컨버지 바이오, 베세머 및 기술 리더들로부터 2,500만 달러 투자 유치

인공지능이 신약 개발 분야에서 급속히 진화하고 있다. 제약 및 바이오테크 기업들은 비용 증가 속에서 연구개발(R&D) 기간을 수년 단축하고 성공률을 높이기 위해 인공지능을 도입하고 있다. 현재 200개 이상의 스타트업이 인공지능을 연구 워크플로우에 직접 통합하기 위해 경쟁 중이며, 이는 투자자들의 관심을 더욱 끌고 있다. 컨버지 바이오(Converge Bio)는 인공지능 기반 신약 개발 분야의 경쟁이 심화되는 가운데 이 흐름을 타고 신규 자금을 확보한 최신 기업이다.

보스턴과 텔아비브에 본사를 둔 이 스타트업은 분자 데이터로 훈련된 생성형 AI를 활용해 제약 및 바이오테크 기업의 신약 개발 가속화를 지원하며, 베세머 벤처 파트너스가 주도한 2,500만 달러 규모의 시리즈 A 투자 라운드에서 초과 청약률을 기록했습니다. TLV 파트너스와 빈티지 인베스트먼트 파트너스도 참여했으며, 메타, 오픈AI, 위즈의 익명 임원진들로부터 추가 지원을 받았습니다.

실제로 컨버지는 DNA, RNA, 단백질 서열로 생성 모델을 훈련시킨 후 이를 제약 및 바이오테크 워크플로우에 통합해 신약 개발을 가속화한다.

컨버지 바이오의 도브 거츠(Dov Gertz) CEO 겸 공동 창립자는 테크크런치와의 단독 인터뷰에서 "신약 개발 라이프사이클은 표적 식별 및 발견부터 제조, 임상 시험 등 뚜렷한 단계로 구성되며, 각 단계마다 우리가 지원할 수 있는 실험이 존재한다"고 설명했다. "우리 플랫폼은 이러한 단계 전반으로 지속적으로 확장되며 신약의 시장 출시를 가속화하는 데 기여하고 있다."

현재까지 컨버지는 고객 대상 시스템을 출시했습니다. 이 스타트업은 이미 세 가지 별개의 AI 시스템을 선보였는데, 항체 설계용, 단백질 수율 최적화용, 바이오마커 및 표적 발견용 시스템입니다.

"항체 설계 시스템을 예로 들어 보겠습니다. 이는 단일 모델이 아닙니다. 세 가지 통합 구성 요소로 이루어져 있습니다. 첫째, 생성 모델이 새로운 항체를 생성합니다. 다음으로 예측 모델이 분자 특성에 따라 이 항체들을 선별합니다. 마지막으로 물리 기반 모델을 사용하는 도킹 시스템이 항체와 표적 간의 3차원 상호작용을 시뮬레이션합니다."라고 거츠는 설명했다. CEO에 따르면 가치는 개별 모델이 아닌 시스템 전체에 있다. "고객사는 모델을 직접 조립할 필요가 없습니다. 워크플로에 바로 통합 가능한 즉시 사용 가능한 시스템을 제공받습니다."

이번 신규 자금 조달은 2024년 550만 달러 규모의 시드 라운드 유치 약 1년 반 만에 이루어졌다.  

디스럽트 2026 대기자 명단 등록하기

디스럽트 2026 대기자 명단에 등록하시면 얼리버드 티켓이 출시되는 즉시 가장 먼저 구매하실 수 있습니다. 지난 디스럽트 행사에는 구글 클라우드, 넷플릭스, 마이크로소프트, 박스, 피아, a16z, 일레븐랩스, 웨이브, 허깅 페이스, 엘라드 길, 비노드 코슬라 등이 무대에 섰습니다. 이들은 여러분의 성장을 촉진하고 경쟁력을 강화하기 위해 마련된 200개 이상의 세션을 주도한 250명 이상의 업계 리더들 중 일부입니다. 또한 모든 분야에서 혁신을 주도하는 수백 개의 스타트업과 교류할 수 있습니다.

Disrupt 2026 대기자 명단에 등록하세요

디스럽트 2026 대기자 명단에 등록하시면 얼리버드 티켓이 출시되는 즉시 가장 먼저 구매하실 수 있습니다. 지난 디스럽트 행사에는 구글 클라우드, 넷플릭스, 마이크로소프트, 박스, 피아, a16z, 일레븐랩스, 웨이브, 허깅 페이스, 엘라드 길, 비노드 코슬라 등이 무대에 섰습니다. 이들은 여러분의 성장을 촉진하고 경쟁력을 강화하기 위해 마련된 200개 이상의 세션을 이끄는 250명 이상의 업계 리더들 중 일부입니다. 또한 모든 분야에서 혁신을 주도하는 수백 개의 스타트업과 교류할 수 있습니다.

