コンバージ・バイオ、ベッセマーおよび技術リーダーから2500万ドルの資金調達を確保

製薬・バイオテクノロジー企業がコスト上昇の中で研究開発期間を数年短縮し成功率を向上させようと模索する中、人工知能（AI）は創薬分野で急速に進歩している。現在200社以上のスタートアップがAIを研究ワークフローに直接統合する競争を展開しており、投資家の関心が高まっている。Converge Bioはこの潮流に乗った最新企業であり、AI主導の創薬分野で競争が激化する中、新たな資金調達に成功した。

ボストンとテルアビブに拠点を置くこのスタートアップは、分子データで訓練された生成AIを活用し製薬・バイオテック企業の医薬品開発を加速させる支援を提供。ベッセマー・ベンチャー・パートナーズが主導するシリーズAラウンドで2500万ドルの資金調達に成功し、応募額を上回る応募があった。TLVパートナーズとヴィンテージ・インベストメント・パートナーズも参加し、メタ、オープンAI、ウィズの未公表幹部からも追加支援を得た。

具体的には、ConvergeはDNA・RNA・タンパク質配列で生成モデルを訓練し、製薬・バイオテックのワークフローに統合することで創薬を加速させる。

「医薬品開発ライフサイクルには、標的同定・創薬から製造、臨床試験、その後の段階まで明確な段階が存在し、各段階で我々が支援可能な実験がある」と、Converge BioのCEO兼共同創業者であるDov Gertz氏はTechCrunchの独占インタビューで語った。「当社のプラットフォームはこれらの段階に継続的に拡大し、新薬の市場投入を加速させる」

これまでにConvergeは顧客向けシステムをリリース。同社は既に3つの異なるAIシステムを導入済みだ：抗体設計用、タンパク質収量最適化用、バイオマーカー・ターゲット発見用である。

「抗体設計システムを例に挙げましょう。単一のモデルではなく、3つの統合コンポーネントで構成されています。まず生成モデルが新規抗体を生成します。 次に予測モデルが分子特性に基づきこれらをフィルタリングします。最後に物理ベースモデルを用いたドッキングシステムが、抗体と標的分子の三次元相互作用をシミュレートする」とガーツは続けた。CEOによれば、価値は単一モデルではなくシステム全体にある。「顧客は自らモデルを組み立てる必要がありません。ワークフローに直接統合可能な即戦力システムを提供します」

今回の資金調達は、同社が2024年に550万ドルのシードラウンドを調達してから約1年半後のことである。  

ディスラプト2026 ウェイティングリストに登録する

ディストラクト2026のウェイトリストに登録して、早期割引チケットの販売開始時に最優先で入手しましょう。 過去のディスラプトイベントでは、Google Cloud、Netflix、Microsoft、Box、Phia、a16z、ElevenLabs、Wayve、Hugging Face、Elad Gil、Vinod Khoslaらが登壇。250名以上の業界リーダーが200以上のセッションを主導し、成長を促進し競争優位性を高める機会を提供しました。さらに、あらゆる分野で革新を起こす数百のスタートアップと交流できます。

Disrupt 2026 ウェイティングリストに登録する

早期割引チケット発売時に最優先で入手できるよう、Disrupt 2026 ウェイティングリストにご登録ください。 過去のディスラプトイベントでは、Google Cloud、Netflix、Microsoft、Box、Phia、a16z、ElevenLabs、Wayve、Hugging Face、Elad Gil、Vinod Khoslaらが登壇。250名以上の業界リーダーが200以上のセッションを牽引し、成長を促進し競争優位性を高める設計です。さらに、あらゆる分野で革新を起こす数百のスタートアップとつながることができます。

設立から2年、このスタートアップは急速に成長を遂げた。Convergeは製薬・バイオテック企業と40の提携を結び、現在プラットフォーム上で約40のプログラムを管理しているとGertz氏は述べた。同社は米国、カナダ、欧州、イスラエルの顧客と連携し、現在はアジアへ拡大中だ。

チームも急速に拡大し、2024年11月の従業員9名から34名に増加した。その過程でConvergeは公開事例研究の発表を開始。ある事例では、単一の計算反復でパートナー企業のタンパク質収量を4～4.5倍増加させる支援に成功。別の事例では、プラットフォームが極めて高い結合親和性（1ナノモル台）を持つ抗体を生成したとGertz氏は指摘した。

AI駆動型創薬は大きな勢いを増している。昨年、イーライリリーはNvidiaと提携し、両社が「製薬業界最強の創薬用スーパーコンピュータ」と称するシステムを構築した。また2024年10月には、Google DeepMindのAlphaFoldプロジェクト開発陣が、タンパク質構造予測が可能なAIシステム「AlphaFold」の開発功績によりノーベル化学賞を受賞している。

この勢いとConverge Bioの成長への影響について問われると、Gertz氏は「業界が『試行錯誤』手法からデータ駆動型分子設計へ移行する中、当社はライフサイエンス史上最大の金融機会を目の当たりにしている」と述べた。

「特にメールボックスでその勢いを強く感じています。1年半前に会社を設立した当時はかなりの懐疑論がありました」とガーツ氏はテッククランチに語った。コンバージ社や学術界の成功事例により、その懐疑論は驚くほど急速に消え去ったと彼は付け加えた。

大規模言語モデルは生物学的配列の分析や新規分子の提案能力から創薬分野で注目を集めているが、幻覚現象や精度といった課題は残る。「テキストでは幻覚は通常容易に発見できる」と同CEOは指摘する。 「分子レベルでは新規化合物の検証に数週間を要するため、コストがはるかに高くなる」。この課題に対処するため、Convergeは生成モデルと予測モデルを組み合わせ、新規分子をフィルタリングすることでリスクを低減し、パートナー企業の結果を向上させている。「このフィルタリングは完璧ではないが、リスクを大幅に低減し、顧客により良い結果をもたらす」とガーツは付け加えた。

テッククランチはヤン・ルカンらLLM活用に懐疑的な専門家についても質問した。「私はヤン・ルカンの大ファンであり、彼の意見に全面的に同意します。核心的な科学的理解にはテキストベースのモデルに依存しません。生物学を真に把握するには、DNA・RNA・タンパク質・低分子を学習データとしたモデルが必要です」とガーツは説明した。

テキストベースのLLMは補助ツールとしてのみ使用され、例えば生成された分子に関する文献の探索を支援する。「それらは我々のコア技術ではない」とガーツは述べた。「単一のアーキテクチャに縛られていない。LLM、拡散モデル、従来の機械学習、統計的手法を状況に応じて活用している」

「私たちのビジョンは、あらゆるライフサイエンス組織がConverge Bioを生成AI研究所として活用することです。ウェットラボは常に存在しますが、仮説や分子を計算機的に創出する生成ラボによって補完されるでしょう。業界全体にとってのその生成ラボとなることを目指しています」とガーツは語った。