【TechCrunch 2026年1月16日讯】AI药物研发赛道再添重磅玩家。1月13日，总部位于波士顿与特拉维夫的初创公司Converge Bio宣布完成2500万美元超额认购A轮融资，由贝瑟默风险投资公司（Bessemer Venture Partners）领投，TLV Partners、Vintage Investment Partners跟投，更吸引了Meta、OpenAI、Wiz等科技巨头的匿名高管参与投资。这家成立仅两年的企业，凭借基于分子数据训练的生成式AI平台，已帮助40家药企加速抗体设计、蛋白质优化等关键研发环节，甚至实现“单次计算迭代将蛋白质产量提升4-4.5倍”的突破，成为AI重构传统制药流程的典型样本。
一、融资背后：2500万美元瞄准“药物研发全流程效率革命”
此次融资距离Converge Bio 2024年完成550万美元种子轮仅过去一年半，资金规模增长近4.5倍，折射出资本市场对其“生成式AI+药物研发”模式的高度认可。资金将主要用于三大方向：平台技术迭代、团队扩张（从34人增至50人）、亚洲市场开拓（目前业务覆盖美加、欧洲、以色列）。
Converge Bio CEO兼联合创始人多夫·格茨（Dov Gertz）在接受TechCrunch独家采访时强调：“传统药物研发从靶点发现到临床落地需10年以上，成本超10亿美元，且成功率不足10%。我们的目标是用AI将每个环节的效率提升3-5倍，让新药更快惠及患者。”这一愿景背后，是其差异化的技术路径——不依赖通用大模型，而是聚焦DNA、RNA、蛋白质等分子数据，构建“生成+预测+验证”的闭环AI系统。
二、技术核心：三大AI系统破解药物研发痛点，从“试错”到“精准设计”
不同于多数AI药物公司聚焦单一环节，Converge Bio已推出覆盖药物研发关键节点的三款核心系统，且均实现“即插即用”，无需药企自行整合模型。
1. 抗体设计系统：三模块协同，生成“纳摩尔级亲和力”分子
作为其明星产品，该系统打破“单一模型依赖”，通过三阶段流程确保抗体有效性与安全性：
-
生成环节：基于扩散模型与图神经网络，创造全新抗体序列，而非在现有序列基础上微调，已实现“每轮生成1000+候选分子”的规模；
-
筛选环节：预测模型根据分子特性（如免疫原性、稳定性、溶解度）过滤无效分子，将候选范围缩小至10-20个，筛选准确率达92%；
-
验证环节：物理模型驱动的分子对接系统，模拟抗体与靶点的三维结合过程，精准计算结合亲和力。在与某生物药企的合作中，该系统生成的抗体亲和力达“单纳米级”（1nM以下），远超行业平均的10-100nM水平，且开发周期从传统6个月缩短至45天。
2. 蛋白质产量优化系统：单次迭代效率提升4倍
针对生物药生产中“蛋白质表达量低、成本高”的痛点，该系统通过AI分析蛋白质序列与表达环境的关联，优化关键位点：
-
核心逻辑：结合机器学习与生物物理模型，识别影响蛋白质折叠、分泌的关键氨基酸位点，预测突变后的表达效率；
-
实测效果：帮助某合作伙伴在单次计算迭代中，将重组蛋白产量从每升2g提升至9g（4.5倍），生产周期缩短30%，每年为药企节省超2000万美元生产成本。
3. 生物标志物与靶点发现系统：挖掘“隐藏疾病机制”
传统靶点发现依赖文献与实验，易遗漏关键关联，该系统通过整合多组学数据（基因组、转录组、临床数据），挖掘疾病与分子的潜在联系：
-
技术优势：采用图神经网络构建“疾病-基因-蛋白质”关联网络，识别传统方法难以发现的“间接靶点”；
-
应用案例：在肿瘤领域，帮助某药企发现一个与肺癌转移相关的新标志物，相关研究已进入临床前验证阶段，预计将推动靶向药物研发周期缩短18个月。
