人工智能在科学领域最亮眼的落地案例之一，是 Google DeepMind 用深度学习模型预测蛋白质结构。可真正推进药物研发时，新的堵点已经冒出来了。模型能一口气吐出大量潜在候选分子，但这些候选物最终都得进入实验表征环节，接受验证、筛选和量产评估。 10x Science 想解决的，正是这段最慢、也最吃人的流程。
这家成立于 2025 年 12 月的初创公司今天宣布完成 480 万美元种子轮融资，由 Initialized Capital 领投， Y Combinator 、 Civilization Ventures 和 Founder Factor 跟投。公司由化学生物学家 David Roberts 、生物学家 Andrew Reiter ，以及连续创业者 Vishnu Tejus 共同创立。后者的背景集中在计算机科学和 AI 模型。
David Roberts 的判断很清晰。如今的生物制药企业手里并不缺预测工具，真正卡脖子的，是候选药物进入“表征”之后的那道关。前端漏斗可以塞进越来越多候选物，但后端每一个都要被测量、被确认、被解释。速度跟不上， AI 在前端释放出的生产力就会堆积成新的瓶颈。
蛋白质结构的理解，是生物药研发中的核心工作。生物药在活细胞中生产，设计复杂，目标通常也很明确，就是精准作用于特定疾病或特定细胞。比如默沙东的 Keytruda ，就通过帮助免疫系统识别并攻击癌细胞，成为一款广泛使用的抗癌药物。问题在于，研究人员要弄清这些蛋白质和相关分子到底长什么样、怎么变化、是否符合预期，并不轻松。
10x Science 的三位创始人此前都在 Stanford 大学诺奖得主 Carolyn Bertozzi 的实验室共事，研究癌细胞与免疫系统之间的相互作用。那段经历给他们留下的最深感受，不是理论不够，而是实验层面的“看不清”。分子层面究竟发生了什么，往往很难精准确认。这种挫败感，后来变成了创业方向。
目前，评估分子最准确的方法之一是质谱法 （ mass spectrometry ）。它通过测量分子的质量和电荷来推断组成与结构。这套技术本身不新，但近年的应用方式越来越复杂，产出的数据也越来越难读。现实情况是，解读这些数据需要高度专业的人员，分析过程又极其耗时。药企、科研团队即便拿到了样本，也未必能高效得出可用结论。
10x Science 的平台把两类能力拼在了一起。一边是扎根于化学和生物学的确定性算法。另一边是负责解释数据的 AI 智能体。公司花了不少功夫去训练模型处理质谱数据，也特别强调分析过程的可追踪性。这不是包装用词，而是进入制药流程的硬门槛。只要产品要帮助客户满足监管合规要求，结论就不能只是“模型觉得”，必须能回溯、能解释、能审计。
Rilas Technologies 的科学家 Matthew Crawford 近几周一直在使用 10x Science 的平台。 Rilas 的业务，是替其他公司完成化学分析，省去像生物科技初创公司这类客户自己花几百万美元采购质谱设备、再招募操作专家的成本。 Crawford 的反馈颇有分量。他认为，这个平台确实在加快工作流程，而且给出的结果比他此前接触过的一些 AI 工具更靠谱。
让他意外的，不只是模型能得出结论，而是它能把结论讲明白，能自己找到分析所需的数据，还能适应不同类型分子的评估任务。 Crawford 提到，自己过去试过的一些 AI 工具要么宣传过头，要么准确率不稳定。相比之下， 10x Science 的系统会做出“合理假设”。在他看来，这种表现背后不是通用模型 magic ，而是创始团队扎实的领域知识。
他举了一个很具体的例子。有一次，他把某种蛋白质数据丢进系统，平台仅凭文件名就大致判断出那是什么蛋白质，接着自动在线检索了该蛋白的序列信息，省掉了人工输入序列这一步。这种小地方的自动化，看上去不起眼，放进高频实验流程里，节省的其实是整段分析链路中的认知负担和时间成本。
10x Science 透露，公司目前也在与多家大型制药企业以及学术研究团队合作。这笔种子资金接下来会主要用于扩充工程团队、继续打磨模型，并向更多客户提供服务。 Roberts 还提到，如果公司能先在蛋白质表征上站稳脚跟，下一步会尝试把蛋白质结构与细胞层面的其他数据结合起来，形成一种新的生物学理解方式。他把这件事概括为“定义分子智能 （ molecular intelligence ） 的新方法”。
从投资角度看，这家公司也踩中了一个挺讨巧的位置。它并不押注某一款具体药物能否成功获批，而是切入整个生物医药行业都绕不过去的研发基础设施。 Initialized Capital 合伙人 Zoe Perret 的说法很现实。这是一种制药公司需要按月付费使用的 SaaS 平台，因为每个月都会有大量候选分子要过表征流程。只要药企持续研发，它就有持续收费的空间。更关键的是，竞争壁垒不只在模型，还在方法论和数据理解能力上。真正懂这些分析手段、也懂背后数据的人，本来就不多。
在 Crawford 看来， 10x Science 最有潜力的一点，是把原本门槛很高的技术，交到那些真正需要它、却没时间也没资源完整部署它的研究团队手里。很多团队研发新药时，只是想从质谱分析里快速拿到一个明确答案，结果却常常被复杂工具、繁琐流程和解释成本拖进泥潭。这个软件要做的，不是把问题变得更花哨，而是把研究人员从一堆技术细节里拽出来，让他们更快进入下一步实验。
