Biostate AI indsamler 12 millioner dollars i serie A-runde for at træne ChatGPT af molekylær medicin

Biostate AI, en molekylær diagnostik-startup, der kombinerer næste generations RNA-sekventering (RNAseq) med generativ AI, annoncerede i dag, at de har indsamlet 12 millioner dollars i en serie A-runde ledet af Accel. Runden så også deltagelse fra Gaingels, Mana Ventures, InfoEdge Ventures, og returnerende investorer Matter Venture Partners, Vision Plus Capital, og Catapult Ventures. Højprofilerede engle som Anthropic CEO Dario Amodei, 10x Genomics (TXG ) CTO Mike Schnall-Levin, og Twist Bioscience (TWST ) CEO Emily Leproust støttede også virksomheden.

Den nye finansiering driver Biostates ambitiøse mål: at gøre biologi forudsigelig og låse op for præcisionsmedicin i stor skala. Ligesom OpenAI trænede ChatGPT på billioner af ord for at forstå menneskesprog, træner Biostate grundmodeller på billioner af RNA-udtryksprofiler for at lære “molekylær sprog” af menneskesygdomme.

En Netflix-model for molekylær medicin

Startupen, grundlagt af MIT og Rice-professorer-vendte-entrepreneurs Ashwin Gopinath og David Zhang, forestiller sig en ny paradigm for diagnostik. I stedet for at tilbyde isolerede sekventerings-tjenester, bruger Biostate en Netflix (NFLX ) -inspireret selv-bærende forretningsmodel: virksomheden behandler tusinder af RNA-prøver til ultra-lav omkostning, føder denne data ind i et proprietært generativt AI-system, og forbedrer sine modeller med hver eksperiment. Resultatet er en dydigt cirkel—billig sekventering giver bedre modeller, og bedre modeller giver dybere klinisk indsigt.

“Hver diagnostik, jeg har bygget, har været om at flytte svaret tættere på patienten,” sagde Zhang, CEO af Biostate AI. “Biostate tager det største spring endnu ved at gøre hele transkriptomet affordable.”

Transkriptomet—the complete sæt af RNA-molekyler i en celle— giver realtids- snapshots af menneskers sundhed og sygdom. Dog har fuld-transkriptom-sekventering historisk været forbudt dyrt og svært at fortolke. Biostate adresserer begge problemer med en dobbelt tilgang: radikal omkostningsreduktion og avanceret AI.

Teknologiske innovationer: BIRT, PERD og generativ AI

I hjertet af Biostates tilbud er to patenterede teknologier: BIRT (Biostate Integrated RNAseq Technology) og PERD (Probabilistic Expression Reduction Deconvolution). BIRT er en multiplex-protokol, der tillader samtidig RNA-ekstraktion og sekventering fra multiple prøver, reducerer omkostningerne næsten ti gange. PERD anvender nye algoritmer til at filtrere ud “batch-effekter”—variabilitet introduceret af forskelle i laboratorieforhold eller prøvehåndtering—som ofte skygger den biologiske signal i multi-site-studier.

Denne højt standardiserede RNAseq-pipeline føder ind i Biostates proprietære grundmodel, Biobase, som fungerer meget ligesom GPT-modeller i naturligt sprog. Trænet på hundredtusinder af transkriptomiske profiler på tværs af vævtyper, sygdomstilstande og arter, fanger Biobase “grammatikken af biologi”—de underliggende mønstre af gen-udtryk, der definerer sundhed og sygdom.

Ligesom GPT kan tilpasses til at skrive essays eller sammenfatte juridiske dokumenter, kan Biobase tilpasses til at détectere tidlig kræft-rekurrence, forudsige lægemiddel-respons i autoimmun sygdom eller stratificere patienter i kardiovaskulære forsøg. Biostates Prognosis AI, bygget på toppen af Biobase, viser allerede løfte i forudsigelse af leukæmi-rekurrence og er under pilot-fase for multiple sklerose med Accelerated Cure Project.

“Ligesom ChatGPT forvandlede sprogforståelse ved at lære fra billioner af ord, lærer vi det molekylære sprog af menneskesygdom fra billioner af RNA-udtryk,” sagde Gopinath, virksomhedens CTO. “Vi gør for molekylær medicin, hvad store sprogmodeller gjorde for tekst—skalérer rådata, så algoritmerne kan skinne.”

Bygning af verdens største RNAseq-dataset

Indtil videre har Biostate allerede sekventeret over 10.000 prøver for 150+ samarbejdspartnere, herunder Cornell og andre store institutioner. Målet er at skale dette tal op til hundredtusinder af prøver årligt. Denne eksponentielle vækst er muliggjort af deres lav-omkostnings RNAseq-proces og strømlinet data-indtagelses-pipeline, OmicsWeb, som standardiserer, mærker og sikker lagrer transkriptomiske data på tværs af jurisdiktioner.

Virksomhedens cloud-infrastruktur inkluderer flere nylige GenAI-værktøjer, såsom:

• OmicsWeb Copilot – En naturlig-sprog-grænseflade for at analysere RNAseq-data uden kode.

• QuantaQuill – En AI-assistent, der genererer publikations-klar videnskabelig manuskript, komplet med figurer og citater.

• Embedding Surfer – En visualiseringsværktøj, der afslører skjulte biologiske relationer inden for gen-udtryksdata.

Med kontorer i Houston, Palo Alto, Bangalore og Shanghai, udvider Biostate globalt for at støtte en voksende netværk af kliniske og akademiske partnere. Startupen er allerede i gang med at behandle både friske og årtier-gamle vævsprøver—hjælper laboratorier med at udtrække indsigt fra tidligere ubrugelige prøver.

Mod en generel formål AI for alle sygdomme

Biostates endgame er ambitiøs: at skabe en generel formål AI, der kan forstå og vejlede behandling på tværs af alle menneskesygdomme. Denne samlede tilgang står i kontrast til dagens fragmenterede biotek-landskab, hvor hver tilstand ofte kræver sin egen isolerede diagnostik-værktøj og terapeutisk vej.

“I stedet for at løse diagnostik og terapi som separate, isolerede problemer for hver sygdom, mener vi, at moderne og fremtidig AI kan være generel-formål til at forstå og hjælpe med at kurere hver sygdom,” sagde Zhang.

Ved at behandle biologi som et generativt system—hvor dagens molekylære tilstand bestemmer morgendagens resultater—mener Biostate, at de kan forudsige ikke kun nuværende sundhedsstatus, men også fremtidige sygdoms-veje og optimale interventioner.

Hvad kommer næste?

Med mere end 20 millioner dollars indsamlet til dato og en hurtigt voksende kunde-base, accelererer Biostate kliniske samarbejder i onkologi, kardiovaskulær sygdom og immunologi. Virksomhedens næste milepæle inkluderer regulatorisk validering af deres prædiktive modeller og kommerciel skala af deres AI-drevne diagnostik-værktøjer.

Som Gopinath siger: “Vi er ikke kun fortolkende biologi. Vi bygger den biologiske ækvivalent af den store sprogmodel— kun denne gang er det trænet på det menneskelige legeme.”

Hvis Biostate AI lykkes, kan den næste bølge af præcisionsmedicin ikke kun være reaktiv—den vil være prædictiv, personlig og drevet af generativ AI.