AI制药遇上了一个意想不到的问题
过去几年，AI改变新药研发的故事你大概听过不少。
AlphaFold预测了2亿个蛋白质结构，把几十年的工作压缩进几周；生成式AI能在几秒内设计出成千上万种新分子；各大制药公司纷纷宣布与AI公司合作，承诺将新药研发速度提升10倍甚至100倍。
听起来很美好。
但现在，AI制药领域出现了一个没人预料到的新问题：
候选药物太多了。
不是少，是多。多到实验室根本处理不过来。
AI工具把制药流水线的"入口"彻底打开了——每天都在源源不断地吐出新的候选分子。但问题是，这些候选药物在真正进入临床试验之前，必须经历一个叫做"表征"（Characterization）的过程——科学家需要在分子层面彻底搞清楚每一个候选药物到底是什么、能不能用、安不安全、质量是否过关。
这个过程，AI没有加速。
它还是和20年前一样慢。
一个临床试验每延误一天，损失超过100万美元
说"慢"是一回事，但慢到什么程度？
目前，每一个候选药物的表征过程需要数周乃至数月，充满了耗时费力的人工数据分析和报告生成。临床试验每延误一天，平均损失超过100万美元。
整个制药流水线现在的状态是这样的：
上游，AI每天造出成千上万个候选分子，堆积如山。
下游，科学家用几十年没变的方法，一个一个手工分析，每个要花几周。
中间这道卡口，就是今天全球制药研发效率最低的地方，也是最贵的地方。
AI药物发现带来的意外危机是：太多分子，太少清晰度。分子生成从来不是瓶颈——验证才是。
三个从诺贝尔奖实验室走出来的人，决定解决这件事
David Roberts、Andrew Reiter、Vishnu Tejus——这是10x Science的三位创始人。
他们三个有一个共同点：都曾在斯坦福大学诺贝尔化学奖得主Carolyn Bertozzi教授的实验室工作，研究癌细胞与免疫系统之间的相互作用。
Bertozzi是2022年诺贝尔化学奖得主，她的研究领域正好横跨化学生物学和医学——也就是说，10x Science的创始团队是在这个问题的最前沿受过训练的人。
David Roberts是Damon Runyon癌症研究学者，在Nature和ACS系列期刊发表过38篇以上的论文。Andrew Reiter曾在MIT和哈佛的Broad研究所工作，专门开发解析药物相互作用的新工具。Vishnu Tejus是两次入选YC的连续创业者，11岁就开始上大学。
这不是三个刚毕业就创业的学生。他们在这个领域深耕多年，亲眼看着这个问题从无到有地出现——也亲身经历了它有多让人抓狂。
正如David Roberts所说："我们亲身经历过这个问题。"
10x Science 到底做什么？
核心产品是一个AI原生的蛋白质表征平台。
蛋白质类药物（抗体、细胞疗法、工程蛋白等）是今天新药研发的主战场，蛋白质类药物已经占据了新疗法的多数。但每一种蛋白质药物在进入临床之前，科学家都必须在分子层面做极其精细的"画像"——这个分子是什么结构？纯不纯？稳不稳定？会不会引起免疫反应？
10x Science的平台，把这个原本需要几周人工操作的过程，压缩到几分钟内完成，每个团队每月可节省超过15万美元的时间成本。
技术上，它将AI代理与确定性化学和生物学算法相结合，用于解析质谱数据——一种分析分子结构精度极高但极为耗时的技术。
更重要的是，它不只是快，还能解释自己的结论。早期用户合同研究机构Rilas Technologies测试后报告说，平台能自主定位相关数据、解释其结论，并能适应不同的分析场景。这对科学家来说至关重要——在制药领域，一个不能解释推理过程的黑盒AI是没人敢用的。
这门生意，为什么是一个好赌注？
这是一个"卖铲子"的逻辑。
投资者押注10x Science，是在押注分子验证将随着AI药物发现的规模扩大而变得愈发关键。AI系统生成的分子越多，帮助优先筛选的工具就越有价值。这是一种对AI生物技术热潮的"卖铲子"押注——提供基础设施，无论哪个具体的AI发现平台最终主导市场，这类基础设施都是不可或缺的。
换句话说，10x Science不需要赌哪家AI制药公司会赢——只要AI制药这件事继续发展，它就有生意做。
买家有钱，痛点真实。
制药公司是出了名的不差钱，但极度厌恶浪费。临床试验每延误一天百万美元的损失，让他们对任何能提速的工具都有强烈的付费意愿。10x Science已经与企业级制药客户建立了商业合作，这说明它不是在等市场教育，市场已经准备好了。
团队来自问题本身的核心。
这不是技术人员看到制药行业机会然后跨界来做的故事。David、Andrew和Vishnu在诺贝尔奖实验室里亲手做过这件事，知道哪个环节最让人崩溃，也知道技术边界在哪里。这种"内部人"视角，在生物科技创业里极其稀缺。
它面临的真实挑战
进入制药行业的门槛极高。 制药公司在选择数据分析工具时极度保守——数据错误的代价可能是整条研发线的崩塌。赢得大型制药企业的信任，需要的不只是技术，还有漫长的验证周期和监管合规。
