近日，生物医药公司BenchSci宣布完成2200万美元B轮融资，由F-Prime Capital领投，Inovia Capital、Real Ventures 、Golden Ventures 、Gradient Ventures跟投。伴随着资金的注入，BenchSci宣布推出其新的AI辅助试剂选择的产品，并扩大了与Novartis 的合同，该市场估计每年价值超过102亿美元。

       首席执行官Belenzon表示，融资资金将用以推动AI技术开发新药的进程。相对于通常需要12周才能完成一个抗体的选择，BenchSci的AI抗体选择技术可以在30秒内完成。减少了选择不恰当抗体的几率，它每年可节省高达300万美元的耗材成本。

       BenchSci 成立于2015年，位于加拿大安大略省多伦多市，是一家专注于生物医药领域的文献搜索初创公司，给研究人员提供了一个抗体搜索引擎的平台。旨在通过使用AI分析大量实验数据来弥补计算机自动进行数据分析这个方面的不足。帮助研究人员寻找可在任何独特实验条件下使用的抗体。

       BenchSci通过浏览大量科学文献并使用基于机器学习的智能计算机程序对所有抗体细节进行索引。这样可以有效地对实验方案进行标准化，提高研究人员的研究效率。为了以更快的速度促进科学新发现，BenchSci把平台免费提供给UHN等学术机构中的所有研究人员。

       目前在全球20强制药公司中的15家和3600多个学术中心优化了试剂采购并取得了实验的成功。在F-Prime和谷歌人工智能基金Gradient Ventures的支持下，BenchSci使用机器学习挖掘采购数据中的信息来评估药品研发的情况。

       客户可以收到故障率、生产率和冗余度相关的报告，这些报告的信息来自不同的部门、治疗区域、地理位置。然后，客户可以通过BenchSci的人工智能试剂选择平台来解决效率低下的问题，这使得科学家能够为他们的实验选择最佳试剂和恰当的设计标准。
 

BenchSci的主创团队

       BenchSci的创建团队由四名成员组成，BenchSci的创始初衷源于首席科学官Tom Leung当时在T.Like从事表观遗传学研究时所产生的挫败感。与生命科学中的许多其他研究人员一样，Leung由于无法检测到抗体靶蛋白而导致实验失败。

       “它令人沮丧，在经过数周的生长细胞样品收集后依然失败了，这个实验的失败，不是因为我在程序中做错了什么，而是因为抗体不能很好地检测出我正在寻找的蛋白质，” Leung说。

       “这结果促使我认为，科学家必须有一种更好的方法来评估抗体产品的质量，然后再购买抗体来进行实验。”

       为了实现这个目标，Leung把LinkedIn信息发送给David Chen，David Chen是神经科学方面的博士主要研究机器学习。Leung还通过T's生命科学职业发展协会（ University of T's Life Sciences Career Development Society）与在医学生物物理学系攻读博士学位的Elvis Wianda建立了联系。自此三人开启了探索使用机器学习来分析科学论文的项目，并达到了以现有的抗体搜索引擎和评论网站无法达到的精确度。

       2016年， Liran Belenzon敦促这家初创公司申请“ 创意破坏实验室”（Creative Destruction Lab ，CDL），当时他是Rotman管理学院的MBA候选人，正在为该实验室招募初创公司。Belenzon参加了Rotman的CDL课程，该课程为商务学生提供了建立早期科技公司的实践经验。 这给了他直接与BenchSci合作的机会。 最终，他加入BenchSci公司并担任首席执行官。

       随着Belenzon的到来，BenchSci背后的三位科学家Tom Leung，David Chen 和Elvis Wianda就可以凭借经验丰富的企业家思维来掌舵公司。
 

人工智能辅助抗体和试剂选择

       BenchSci 于2017年7月发布了搜索引擎测试版，上线以来累计分析了超过400万种商用抗体。其最新的测试结果显示，搜索相同的商用抗体，用 BenchSci 的搜索速度比传统的人工筛选提高了24倍，挑选抗体的成本减少了75%。

