Από τα 4 δισ. δολάρια της a16z στις στοχευμένες επενδύσεις: Ο Βιτζέι Πάντε αλλάζει τον χάρτη της βιοτεχνολογίας

Ο Βιτζέι Πάντε (Vijay Pande) υπήρξε για χρόνια μια από τις πιο επιδραστικές προσωπικότητες στον χώρο των επενδύσεων τεχνολογίας και υγείας. Πρώην καθηγητής Χημείας στο πανεπιστήμιο Στάνφορντ και δημιουργός του Folding@home, του διάσημου δικτύου κατανεμημένης υπολογιστικής, ανέλαβε πριν από μια δωδεκαετία τα ηνία του τομέα βιοτεχνολογίας της Andreessen Horowitz (a16z). Εκεί, έχτισε ένα πανίσχυρο χαρτοφυλάκιο που διαχειριζόταν σχεδόν 4 δισεκατομμύρια δολάρια. Ωστόσο, η απόφασή του να αποχωρήσει για να ιδρύσει τη VZVC, μαζί με τον επί χρόνια συνεργάτη του Ζακ Βέρνερ (Zach Werner), προκάλεσε αίσθηση στην αγορά των Venture Capitals.

Η νέα στρατηγική της VZVC: Ποιότητα έναντι ποσότητας

Σε αντίθεση με τα παραδοσιακά επενδυτικά κεφάλαια που επιδιώκουν δεκάδες συμφωνίες ετησίως, η VZVC ακολουθεί μια ριζικά διαφορετική προσέγγιση. “Δεν πρόκειται να κάνουμε 30 επενδύσεις τον χρόνο”, ξεκαθαρίζει ο Πάντε. Η νέα του εταιρεία εστιάζει σε έναν πολύ μικρό, εξαιρετικά στοχευμένο αριθμό επενδύσεων ετησίως. Χωρίς την ύπαρξη ενδιάμεσων αναλυτών (associates) και βασιζόμενη σε μεγάλο βαθμό σε εργαλεία AI για την καθημερινή της λειτουργία, η VZVC επιδιώκει να προσφέρει ουσιαστική υποστήριξη σε λίγες, αλλά πολλά υποσχόμενες startups.

Αυτή η στροφή αντικατοπτρίζει μια ευρύτερη αλλαγή φιλοσοφίας. Αντί για τη διασπορά κεφαλαίων σε πολλά μέτωπα, ο Πάντε επιλέγει τη βαθιά ενασχόληση με τεχνολογίες που μπορούν να φέρουν πραγματική επανάσταση, ιδιαίτερα στον τομέα της σύγκλισης της βιολογίας με την πληροφορική.

Από τη βιολογία της ανακάλυψης στη βιολογία της μηχανικής

Σύμφωνα με τον Πάντε, η βιολογία μετασχηματίζεται ραγδαία από μια “επιστήμη ανακαλύψεων” σε μια επιστήμη που μπορούμε πλέον να σχεδιάσουμε και να προγραμματίσουμε (engineering). Η παραδοσιακή ανάπτυξη φαρμάκων βασιζόταν συχνά στην τύχη και σε εξαιρετικά δαπανηρές δοκιμές. Σήμερα, η τεχνητή νοημοσύνη και η μηχανική μάθηση επιτρέπουν στους υπολογιστές να κατανοήσουν εξαιρετικά πολύπλοκες βιολογικές δομές, βοηθώντας τόσο στον εντοπισμό των κατάλληλων στόχων όσο και στη διεξαγωγή κλινικών δοκιμών.

Ένα από τα μεγαλύτερα προβλήματα στη φαρμακοβιομηχανία είναι το τεράστιο ποσοστό αποτυχίας στις κλινικές δοκιμές, το οποίο αγγίζει το 80%. “Η αιτία της αποτυχίας δεν είναι τα λάθη των βιολόγων, αλλά το γεγονός ότι τα πειράματα βασίζονται σε μοντέλα ζώων, όπως τα ποντίκια, τα οποία δεν μπορούν να προβλέψουν με ακρίβεια την ανθρώπινη αντίδραση”, εξηγεί ο Πάντε. Τα μοντέλα AI, αν και δεν είναι τέλεια, προσφέρουν πολύ μεγαλύτερη ακρίβεια, μειώνοντας δραστικά το κόστος και τον χρόνο ανάπτυξης νέων θεραπειών.

Η πρόκληση των δεδομένων και η ιατρική ακριβείας

Σε αντίθεση με τα μεγάλα γλωσσικά μοντέλα (LLMs) που εκπαιδεύονται με κείμενα από το ελεύθερο διαδίκτυο, τα βιολογικά δεδομένα δεν είναι εύκολα προσβάσιμα. Αυτό αναγκάζει κάθε εταιρεία βιοτεχνολογίας να δημιουργεί τα δικά της, κλειστά σύνολα δεδομένων (walled-off datasets), δημιουργώντας νέες προκλήσεις για την ανοιχτή επιστήμη και την πρόσβαση στις νέες τεχνολογίες.

Παράλληλα, ο Πάντε επισημαίνει ότι η ιατρική ακριβείας (precision medicine) περνά σε νέο επίπεδο. Ενώ για χρόνια βασιζόταν στη γονιδιωματική (genomics), πλέον η προσοχή στρέφεται στην πρωτεομική (proteomics) και σε αυτοματοποιημένες ρομποτικές μετρήσεις σε πραγματικό χρόνο. Αυτό επιτρέπει τη δημιουργία φαρμάκων προσαρμοσμένων αποκλειστικά στον εκάστοτε ασθενή, ξεπερνώντας τα παραδοσιακά “γενικά” σχήματα θεραπείας και προσφέροντας εξατομικευμένη φροντίδα με βάση το πραγματικό προφίλ του οργανισμού του.