三、差异化竞争力：拒绝“文本大模型依赖”，聚焦“分子级真实数据”
在AI药物研发领域，“大语言模型（LLM）是否适用”始终存在争议。Converge Bio的选择是：不将LLM作为核心技术，而是聚焦分子数据训练，这一决策与杨立昆（Yann LeCun）等专家的观点不谋而合。
1. 核心技术不依赖文本：避免“幻觉”导致的高成本试错
格茨明确表示：“文本LLM的幻觉在药物研发中代价极高——验证一个错误分子需数周、数十万美元，而我们的模型训练数据全部来自DNA、RNA、蛋白质等真实生物分子数据，从源头降低风险。”具体而言：
-
数据来源：与全球20+生物样本库、测序机构合作，获取高质量分子数据，而非依赖文献文本；
-
模型架构：灵活组合扩散模型、传统机器学习、统计方法，而非绑定单一LLM架构；
-
辅助工具定位：LLM仅用于帮助客户检索分子相关文献，不参与核心设计与预测，避免“文本误导科学判断”。
2. “即用型系统”降低药企门槛
传统AI药物工具需药企具备专业AI团队才能落地，而Converge Bio的系统已预设制药流程所需的参数与模板：
-
无缝对接现有 workflow：支持与药企常用的实验室信息管理系统（LIMS）、药物研发管理平台（如Veeva）对接，无需重构现有流程；
-
零AI经验也能使用：界面设计贴合药企研发人员习惯，支持通过自然语言输入需求（如“设计针对HER2阳性乳腺癌的抗体”），系统自动生成方案，降低使用门槛。
四、行业背景：AI药物研发迎爆发期，Converge Bio卡位“全流程服务商”
当前，AI药物研发正从“概念验证”走向“规模化落地”，行业呈现两大趋势，而Converge Bio的布局恰好契合这一方向。
1. 巨头加速入局，赛道竞争白热化
2025年以来，制药行业与科技公司的合作频繁：礼来与英伟达共建药物研发超级计算机，谷歌DeepMind因AlphaFold获诺贝尔化学奖，全球超200家初创公司涌入AI药物赛道。在此背景下，Converge Bio凭借“全流程系统+实测案例”脱颖而出，已与辉瑞、拜耳等跨国药企达成合作，平台同时运行40个研发项目。
2. 从“单点工具”到“平台化服务”成趋势
早期AI药物公司多聚焦单一环节（如虚拟筛选），而药企更需要“全流程解决方案”。Converge Bio的三大系统可覆盖从靶点发现到生产的关键节点，形成协同效应：例如，靶点发现系统找到的新靶点，可直接对接抗体设计系统开发药物，再通过蛋白质优化系统提升生产效率，形成“研发-生产”闭环。
格茨将公司愿景概括为：“成为所有生命科学机构的‘生成式AI实验室’——实体湿实验室负责实验验证，我们负责通过计算生成假说与分子，两者协同将药物研发效率提升一个量级。”
五、挑战与展望：数据壁垒与临床验证成长期考验
尽管进展迅速，Converge Bio仍面临行业共性挑战：
-
数据多样性：目前模型训练数据以欧美人群为主，针对亚洲人群的分子数据较少，未来需加强区域合作以提升模型泛化能力；
-
临床转化风险：AI设计的分子在临床阶段仍可能因安全性、有效性问题失败，需与药企深度合作推进临床验证；
-
竞争加剧：随着巨头入局，人才与数据争夺将更激烈，需持续强化技术壁垒。
不过，格茨对未来充满信心：“一年半前我们成立时，行业对AI药物还充满怀疑；现在，客户的收件箱里全是合作咨询。生命科学正迎来有史以来最大的商业机遇，而我们已经做好了准备。”
随着此次融资的到位，Converge Bio计划在2026年Q3推出多模态分子设计功能，支持小分子、多肽、抗体的联合优化，并进一步扩大亚洲市场布局，目标三年内成为全球TOP3的AI药物研发平台服务商。
