总部位于巴黎的生物技术公司Generare Bioscience宣布完成2000万欧元(约2330万美元)的早期融资,由Alven和Daphni共同领投。所有现有投资者,包括Galion.exe、Teampact Ventures和Vives Partners都参与了这轮A轮融资。
Generare成立于2023年,正在构建最大的未发现分子化学数据集,并将其分类到一个以结构、生物活性和药物潜力为特征的化合物库中。该公司利用人工智能为药物开发生成前所未见的分子数据。
发现未知分子宝库
公司表示,制药行业几十年来一直在非常狭窄的化学窗口内运作,这不是出于选择,而是因为相关数据不存在。Generare解锁了微生物基因组内编码的信息,那里储存着大量分子信息,是进化花费30亿年时间积累的成果。
Generare估计,人类可获得的基因组数据中约97%仍然埋藏在微生物基因组中,未被解读。该公司表示正在从这些缺失数据中创造价值,以高质量和大规模的方式提供这些信息。
微生物基因组一直是药物发现的丰富来源。从微生物中提取的药物实例包括:从人类鼻腔细菌中提取的抗生素Lugdunin;在放线菌基因组中发现的Taromycin A/B,这是一种能够对抗耐甲氧西林金黄色葡萄球菌的抗生素;以及从海洋海绵相关真菌中提取的抗病毒药物Vidarabine。
该公司专注于小分子领域,这是构建最知名药物的化学类别。
革新AI药物发现
联合创始人兼首席执行官Guillaume Vandenesch表示:"药物发现存在数据问题。整个领域都在用相同的回收化学物质训练模型,却期望不同的结果。瓶颈不在算法,而在于缺乏真正新颖、高质量的分子数据,我们通过构建最大的专有隐秘小分子数据集来解决这个问题。"
通过提供在未发现的微生物基因组领域中发现的新颖小分子数据,Generare期望革命化当前的AI药物发现行业。仅在2025年,所有其他参与者合计发现了几十个新分子,而Generare发现了200多个。
扩大发现规模
该公司表示将利用这笔资金大大加速发现模式,到2027年将其产能扩大10倍至超过2000个分子,目标是随着时间推移超过10000个。公司还计划将目前由25名计算生物学家、化学家、合成生物学家、技术人员和工程师组成的团队规模扩大一倍。
Q&A
Q1:Generare Bioscience是什么公司?主要做什么?
A:Generare Bioscience是一家成立于2023年的巴黎生物技术公司,专门利用人工智能从微生物基因组中发现未知分子,为药物开发生成前所未见的分子数据。该公司正在构建最大的未发现分子化学数据集。
Q2:为什么微生物基因组对药物发现很重要?
A:微生物基因组储存着大量分子信息,是进化花费30亿年积累的成果。据估计,人类可获得的基因组数据中约97%仍埋藏在微生物基因组中未被解读。许多知名药物如抗生素Lugdunin、Taromycin A/B等都来源于微生物。
Q3:Generare在药物发现方面有什么突破性成果?
A:仅在2025年,所有其他AI药物发现公司合计发现了几十个新分子,而Generare发现了200多个。公司计划到2027年将产能扩大10倍至超过2000个分子,长期目标是超过10000个分子。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。