Az AI körüli legnagyobb pénzek egyre gyakrabban nem új chatfelületekbe, hanem laborokba áramlanak. Most egy OpenAI-kutató lép ki, hogy a gyógyszerkutatásra építsen céget — és már a rajtnál óriási értékelésről szólnak a pletykák.

Mi történt

Miles Wang, aki az OpenAI-nál többek között azon dolgozott, hogyan lehet AI-modellekkel felgyorsítani a tudományos és biológiai felfedezést, új startupot indít gyógyszerfelfedezésre fókuszálva. A tervek ismerői szerint több OpenAI-s kutató is csatlakozhat hozzá.

A tárgyalások állítólag egy nagyjából 200 millió dolláros tőkebevonásról szólnak, 2 milliárd dolláros cégértékelés mellett, és felmerült, hogy a kört a Lightspeed vezetné. Fontos részlet: ezek még nem végleges megállapodások, a számok és a feltételek változhatnak. Wang vitatta a nyilvánosságra került finanszírozási számokat és a cég leírását, de konkrét alternatív adatokat nem közölt.

Miért fontos

A gyógyszerfejlesztés klasszikusan lassú, drága és kockázatos: rengeteg jelölt elbukik a klinikai vizsgálatok során. Az „AI gyógyszerkutatás” ígérete nem az, hogy a modell „feltalálja a csodaszert”, hanem hogy jobb találati listát adjon a kutatóknak: mely molekulák érdemesek a laboridőre, és melyek valószínűleg zsákutcák. Gondolj rá úgy, mint egy nagyon okos szűrőre, ami a kémiai lehetőségek óceánjából próbálja kiemelni a legígéretesebb néhány ezret — így kevesebb drága kísérlet megy kárba.

A mostani hullámot az is fűti, hogy a befektetők szemében ez a terület kezd „kiszámíthatóbb” üzleti úttá válni: nem feltétlenül az új gyógyszerek nulláról való kifejlesztése a cél, hanem meglévő hatóanyagok újrahasznosítása.

Mire figyelj

  1. Repurposing fókusz (új indikáció régi gyógyszerhez): A cég állítólag olyan modelleken dolgozhat, amelyek meglévő — akár már FDA által jóváhagyott — gyógyszerek új felhasználását keresik, illetve korábban klinikai vizsgálatokon elbukott jelölteket értékelnek újra. Az előbbi azért vonzó, mert a biztonságosság egy része már ismert, így a piacra jutás jellemzően gyorsabb lehet, mint egy teljesen új molekulánál.
  2. Mit jelent valójában az „AI modell” itt: Nem egy általános csevegő-AI-ról van szó, hanem olyan, biológiai-kémiai adatokon tanított rendszerekről, amelyek például molekulák kölcsönhatásait próbálják előre jelezni. A kérdés az, hogy a predikciók mennyire állják meg a helyüket a valós labor- és klinikai környezetben.
  3. Tehetség- és tőkekoncentráció: A tőkebevonási számok körüli zaj jól mutatja, mennyire forró a szegmens. TechCrunch értelmezése szerint a befektetők most kifejezetten keresik azokat a csapatokat, amelyek nagy AI-s tapasztalatot tudnak átvinni a life sciences világába — de a valódi vízválasztó továbbra is az lesz, hogy a modellekből hány hiteles, reprodukálható laboreredmény születik.

Ha Wang cége tényleg a gyorsabb, „rövidebb út a bevételig” megközelítést választja, az jó lakmuszpapír lesz arra, hogy az AI hol tud a legkorábban kézzelfogható értéket adni az egészségiparban: a kockázat csökkentésében, nem a varázslatban.