       BenchSci的试剂的选择有以下几个优点：

       1、提高了在抗体选择过程中的效率和减少了错误发生的概率；

       2、能在30秒内快速地选择试剂；

       3、每年减少高达600万美元的耗材硬成本；

       4、缩短科学家的研究时间。

       在20家制药公司和3600家学术机构中，有15家公司的31000多名科学家使用BenchSci的人工智能平台来选择抗体、规划实验，仅在硬成本方面，每年就节省了高达200万美元。

       BenchSci的图像识别技术，即使用AI从已发表的实验论文中提取抗体的相关信息，而不仅仅是知道供应商名称，产品名称或SKU。 该系统应用生物信息学将抗体链接到实例，同时提供对来自231个供应商的770万种产品的目录数据的访问，让客户了解到这些抗体的使用趋势。

       科研人员和药企在研究过程中往往面临很多问题，比如抗体的选择，试剂的浪费，检索信息的复杂等，这些问题都在延缓研究的进程，如何解决这些问题是BenchSci需要首先思考的。从抗体的供应商，到抗体的选择，BenchSci几乎收纳了所有和试剂相关的文献，大大缩短了研究人员的搜索时间，便于他们更快的发现新药物。

       最近的一篇文章报道，仅人类表皮生长因子受体蛋白就有5000多种抗体。BenchSci科学负责人Casandra Mangroo说：“科学家们知道，每种抗体在不同的实验情况下都会起不同作用。”“即使供应商进行了某种形式的测试，他们不可能在每一种实验环境中测试每种抗体的适用情况。”

       BenchSci用户可以访问世界上最大的抗体数据库，包括19家供应商680多万件产品的供应商目录数据，以及提供抗体在应用、物种、细胞系等方面的广泛应用趋势。

       同时BenchSci的搜索页面直观且简单易用，这样的页面能方便用户快速的进行操作，及时准确的找到自己想要的东西。比如：通过蛋白质目标搜索以及以分钟为单位选择实验特异性抗体。

       BenchSci拥有全面的开放式和封闭式访问数据，这些数据来源于1000万种科学出版物的真实的实验数据，包括封闭访问的论文、其他组织的独立验证，同时BenchSci与Springer nature 和Willie等领先科学出版社建立合作关系。
 

BenchSci的未来

       早在2018年的时候，BenchSci就与Proteintech进行了商业上的合作，Proteintech是一家抗体和人类蛋白质制造商，直接向科学家销售，以保持最高水平的质量控制，从而获得一致性的认可。他们宣布建立新的合作伙伴关系，通过克服生物医学研究人员所面临的选择抗体的关键挑战来加速科学发展。

       BenchSci使用机器学习识别开放式和封闭式的数据，集中访问Proteintech已发布的数据，并允许研究人员通过重要的实验变量进行搜索。这样的组合更能加快研究人员的研究效率。

       现在，许多抗体制造商都排队支持BenchSci的工作，共享其目录和相关的实验验证的数据，以将其合并到公司的数据库中。Rimm说，尽管这些试剂制造商对通用验证标准犹豫不决，但许多人仍然认识到抗体需要更好的质量控制。Rimm说：“该系统自我监管，是一个可以让竞争市场可以进行评分的系统，许多供应商相互竞争，使他们可以展示出更多经过验证的抗体。”

       帮助研究人员做出抗体的选择可以减少时间的浪费，但是抗体的选择只是问题的一个方面。研究人员还依赖其他许多试剂，包括分子探针，蛋白质特异性抑制剂和活化剂以及用于测序和PCR扩增的引物。 Leung希望最终将BenchSci的AI平台转向更广泛的产品。
 

AI助力医学研究已成趋势

       BenchSci联合创始人兼CEO Liran Belenzon表示：“如果没有AI技术，很多问题处理起来就会很麻烦甚至无法得到很好的解决。这时候就需要开发并利用一系列先进的技术，主要包括数据科学、生物信息学以及机器学习等领域的算法。让这些技术可以帮助生物医学专家能够更快地找到可靠的抗体，同时减少资源的浪费。”

       AI技术是新时代互联网的产物，也是时代的象征。不断地把AI技术应用到不同的行业里面，可以为人们的生活带来便利。BenchSci把AI技术和生物医学研究结合起来，方便客户去搜集相关的文献和资料。

       有需要就有市场，BenchSci能在短短的五年融资七轮也并不是偶然，时代在进步，我们只有跟紧时代的脚步，不断更新自己的见闻才能让自己成长。