BenchSci为人工智能驱动的药物发现工具筹集了2200万美元

 
通过挖掘采购数据中的隐藏模式来评估药品研发的健康状况是AI简化的一项任务。至少，这就是2015年与他人共同创立BenchSci的David Qixiang Chen，Elvis Wianda，Liran Belenzon和Tom Leung提出的建议。这家总部位于加拿大多伦多的生物技术公司利用AI进行加速药物发现的实验，目的是增加医学研究的速度和质量。本周，为彰显新老支持者的信心，BenchSci在B轮融资中筹集了2200万美元，使其总融资额达到4500万美元。
伴随着资本的注入，BenchSci宣布推出其新的AI辅助试剂选择产品，并扩大了与诺华的合同，该市场估计每年价值超过102亿美元。首席执行官贝伦宗(Belenzon)说，这笔资金将用于进一步开发BenchSci的产品套件并加快药物测试。
“制药业正面临生产力危机。在收入停滞的同时，每种药物的研发成本不断上升。没有重大变化，这场危机将影响到所有人。低回报或负回报将减少对新药的投资。” Belenzon说。人工智能有望扭转这一趋势。但是，大多数药物发现中的AI尚未得到证实。另一方面，BenchSci的产品具有立竿见影的效果。”
BenchSci的标志性产品-抗体选择服务-利用机器学习技术在短短30秒内选择抗体(相对于通常需要12周的抗体选择时间)。该公司声称，通过减少不适当的抗体，它每年可减少多达300万美元的耗材成本，其功能支持按蛋白质靶标进行搜索并按技术和其他16种实验变量(包括生物体，组织，细胞类型和疾病)进行过滤。
Belenzon说，供应商通常很难预测抗体在实验中的表现。多达50%的选定抗体无效，有关抗体使用的数据被掩埋在生物医学论文，供应商目录和独立的验证数据库中。根据《自然》杂志上的一项研究，研究人员通常可以花费50,000美元购买不必要的抗体，这些抗体最多需要三到六个月的时间才能开发出来，然后花几天的时间来选择抗体，花数周的时间来测试和验证它们。
BenchSci的图像识别技术使用AI从已发布的实验中提取抗体规格，而不仅仅是供应商名称，产品名称或SKU。该系统应用生物信息学和本体论将抗体链接到用例，同时提供对来自231个供应商的770万种产品的目录数据的访问，以及跨技术，物种等的抗体使用趋势的文献范围。
BenchSci借鉴了1000万本科学出版物的实际实验数据，包括封闭式论文。该公司表示，结果得到了诸如Human Protein Atlas，Encode和EuroMAbNet等组织以及Springer Nature和Wiley等科学出版商的独立验证。
根据Belenzon的说法，BenchSci现在为3,600多家学术机构和20强制药公司中的15家的31,000多名研究人员提供了试剂选择工具。他说，诺华将是部署上述AI辅助试剂选择工具的首批客户之一，该工具涵盖抗体和重组蛋白。
F-Prime Capital领投了最新一轮融资，Northleaf Capital Partners和现有投资者(包括Gradient Ventures，Inovia Capital，Golden Ventures和Real Ventures)参与了此次融资。 F-Prime高级副总裁Shervin Ghaemmaghami将加入BenchSci的董事会。