竞争正在聚集。 AI药物发现行业已经从AI设计分子的炒作阶段，进入了更艰难的"搞清楚哪些分子真正有价值"阶段。这意味着越来越多的资本和人才正在涌向这个方向，先发优势的窗口不会永远开着。
这是一个需要极深专业壁垒的赛道。 质谱数据分析、蛋白质表征、AI模型——每一个单独拎出来都是一个需要多年积累的领域。10x Science的团队背景给了他们起点，但把这些能力整合成一个真正可靠的商业产品，是一段还没走完的路。
AI制药这个故事，过去几年一直是关于"发现"的——AlphaFold发现了蛋白质结构，生成模型发现了新分子，各种预测工具发现了潜在的靶点。
10x Science讲的是一个不一样的故事：
不是发现，而是判断。
在一个AI能够无限生产候选方案的世界里，真正稀缺的能力变成了：在这堆候选方案里，哪些值得押注，哪些应该放弃？
这个判断力，才是接下来几十年制药研发效率的真正关键。
10x Science的三位创始人在诺贝尔奖实验室里磨了多年，然后在2025年12月创业，用一句话定义了自己要做的事：
让药物开发跟上AI药物发现的速度。
这句话听起来简单，但它背后的工程难度和商业机会，都是真实的。
10x Science目前已完成480万美元种子轮融资，由Initialized Capital领投，Y Combinator、Civilization Ventures和Founder Factor参投，正在招募创始工程师。This Week's Startup Pick | 10x Science: AI Is Generating Too Many Drug Candidates — This Company Helps You Find the Ones That Actually MatterAI Drug Discovery Has Run Into an Unexpected Problem
Over the past few years, you've probably heard plenty of stories about AI transforming drug development.
AlphaFold predicted 200 million protein structures, compressing decades of work into a matter of weeks. Generative AI can design tens of thousands of new molecules in seconds. Major pharmaceutical companies have been announcing AI partnerships one after another, promising to accelerate drug development by 10x or even 100x.
It all sounds impressive.
But AI drug discovery has now hit an unexpected new problem:
There are too many drug candidates.
Not too few — too many. So many that labs simply can't keep up.
AI tools have blown open the "entrance" to the pharmaceutical pipeline, pumping out new candidate molecules every single day. The problem is that before any of these candidates can enter a clinical trial, they must go through a process called characterization — scientists need to thoroughly understand, at the molecular level, exactly what each candidate is, whether it works, whether it's safe, and whether the quality meets the bar.
This process, AI has not accelerated.
It still takes just as long as it did 20 years ago.Every Day a Clinical Trial Is Delayed Costs Over $1 Million
Saying it's "slow" is one thing. But how slow, exactly?