그 이후로 2년 차 스타트업은 급속히 성장했습니다. Converge는 제약 및 바이오테크 기업과 40건의 파트너십을 체결했으며, 현재 자사 플랫폼 Gertz에서 약 40개 프로그램을 운영 중이라고 밝혔습니다. 미국, 캐나다, 유럽, 이스라엘 전역의 고객사와 협력 중이며 현재 아시아로 확장하고 있습니다.

팀 규모도 급속히 확대되어 2024년 11월 단 9명이던 직원이 현재 34명으로 증가했다. 이 과정에서 컨버지는 공개 사례 연구 발표를 시작했다. 한 사례에서는 단일 계산 반복을 통해 파트너사의 단백질 생산량을 4~4.5배 증가시키는 데 기여했다. 또 다른 사례에서는 플랫폼이 단일 나노몰(nmol) 범위에 달하는 매우 높은 결합 친화력을 지닌 항체를 생성했다고 거츠는 설명했다.

AI 기반 신약 개발이 큰 탄력을 받고 있다. 지난해 엘리 릴리는 엔비디아와 협력해 제약업계 최고 성능의 신약 개발용 슈퍼컴퓨터를 구축했다. 또한 2024년 10월에는 구글 딥마인드의 알파폴드 프로젝트 개발진이 단백질 구조 예측이 가능한 AI 시스템 '알파폴드' 개발로 노벨 화학상을 수상했다.

이러한 추세와 컨버지 바이오의 성장에 미치는 영향에 대해 묻자, 거츠는 생명과학 역사상 최대의 재정적 기회가 열리고 있으며, 업계가 '시행착오' 방식에서 데이터 기반 분자 설계로 전환 중이라고 답했다.

"우리는 특히 이메일 수신함에서 이 흐름을 강하게 느끼고 있습니다. 1년 반 전 회사를 설립했을 때는 상당한 회의론이 있었죠."라고 게르츠는 테크크런치에 전했다. 그는 컨버지와 같은 기업 및 학계의 성공 사례 덕분에 그 회의론이 놀라울 정도로 빠르게 사라졌다고 덧붙였다.

대규모 언어 모델은 생물학적 서열을 분석하고 새로운 분자를 제안하는 능력으로 신약 개발 분야에서 주목받고 있지만, 환각 현상과 정확도 같은 과제는 여전히 남아 있다. CEO는 "텍스트에서는 환각 현상이 보통 쉽게 발견된다"고 말했다. "분자에서는 새로운 화합물을 검증하는 데 몇 주가 걸릴 수 있어 비용이 훨씬 더 높습니다." 이를 해결하기 위해 컨버지는 생성형 모델과 예측형 모델을 결합해 새로운 분자를 필터링함으로써 파트너사의 위험을 줄이고 성과를 향상시킵니다. "이 필터링이 완벽하지는 않지만, 위험을 크게 낮추고 고객에게 더 나은 결과를 제공합니다"라고 거츠는 덧붙였습니다.

테크크런치는 또한 대규모 언어 모델(LLM) 사용에 회의적인 얀 르쿤 같은 전문가들에 대해서도 질문했다. "저는 얀 르쿤의 열렬한 팬이며 그의 의견에 전적으로 동의합니다. 핵심 과학적 이해를 위해 텍스트 기반 모델에 의존하지 않습니다. 생물학을 진정으로 이해하려면 모델은 DNA, RNA, 단백질, 소분자 등을 기반으로 훈련되어야 합니다"라고 거츠는 설명했다.

텍스트 기반 LLM은 보조 도구로만 활용됩니다. 예를 들어 고객이 생성된 분자에 관한 문헌을 탐색하는 데 도움을 주죠. "이것들은 우리의 핵심 기술이 아닙니다,"라고 거츠는 말했습니다. "우리는 단일 아키텍처에 얽매이지 않습니다. LLM, 확산 모델, 전통적인 머신러닝, 통계적 방법을 적절히 활용합니다."

"저희 비전은 모든 생명과학 기관이 Converge Bio를 생성형 AI 연구소로 활용하는 것입니다. 실험실은 항상 존재하겠지만, 가설과 분자를 계산적으로 생성하는 생성형 연구소로 보완될 것입니다. 저희는 업계 전체를 위한 그 생성형 연구소가 되고자 합니다,"라고 게르츠는 말했습니다.