AI正以前所未有的速度生成潜在药物，这家初创公司想找出哪些真正重要
随着AI模型在药物发现领域加速产出候选分子，一个新瓶颈正浮出水面：如何高效、准确地评估这些海量候选物的实际特性，以推进测试和量产。初创公司 10x Science 正试图解决这一难题。该公司近日宣布完成 480万美元 的种子轮融资，由 Initialized Capital 领投，Y Combinator、Civilization Ventures 和 Founder Factor 跟投。
AI药物发现的“预测”与“验证”鸿沟
AI在科学领域的最大影响之一，无疑是 Google DeepMind 利用深度学习模型预测蛋白质复杂结构——这些分子驱动着几乎所有生命过程。然而，当AI模型源源不断地“吐出”更多潜在治疗候选物时，一个新兴瓶颈出现了：如何在实践中对所有候选物进行 表征（characterization），以便进行测试和大规模生产。
10x Science 联合创始人、化学生物学家 David Roberts 向 TechCrunch 解释道：“当生物制药公司试图创建候选药物时，他们拥有所有这些非常棒的预测工具。你可以在漏斗顶部添加任意多的候选物，但它们都必须通过这个表征过程。一切都需要被测量。”
为什么“表征”如此关键？
理解蛋白质结构对于开发 生物制剂（biologic drugs） 的研究人员至关重要。这类药物在活细胞中生产，通过精妙设计来特异性靶向疾病。例如，默克公司销售的畅销药 Keytruda，就是一种帮助免疫系统识别并攻击癌症的生物制剂。
然而，从预测到实际应用，中间隔着复杂的验证环节。最准确的分子评估方法之一是 质谱分析（mass spectrometry），该技术通过测量分子的质量和电荷来确定其组成和结构。但这一相对较新的方法会产生复杂的数据，需要大量专业知识进行解读，且分析过程耗时极长。
创始团队的独特背景与愿景
10x Science 的三位联合创始人——化学生物学家 David Roberts、生物学家 Andrew Reiter 以及拥有计算机科学和AI模型专长的连续创业者 Vishnu Tejus——曾在诺贝尔奖得主 Dr. Carolyn Bertozzi 的斯坦福实验室共事。在那里，他们研究癌细胞与免疫系统之间的相互作用，却因无法在分子层面精确理解所发生的过程而感到挫败。
这种亲身经历让他们深刻意识到，在AI加速药物发现的今天，“验证瓶颈” 可能比“生成瓶颈”更制约创新。他们的目标是开发工具或平台，帮助制药研究人员更高效地理解和筛选AI生成的海量候选分子，从而将更多有潜力的疗法推向临床。
行业背景与未来挑战
当前，AI驱动的药物发现正进入爆发期，从靶点识别到分子设计，AI模型的能力不断提升。但正如 10x Science 所聚焦的，“生成”之后的“筛选”与“验证” 环节，正成为整个流程的新堵点。这不仅涉及技术挑战（如数据处理、自动化实验），也关乎资源分配——如何在海量候选物中优先投入宝贵的实验资源。
10x Science 的融资和方向，反映了AI制药行业的一个趋势：从单纯追求“更多候选物”，转向 “更智能的评估与决策”。其成功与否，将取决于能否将AI、生物信息学与实验科学深度融合，真正打通从“预测”到“产品”的最后一公里。
小结
- 核心问题：AI生成海量药物候选分子，但表征验证环节成为新瓶颈。
- 解决方案：10x Science 致力于开发工具，帮助研究人员高效筛选和评估候选物。
- 团队优势：结合化学生物学、生物学及AI/计算机科学背景，且有诺贝尔奖得主实验室的实战经验。
- 行业意义：标志着AI制药从“重生成”向“重验证”的演进，可能加速真正有效疗法的落地。
随着480万美元种子资金的注入，10x Science 能否在竞争激烈的AI制药赛道中，成为“验证环节”的关键玩家，值得持续关注。