Right now, characterizing a single drug candidate takes weeks to months — filled with painstaking manual data analysis and report generation. Every day a clinical trial is delayed costs an average of over $1 million.
Here's what the pharmaceutical pipeline looks like today:
Upstream, AI generates thousands of candidate molecules every day, piling up faster than anyone can process them.
Downstream, scientists use methods that haven't fundamentally changed in decades, manually analyzing each one, with each analysis taking weeks.
The bottleneck in the middle is the least efficient and most expensive point in global drug development today.
The unexpected crisis created by AI drug discovery is this: too many molecules, not enough clarity. Molecule generation was never the bottleneck — validation is.Three People From a Nobel Laureate's Lab Decided to Fix It
David Roberts, Andrew Reiter, and Vishnu Tejus — these are the three co-founders of 10x Science.
All three share one thing in common: they all worked together in the lab of Stanford Nobel Chemistry laureate Professor Carolyn Bertozzi, studying the interactions between cancer cells and the immune system.
Bertozzi won the 2022 Nobel Prize in Chemistry. Her research sits squarely at the intersection of chemical biology and medicine — which means the founding team of 10x Science was trained at the very frontier of this problem.
David Roberts is a Damon Runyon Cancer Research Fellow with over 38 publications in Nature and ACS family journals. Andrew Reiter worked at the Broad Institute of MIT and Harvard, where he built new tools to decode drug interactions. Vishnu Tejus is a two-time YC founder who started college at age 11.
These are not three recent graduates who decided to start a company. They spent years at the deep end of this field, watching this problem emerge from nothing — and experiencing firsthand just how maddening it is.
As David Roberts put it: "We've lived this problem."What Does 10x Science Actually Do?
The core product is an AI-native protein characterization platform.
Protein-based drugs — antibodies, cell therapies, engineered proteins — are the primary battleground in drug development today, and they already make up the majority of new therapies. But before any protein therapeutic can enter clinical trials, scientists must produce an extremely precise molecular "portrait" of it: What is its structure? Is it pure? Is it stable? Will it trigger an immune response?
10x Science's platform compresses this process — which currently requires weeks of manual work — to a matter of minutes, saving each team over $150,000 per month in time costs.
Technically, it combines AI agents with deterministic chemistry and biology algorithms to interpret mass spectrometry data — a technique that is highly accurate for analyzing molecular structure but extraordinarily time-consuming.
More importantly, it doesn't just work fast. It explains its own conclusions. Early users at contract research firm Rilas Technologies reported that the platform autonomously located relevant data, explained its reasoning, and adapted across different analysis contexts. For scientists, this is essential — in the pharmaceutical world, a black-box AI that can't explain its thinking is one nobody will trust.Why This Is a Good Bet
It's a picks-and-shovels play.
The investors backing 10x Science are betting that molecular validation will become increasingly critical as AI drug discovery scales. The more molecules AI systems generate, the more valuable tools that help prioritize them become. This is a picks-and-shovels bet on the AI biotech boom — providing infrastructure that remains essential regardless of which specific AI discovery platform ultimately wins the market.
In other words, 10x Science doesn't need to bet on which AI drug company will come out on top. As long as AI drug development keeps moving forward, there's a business here.
The buyers have money, and the pain is real.
Pharmaceutical companies are famously well-funded but deeply averse to waste. With clinical trial delays costing over a million dollars per day, they have strong willingness to pay for anything that speeds the process up. 10x Science has already established commercial relationships with enterprise pharmaceutical clients — which means it isn't waiting for the market to be educated. The market is already ready.
The team comes from inside the problem itself.
