Yoneda Labs sichert sich 4 Millionen Dollar Seed-Finanzierung für KI-gestützte Arzneimittelentdeckung
Yoneda Labs, ein innovatives Startup unterstützt von Y Combinator, hat 4 Millionen Dollar Seed-Finanzierung gesammelt, um seine KI-gesteuerten Arzneimittelentdeckungsprojekte zu erweitern. Die Finanzierungsrunde wurde von Khosla Ventures geleitet und erhielt auch Beiträge von 500 Emerging Europe, 468 Capital und Y Combinator. Die Mittel werden hauptsächlich für den Erwerb von Robotik-Automatisierungsgeräten verwendet, die für chemische Reaktionen im Labor des Unternehmens unerlässlich sind – ein entscheidender Schritt zur Erstellung der Trainingsdaten für das KI-Modell.
Gegründet von Michal Mgeladze-Arciuch, Daniel Vlasits und Jan Oboril, hat sich Yoneda Labs zum Ziel gesetzt, ein Fundamentmodell für die chemische Herstellung zu entwickeln. „Unsere KI unterstützt Chemiker bei der Formulierung neuer Medikamente, indem sie den Syntheseprozess optimiert“, erklärte Mgeladze-Arciuch. „Dieser Ansatz wird die Arzneimittelentwicklung beschleunigen und kosteneffizienter gestalten.“
Revolutionierung der chemischen Herstellung mit KI
Jon Chu, Partner bei Khosla Ventures, betonte das transformative Potenzial von KI im Chemiesektor: „Maschinelles Lernen und generative KI haben bereits in Bereichen wie der Luft- und Raumfahrt Fuß gefasst. Die Chemie steht vor einer ähnlichen Transformation, und die einzigartige Strategie von Yoneda Labs könnte die Arzneimittelherstellung und -entdeckung erheblich verändern.“
Optimierung des Arzneimittelentdeckungsprozesses
Die Entwicklung neuer Medikamente ist ein komplexes Unterfangen, insbesondere wenn es um die Synthese von Verbindungen durch Kombination mehrerer Moleküle geht. „Chemiker stehen vor Herausforderungen, wie sie diese Reaktionen erleichtern können, einschließlich der Optimierung von Temperatur, Lösungsmitteln und anderen Bedingungen“, bemerkte Mgeladze-Arciuch. Traditionelle Methoden erfordern umfangreiche Versuche, aber Yoneda Labs ist überzeugt, dass ihr KI-Modell diesen Prozess beschleunigen kann.
Derzeit führen viele Chemiker Experimente in nasschemischen Laboren ohne Automatisierung oder rechnergestützte Hilfsmittel durch. Durch die Nutzung ihres fortschrittlichen Nasslabors beabsichtigt Yoneda Labs, eine KI-Lösung zu entwickeln, die eine kritische Phase der Arzneimittelentwicklung straft und letztlich Zeit und Ressourcen für Pharmaunternehmen einspart.
Einzigartiger Wettbewerbsvorteil
Typischerweise beziehen Chemiker wissenschaftliche Literatur, um frühere Reaktionen zu identifizieren, die ihre aktuellen Experimente beeinflussen könnten. Mgeladze-Arciuch hob dies als Branchenstandard hervor, doch Yoneda Labs verfolgt einen anderen Ansatz, indem es sich auf die Generierung eigener hochwertiger Trainingsdaten konzentriert, anstatt sich auf externe Quellen zu stützen. „Unser Schwerpunkt liegt auf Qualität vor Quantität. Wir planen, täglich 200 Experimente mit Robotik-Automatisierung durchzuführen, was der Leistung von 20 Chemikern entspricht, um einen proprietären Datensatz für unser Modell aufzubauen“, erklärte er.
Mit rund 20.000 benötigten Experimenten, um das KI-Modell kommerziell rentabel zu machen, strebt Yoneda Labs an, dieses Ziel bis Ende des Jahres zu erreichen und anschließend sein Modell zu veröffentlichen.
Fokus auf kleine Moleküle
In einer umfangreichen Branche konzentriert sich Yoneda Labs auf kleine Moleküle, die besonders im Pharmamarkt verbreitet sind. „Unser Ziel ist es, ein Modell zu entwickeln, das über alle potenziellen kleinen Moleküle generalisieren kann“, erklärte Mgeladze-Arciuch. „Wir haben unsere Methoden an mehreren Reaktionen aus bekannten Chemie-Klassen validiert, die insbesondere für die medizinische Chemie relevant sind.“
Kleine Moleküle machen einen wesentlichen Teil der kommerziell verfügbaren Medikamente aus, im Gegensatz zu größeren Proteinen, die in anderen Therapien verwendet werden.
Letztlich strebt Yoneda Labs an, ein einzigartiges, umfassendes Modell zu schaffen, das Chemikern hilft, gewünschte organische Reaktionen und optimale Bedingungen zu identifizieren. Wie Mgeladze-Arciuch es formuliert: „Wir wollen die ‚OpenAI für Chemie‘ sein und Chemikern präzise Rezepte zur Verfügung stellen, um organische kleine Moleküle nach ihren Bedürfnissen zu entwickeln.“
Rangliste
