Καθώς τα μοντέλα τεχνητής νοημοσύνης παράγουν ολοένα και περισσότερους υποψήφιους φαρμακευτικούς παράγοντες, η startup 10x Science ανακοίνωσε χρηματοδότηση 4,8 εκατομμυρίων δολαρίων για να βοηθήσει τους φαρμακευτικούς ερευνητές να αναγνωρίσουν ποιες μόριες αξίζει να ακολουθηθούν. Η εταιρεία στοχεύει να λύσει το σοβαρό πρόβλημα του χαρακτηρισμού των υποψηφίων φαρμάκων που παράγονται από τεχνητή νοημοσύνη για πρακτικές δοκιμές και μαζική παραγωγή.
Το Μείζον Πρόβλημα: Ποια Μόρια Αξίζουν Πραγματικά;
Όπως εξηγεί ο συνιδρυτής και χημικός βιολόγος David Roberts, «Όταν η βιοφαρμακευτική βιομηχανία προσπαθεί να δημιουργήσει έναν υποψήφιο φαρμακευτικό παράγοντα, διαθέτει όλα αυτά τα εξαιρετικά εργαλεία πρόβλεψης. Μπορείς να προσθέσεις όσους υποψηφίους θέλεις στην κορυφή του χωνευτήρα, αλλά όλοι πρέπει να περάσουν από αυτήν τη διαδικασία χαρακτηρισμού. Όλα πρέπει να μετρηθούν».
Η πρόκληση είναι ακόμα πιο επιχείρηματική παρά τεχνική. Τα εργαστήρια των μεγάλων φαρμακευτικών εταιρειών μπορεί δαπανήσουν εκατοντάδες χιλιάδες δολάρια για να χαρακτηρίσουν ένα μόνο μόριο, ακόμα κι αν στην τελική γραμμή δεν αποδειχθεί ιατρικά χρήσιμο. Αυτός ο περιορισμός γίνεται ιδιαίτερα επείγων καθώς οι γιγάντια γλωσσικά μοντέλα, όπως τα GPT-5 και Claude, αρχίζουν να παράγουν δισεκατομμύρια υποψήφιες δομές.
«Η πρόκληση είναι σαφής», εξηγεί ο Roberts. «Έχεις τη δυνατότητα να παράγεις ένα ολόκληρο σύμπαν υποψήφιων, αλλά το πρόβλημα είναι η κατανομή του κόστους για την εξέτασή τους».
Η Λύση: Αυτοματοποίηση και Προσαρμοστικότητα
Η 10x Science αντιμετωπίζει αυτή την πρόκληση με έναν συνδυασμό αυτοματοποίησης, μηχανικής μάθησης και εργαστηριακής πλατφόρμας προσαρμόσιμης μοριακής ανάλυσης. Η πλατφόρμα τους ξεκινά με ένα δείγμα που πρέπει να αναλυθεί, πιθανώς από ένα μίγμα υποψήφιων ευρετηριασμένων φαρμακευτικών ενώσεων, και στη συνέχεια εκτελεί μια σειρά από δοκιμές για να αποκαλύψει σημαντικές μοριακές ιδιότητες.
«Αυτό που κάνει η 10x Science μοναδικό είναι το πόσο καλά μπορούμε να ελεγχθούμε σε ποικίλες συνθήκες», λέει ο συνιδρυτής και βιολόγος Andrew Reiter. «Ένα φάρμακο μπορεί να συνδεθεί με έναν στόχο σε ένα θερμοστάσιο, αλλά στη συνέχεια να δυσκολεύεται να διαπεράσει ένα κύτταρο ή να αποικοδομηθεί γρήγορα από το σώμα. Χρειαζόμαστε να κατανοήσουμε όλες αυτές τις μεταβλητές σχεδόν ταυτόχρονα».
Το μισό της λύσης είναι επιτυχημένο, προηγμένο υλικό. Η πλατφόρμα της 10x Science συνδυάζει την αυτοματοποίηση της ροής υγρών, την απεικόνιση κυττάρων υψηλής απόδοσης και τη φασματοσκοπία, επιτρέποντας μια αξιολόγηση πολλαπλών παραμέτρων για κάθε υποψήφιο παράγοντα.