This isn't a story about technologists spotting an opportunity in pharma and crossing over to exploit it. David, Andrew, and Vishnu have done this work by hand in a Nobel laureate's laboratory. They know exactly which step is the most painful, and they know where the technical limits are. That insider perspective is extraordinarily rare in biotech startups.The Real Challenges Ahead
The barrier to entry in pharma is extremely high. Pharmaceutical companies are intensely conservative when choosing data analysis tools — a data error can collapse an entire development program. Winning the trust of large pharmaceutical firms requires not just technology, but long validation cycles and regulatory compliance.
Competition is gathering. The AI drug discovery industry has already moved past the hype phase of AI-designed molecules and into the harder work of figuring out which molecules actually matter. That means more capital and talent are flowing in this direction, and the window for first-mover advantage won't stay open forever.
This is a field that demands deep expertise. Mass spectrometry data analysis, protein characterization, AI modeling — each one alone is a domain that takes years to master. The team's background gives them a head start, but integrating these capabilities into a genuinely reliable commercial product is a journey that isn't finished yet.
For the past few years, the story of AI drug discovery has been about finding things — AlphaFold found protein structures, generative models found new molecules, prediction tools found potential targets.
10x Science is telling a different story:
Not discovery. Judgment.
In a world where AI can generate candidate solutions without limit, the truly scarce ability becomes: among this pile of candidates, which ones are worth betting on, and which ones should be dropped?
That judgment is the real key to pharmaceutical R&D efficiency for the next several decades.
The three founders of 10x Science spent years honing that judgment in a Nobel laureate's laboratory, then started a company in December 2025 and defined what they were building in one sentence:
Make drug development keep pace with AI drug discovery.
That sentence sounds simple. But the engineering challenge and the commercial opportunity behind it are both entirely real.
10x Science has completed a $4.8 million seed round led by Initialized Capital, with participation from Y Combinator, Civilization Ventures, and Founder Factor. The company is currently hiring founding engineers.Notre startup de la semaine | 10x Science : l'IA génère trop de candidats médicaments — cette startup aide à trouver ceux qui comptent vraimentLa découverte de médicaments par IA vient de rencontrer un problème inattendu
Ces dernières années, vous avez probablement entendu de nombreuses histoires sur l'IA qui transforme la recherche pharmaceutique.
AlphaFold a prédit 200 millions de structures protéiques, comprimant des décennies de travail en quelques semaines. L'IA générative peut concevoir des dizaines de milliers de nouvelles molécules en quelques secondes. Les grandes entreprises pharmaceutiques ont annoncé les unes après les autres des partenariats avec des sociétés d'IA, promettant d'accélérer le développement de médicaments d'un facteur 10, voire 100.
Tout cela semble impressionnant.
Mais la découverte de médicaments par IA vient de heurter un nouveau problème inattendu :
Il y a trop de candidats médicaments.
Pas trop peu — trop. Tellement que les laboratoires ne peuvent tout simplement pas suivre.
Les outils d'IA ont grand ouvert l'« entrée » du pipeline pharmaceutique, produisant en permanence de nouvelles molécules candidates chaque jour. Le problème, c'est qu'avant qu'un de ces candidats puisse entrer dans un essai clinique, il doit passer par un processus appelé caractérisation — les scientifiques doivent comprendre en profondeur, au niveau moléculaire, exactement ce qu'est chaque candidat, s'il fonctionne, s'il est sûr, et si sa qualité est au niveau requis.
Ce processus, l'IA ne l'a pas accéléré.
Il prend toujours autant de temps qu'il y a 20 ans.Chaque jour de retard dans un essai clinique coûte plus d'un million de dollars
Dire que c'est « lent » est une chose. Mais à quel point, exactement ?
Aujourd'hui, caractériser un seul candidat médicament prend des semaines voire des mois — remplis d'une analyse de données manuelle laborieuse et de la génération de rapports. Chaque jour de retard dans un essai clinique coûte en moyenne plus d'un million de dollars.
Voici à quoi ressemble le pipeline pharmaceutique aujourd'hui :
En amont, l'IA génère des milliers de molécules candidates chaque jour, s'accumulant plus vite que quiconque ne peut les traiter.
