خود را اعلام کرد، تزریق 50 دلاری Nvidia که با یک مشارکت استراتژیک مهم همراه بود: Recursion از پلت فرم ابری Nvidia برای آموزش خود استفاده خواهد کرد. مدل‌های روی مجموعه داده‌های غول‌پیکر

این معامله بر مقدار بسیار زیادی پولی که به فضای کشف داروی هوش مصنوعی تزریق می‌شود تأکید می‌کند – در مجموع میلیاردها دلار برای استارت‌آپ‌ها در این زمینه سرمایه‌گذاری شده است – اما جالب است که چیز دیگری را نیز برجسته می‌کند.

از کیاچوپولوس پرسیدم که آیا قدرت محاسباتی برای استارت‌آپ او نیز مشکلی است، با توجه به اینکه این موضوع در حال حاضر یکی از موضوعات بزرگ در بین استارت‌آپ‌های هوش مصنوعی است، چه پزشکی و چه موارد دیگر، و پاسخ او یک «نه» شگفت‌انگیز بود.

او گفت: «تنها بخش بسیار کوچکی به منابع محاسباتی اختصاص خواهد یافت. این تا حدی به دلیل نحوه ساخت Causaly و تا حدودی به دلیل نقش آن در اکوسیستم بود. «شش سال پیش، زمانی که شرکت را راه‌اندازی می‌کردیم، هیچ مدل زبان بزرگی وجود نداشت، بنابراین چیزی که ما ساخته‌ایم تشنه قدرت محاسباتی نیست. ما قبل از Chat GPT در حال ساخت پرس و جوی زبان طبیعی بودیم، بنابراین اکنون به مدل های زبان بزرگ نیازی نداشتیم.

او گفت که در حال کار بر روی گنجاندن بیشتر این موارد در محصولات آینده است، اما این تاثیر قابل توجهی بر نیازهای محاسباتی آن نخواهد داشت.

“با LLM می توان پرس و جو از هوش مصنوعی را آسان تر کرد. این درست است و ما روی آن کار می کنیم. اما نیازی نیست که یک LLM را از ابتدا آموزش دهید تا بتوانیم آنچه را که وجود دارد بسازیم و دقیق تنظیم کنیم، و تنظیم دقیق منابع محاسباتی را بسیار کم هدر می دهد.

جزئیات دیگری که این موضوع برجسته می کند این است که خود Causaly در زمینه کشف مواد مخدر نیست: این ابزارها را برای دیگران فراهم می کند. این نیز چیزی است که Causaly را از دیگر استارتاپ‌های این حوزه متمایز می‌کند.

او گفت: “راه حل ما به تیم های زیست پزشکی کمک می کند، اما ما در حال توسعه درمان های خود نیستیم.” “ما یک پلت فرم مبتنی بر SaaS هستیم و به دانشمندان خود آموزش می دهیم تا از هوش مصنوعی ما بیشترین بهره را ببرند. دبلیوشراکت‌های بسیار قوی داریم و رقابت نمی‌کنیم و برنامه‌ای هم نداریم.»

با این دور، Caroline Xie، یک شریک عمومی در ICONIQ Growth، به هیئت مدیره استارتاپ می‌پیوندد.

او در بیانیه‌ای گفت: «علوم در نقطه عطفی هستند که با پذیرش هوش مصنوعی هدایت می‌شود، و ما معتقدیم که Causaly در ارائه این قدرت به دانشمندان به روشی بسیار قابل اعتماد و قابل تأیید پیشرو است.» Causaly به عنوان یک پلتفرم منحصربفرد قدرتمند و کاربر محور که از هوش مصنوعی برای افزایش بهره وری قابل توجه و تأثیر تجاری برای بسیاری از شرکت های بزرگ داروسازی امروزی استفاده می کند، متمایز است. ما خوشحالیم که از کل تیم Causaly در ماموریتشان برای ایجاد انقلابی در شیوه یافتن، تجسم و همکاری بر روی شواهد علمی در سراسر داروسازی، علوم زیستی و فراتر از آن توسط دانشمندان حمایت می‌کنیم.»

Causaly به دانشمندان این قدرت را می دهد که بزرگ ترین چالش های جهان را حل کنند. کارلوس گونزالس-کادناس، یکی از شرکای Index Ventures اضافه کرد: این یکی از واضح ترین برنامه های کاربردی در زندگی واقعی هوش مصنوعی امروزی است. Causaly که قبلاً توسط برخی از بزرگترین شرکت های داروسازی جهان راه اندازی شده است، اکنون به طور فعال در حال تسریع تحقیقات زیست پزشکی است. ما واقعاً تحت تأثیر سطح پذیرش سازمان‌های تحقیقاتی پیشرو قرار گرفته‌ایم، که به سرعت به افزایش هزینه‌های Causaly ادامه می‌دهند، که زمینه‌ساز تأثیر این فناوری در تحقیق و توسعه است.