Το άλλο μισό είναι λογισμικό: μοντέλα μηχανικής μάθησης που προβλέπουν ποια μόρια θα συνεχίσουν να παρουσιάζουν αποτελέσματα μέσω μιας πιο στενής διαδικασίας ελέγχου, συνδυάζοντας την αυτοματοποιημένη ανάλυση με δεδομένα που προέρχονται από την βιομηχανία και τη βιβλιογραφία.
Η Ομάδα και οι Επενδύσεις
Η 10x Science ιδρύθηκε τον Δεκέμβριο του 2025 και η τρέχουσα γύρος της σποράς χρηματοδοτήθηκε από το Initialized Capital, με συμμετοχή από το Y Combinator, το Civilization Ventures και τον Founder Factor. Ο συνιδρυτής Vishnu Tejus, ένας σειριακός ιδρυτής με εξειδίκευση στην επιστήμη υπολογιστών και στα μοντέλα AI, συνεργάζεται με τους Roberts και Reiter για να φέρει την τεχνολογία στην πλήρη παραγωγή.
«Το μοναδικό πλεονέκτημα αυτού του συνδυασμού είναι ότι έχουμε προσωπικό που καταλαβαίνει πώς να συνθέτει τις μοριακές δομές, πώς να τις ελέγχει και πώς να ερμηνεύει τα δεδομένα που παράγουν», λέει ο Tejus.
Ο Roberts, ο οποίος έλαβε διδακτορικό στη χημική βιολογία από το MIT, εργάστηκε στο χαρτογράφηση φαρμακευτικών-στόχων πριν συμμετάσχει στον σχεδιασμό ιατρικών εργαλείων στο Emerald Cloud Lab. Ο Reiter ήταν ερευνητής στο Chan Zuckerberg Biohub, ενώ ο Tejus ήταν πρώτος υπάλληλος στο Tray.io και συνιδρυτής του Cratecode.
Ο συντονισμός αυτών των επιστημονικών πεδίων είναι η καρδιά της στρατηγικής της 10x Science: να μειώσει σημαντικά τον χρόνο και το κόστος που απαιτούνται για την ανακάλυψη νέων φαρμάκων, επιτρέποντας στους ερευνητές να επικεντρωθούν στους πιο υποσχόμενους υποψήφιους.
Η Επιπτώση στον Τομέα
Οι βιοφαρμακευτικές εταιρείες έχουν ήδη αντιμετωπίσει την πρόκληση της επώδυνης, αργής και δαπανηρής φάσης προκλινικής ανάπτυξης. Η πλατφόρμα της 10x Science στοχεύει να συντομίσει αυτόν τον κύκλο, επιτρέποντας σε μια εταιρεία να χαρακτηρίσει δεκάδες ή και εκατοντάδες υποψηφίους μέσα σε εβδομάδες, αντί για χρόνια.
«Όταν λέμε 10x, δε μιλάμε απλά για το κόστος», εξηγεί ο Reiter. «Μιλάμε για 10 φορές πιο γρήγορη απόφαση. Σήμερα, αν ένας ερευνητής θέλει να αξιολογήσει αν μια ένωση μπορεί να είναι ένα καλό φάρμακο, οι απαντήσεις σχετίζονται περισσότερο με τη προσπάθεια παρά με τον πραγματικό πόρο. Εμείς αντιστρέφουμε αυτήν τη δυναμική».
Βιβλιογραφία
- Τεχνικές λεπτομέρειες: https://techcrunch.com/2026/04/22/ai-is-spitting-out-more-potential-drugs-than-ever-this-start-up-wants-to-figure-out-which-ones-matter/
- Ιστότοπος 10x Science: https://10xscience.com/
- Ανάκτηση του άρθρου: 23 Απριλίου 2026
Πηγή: TechCrunch (22 Απριλίου 2026)