En aval, les scientifiques utilisent des méthodes qui n'ont pas fondamentalement changé depuis des décennies, en analysant chacune manuellement, chaque analyse prenant des semaines.
Le goulot d'étranglement au milieu est le point le moins efficace et le plus coûteux du développement pharmaceutique mondial aujourd'hui.
La crise inattendue créée par la découverte de médicaments par IA est la suivante : trop de molécules, pas assez de clarté. La génération de molécules n'a jamais été le goulot d'étranglement — la validation l'est.Trois personnes issues du laboratoire d'un prix Nobel ont décidé de régler le problème
David Roberts, Andrew Reiter et Vishnu Tejus — ce sont les trois co-fondateurs de 10x Science.
Tous trois ont un point commun : ils ont tous travaillé ensemble dans le laboratoire de la professeure Carolyn Bertozzi, lauréate du Prix Nobel de chimie à Stanford, où ils étudiaient les interactions entre les cellules cancéreuses et le système immunitaire.
Bertozzi a remporté le Prix Nobel de chimie 2022. Ses recherches se situent exactement à l'intersection de la biologie chimique et de la médecine — ce qui signifie que l'équipe fondatrice de 10x Science a été formée à la toute pointe de ce problème.
David Roberts est chercheur Damon Runyon en recherche sur le cancer, avec plus de 38 publications dans les familles de revues Nature et ACS. Andrew Reiter a travaillé au Broad Institute du MIT et de Harvard, où il a développé de nouveaux outils pour décoder les interactions médicamenteuses. Vishnu Tejus est un fondateur à deux reprises dans YC qui a commencé l'université à l'âge de 11 ans.
Ce ne sont pas trois jeunes diplômés qui ont décidé de créer une entreprise. Ils ont passé des années dans les profondeurs de ce domaine, regardant ce problème émerger de rien — et vivant de première main à quel point il peut être frustrant.
Comme David Roberts l'a dit : « Nous avons vécu ce problème. »Que fait concrètement 10x Science ?
Le produit central est une plateforme de caractérisation protéique native à l'IA.
Les médicaments à base de protéines — anticorps, thérapies cellulaires, protéines modifiées — sont le principal champ de bataille du développement de médicaments aujourd'hui, et ils constituent déjà la majorité des nouvelles thérapies. Mais avant qu'un médicament protéique puisse entrer en essai clinique, les scientifiques doivent produire un « portrait » moléculaire extrêmement précis : Quelle est sa structure ? Est-il pur ? Est-il stable ? Va-t-il déclencher une réponse immunitaire ?
La plateforme de 10x Science comprime ce processus — qui nécessite actuellement des semaines de travail manuel — à quelques minutes, faisant économiser à chaque équipe plus de 150 000 dollars par mois en coûts de temps.
Sur le plan technique, elle combine des agents IA avec des algorithmes déterministes de chimie et de biologie pour interpréter des données de spectrométrie de masse — une technique très précise pour analyser la structure moléculaire mais extraordinairement chronophage.
Plus important encore, elle ne travaille pas seulement vite. Elle explique ses propres conclusions. Les premiers utilisateurs de la société de recherche contractuelle Rilas Technologies ont rapporté que la plateforme localisait de manière autonome les données pertinentes, expliquait son raisonnement et s'adaptait à différents contextes d'analyse. Pour les scientifiques, c'est essentiel — dans le monde pharmaceutique, une IA boîte noire qui ne peut pas expliquer sa réflexion est une IA que personne ne fera confiance.Pourquoi c'est un bon pari
C'est une stratégie « pelles et pioches ».
Les investisseurs qui soutiennent 10x Science parient que la validation moléculaire deviendra de plus en plus critique à mesure que la découverte de médicaments par IA prend de l'ampleur. Plus les systèmes d'IA génèrent de molécules, plus les outils qui aident à les prioriser deviennent précieux. Il s'agit d'un pari « pelles et pioches » sur le boom de la biotechnologie IA — fournir une infrastructure qui reste essentielle quelle que soit la plateforme de découverte IA qui domine finalement le marché.
