堆代码讯 当年谷歌 DeepMind 用深度学习模型预测蛋白质的复杂结构，曾经轰动了整个科学界，为生物学和药物研发打开了全新的大门。但随着 AI 模型不断生成越来越多的潜在治疗候选物，一个新的瓶颈正在出现：如何在实际中真正表征所有这些候选物，以便进行测试和大规模生产？近日，一家名为 10x Science 的初创公司，正是瞄准了这个行业痛点，试图用 AI 技术打破这个瓶颈。该公司刚刚宣布完成了 480 万美元的种子轮融资，由 Initialized Capital 领投，Y Combinator、Civilization Ventures 以及 Founder Factor 参投。

从实验室痛点出发：三位创始人的创业初衷

这家成立于 2025 年 12 月的初创公司，三位创始人都有着深厚的领域背景：经验丰富的生物化学家戴维・罗伯茨和安德鲁・赖特，以及具备计算机科学和 AI 模型专长的连续创业者维什努・特贾斯。他们三人曾经都在诺贝尔奖得主卡罗琳・贝尔托齐博士的斯坦福实验室共事，一起研究癌细胞与免疫系统之间的相互作用。也就是在那段时间里，他们深刻体会到了行业的痛点：“当生物制药公司试图研发候选药物时，他们拥有所有这些非常好用的预测工具，你可以在漏斗顶端添加任意多的候选物，但所有这些候选物都必须经过表征这一流程。一切都需要被测量。” 罗伯茨这样解释道。

了解蛋白质的结构，对于研发生物制剂的科研人员来说至关重要。这类药物在活细胞中生产，被精密设计用来靶向特定的疾病，比如知名的抗癌药物 Keytruda，就是通过帮助免疫系统识别并攻击癌细胞来发挥作用。但想要研发这类药物，首先就需要精确表征这些蛋白质分子，而传统的方法却效率极低。

目前，评估分子最准确的方法，就是质谱法：通过在电场中测量分子，来确定其原子结构。但这项相对较新的技术，却有着不小的门槛：它会产生极其复杂的数据，需要非常专业的知识才能解读，而且整个分析过程非常耗时。这就导致了一个尴尬的局面：AI 可以在几天内生成成百上千的候选药物分子，但传统的表征方法，却要花几周甚至几个月才能处理完这些数据，这已经成为了 AI 制药行业新的瓶颈。

而 10x Science 的平台，正是为了解决这个问题而生。他们将基于化学和生物学的确定性算法，与能够解读质谱数据的 AI 智能体结合到了一起。团队做了大量的工作，在质谱数据上训练模型，并且让分析结果具备可追溯性 —— 这一点对于药企来说至关重要，因为这类工具需要满足合规要求，可追溯是必不可少的条件。

比专家还懂数据？AI 智能体的自动化能力

对于用户来说，这个平台带来的改变是立竿见影的。马修・克劳福德是 Rilas Technologies 的科学家，他的公司为其他企业做化学分析，帮助生物技术初创公司节省了数百万的设备和人力成本。他已经使用 10x Science 的平台有数周时间，他表示这个平台大大加快了他的工作速度。“我在平台上运行了一个特定的蛋白质，它根据我命名文件的方式，就大致推断出这可能是什么蛋白质，然后它在线搜索数据库中该蛋白质的序列，这样我就不用把序列编程输入进去了。” 克劳福德这样描述道。

他表示，之前他也试用过不少 AI 工具，要么夸大其词，要么准确性有问题，但 10x 的平台却能做出合理的推断，这都要归功于创始人团队深厚的领域专业知识。这个平台不仅能自动找到正确的数据进行分析，还能自适应地评估不同类型的分子，大大降低了使用的门槛。目前，10x Science 已经开始和多家大型制药公司以及学术研究人员展开合作。他们计划用这笔新的融资，招聘更多的工程师，继续优化模型，并且向更多的新客户提供服务。如果能在蛋白质表征领域站稳脚跟，罗伯茨还希望公司能进一步扩展：将蛋白质结构与细胞的其他数据结合起来，提供一种全新的生物学理解方式，也就是他们所说的 “定义分子智能的新方法”。

对于投资者来说，这个项目的吸引力也显而易见：它不像普通的生物技术公司，依赖某一款特定药物的研发成功和监管批准，风险要低得多。“这是一个软件即服务（SaaS）平台，制药公司每月都必须付费，以处理所有这些潜在候选物。”Initialized 的合伙人佐伊・佩雷特这样解释道。她认为，创始人的深厚经验就是公司的护城河，毕竟同时懂这类技术和对应数据的专家，实在是太少了。

而对于普通的科研人员来说，这个平台更是解锁了之前难以触及的技术：那些想要研发新药的小团队，不用再面对复杂的质谱数据和一堆专业问题，只需要把数据交给平台，就能直接拿到自己需要的结果，快速推进下一步的研究。而这，正是 AI 制药行业打破新瓶颈，真正走向规模化的关键一步。