Autrement dit, 10x Science n'a pas besoin de parier sur quelle entreprise de médicaments IA sortira gagnante. Tant que le développement de médicaments par IA continue d'avancer, il y a un business ici.
Les acheteurs ont de l'argent, et la douleur est réelle.
Les entreprises pharmaceutiques sont notoirement bien financées mais profondément réfractaires au gaspillage. Avec des retards d'essais cliniques coûtant plus d'un million de dollars par jour, elles ont une forte volonté de payer pour tout ce qui accélère le processus. 10x Science a déjà établi des relations commerciales avec des clients pharmaceutiques de niveau entreprise — ce qui signifie qu'elle n'attend pas que le marché soit éduqué. Le marché est déjà prêt.
L'équipe vient de l'intérieur même du problème.
Ce n'est pas une histoire de technologues repérant une opportunité dans la pharma et venant l'exploiter de l'extérieur. David, Andrew et Vishnu ont fait ce travail à la main dans le laboratoire d'un lauréat du Prix Nobel. Ils savent exactement quelle étape est la plus douloureuse, et ils savent où se situent les limites techniques. Cette perspective d'initié est extraordinairement rare dans les startups de biotechnologie.Les vrais défis à venir
La barrière à l'entrée dans la pharma est extrêmement haute. Les entreprises pharmaceutiques sont intensément conservatrices dans le choix des outils d'analyse de données — une erreur de données peut faire s'effondrer tout un programme de développement. Gagner la confiance des grandes entreprises pharmaceutiques nécessite non seulement de la technologie, mais aussi de longs cycles de validation et une conformité réglementaire.
La concurrence se rassemble. L'industrie de la découverte de médicaments par IA a déjà dépassé la phase d'engouement pour les molécules conçues par IA et entre dans le travail plus difficile de déterminer quelles molécules comptent vraiment. Cela signifie que de plus en plus de capitaux et de talents affluent dans cette direction, et la fenêtre pour l'avantage du premier entrant ne restera pas ouverte indéfiniment.
C'est un domaine qui exige une expertise profonde. L'analyse des données de spectrométrie de masse, la caractérisation des protéines, la modélisation IA — chacune seule est un domaine qui prend des années à maîtriser. La formation de l'équipe leur donne une longueur d'avance, mais intégrer ces capacités dans un produit commercial véritablement fiable est un parcours qui n'est pas encore terminé.
Ces dernières années, l'histoire de la découverte de médicaments par IA a été une histoire de découverte — AlphaFold a découvert des structures protéiques, les modèles génératifs ont découvert de nouvelles molécules, les outils de prédiction ont découvert des cibles potentielles.
10x Science raconte une histoire différente :
Pas de découverte. Du jugement.
Dans un monde où l'IA peut générer des solutions candidates sans limite, la capacité vraiment rare devient : parmi cette pile de candidats, lesquels méritent qu'on mise dessus, et lesquels faut-il abandonner ?
Ce jugement est la vraie clé de l'efficacité de la R&D pharmaceutique pour les prochaines décennies.
Les trois fondateurs de 10x Science ont affiné ce jugement pendant des années dans le laboratoire d'un lauréat du Prix Nobel, puis ont créé une entreprise en décembre 2025 et défini ce qu'ils construisaient en une phrase :
Faire en sorte que le développement des médicaments suive le rythme de la découverte de médicaments par IA.
Cette phrase semble simple. Mais le défi d'ingénierie et l'opportunité commerciale derrière elle sont tous deux bien réels.
10x Science a finalisé un tour de table d'amorçage de 4,8 millions de dollars mené par Initialized Capital, avec la participation de Y Combinator, Civilization Ventures et Founder Factor. La société recrute actuellement des ingénieurs fondateurs.
