Helical sichert sich 10 Millionen Dollar für virtuelles AI-Labor in der Pharma-Forschung
Das in London ansässige Biotech-Startup Helical hat eine Seed-Runde über 10 Millionen Dollar abgeschlossen. Die Finanzierung wird von redalpine angeführt, mit Beteiligung von Gradient, BoxGroup, Frst und prominenten Angel-Investoren wie Aidan Gomez (Cohere-CEO), Clement Delangue (CEO von Hugging Face) und Fußballprofi Mario Götze. Das 2024 gegründete Startup entwickelt eine Application-Layer-Plattform, die biologische Foundation Models operationalisiert und sie für reproduzierbare Drug-Discovery-Workflows in der Pharmaforschung nutzbar macht.
Das Kernproblem: Jährlich werden rund 50 neue Medikamente zugelassen, während über 10.000 Krankheiten bekannt sind – nicht wegen fehlender Ideen, sondern wegen mangelndem Durchsatz. Die Pharmaindustrie investiert jährlich über 300 Milliarden Dollar in Forschung und Entwicklung, doch mehr als 90 Prozent der Kandidaten scheitern in klinischen Studien.
Wenn KI auf fragmentierte Forschung trifft
Die durchschnittlichen Kosten pro zugelassenem Medikament übersteigen 2 Milliarden Dollar, die Entwicklungszeiten erstrecken sich über mehr als ein Jahrzehnt. Biologische KI-Modelle könnten helfen, einen großen Teil der Forschung schneller und günstiger zu machen: Wissenschaftler:innen können damit Ideen zuerst am Computer testen, bevor sie teure Experimente im Labor durchführen.
Doch die Ergebnisse der Modelle lassen sich oft nicht einfach in echte Forschungsentscheidungen übersetzen. Das liegt daran, dass die Arbeitsabläufe in der Praxis stark zersplittert sind, Teams getrennt arbeiten und Analysen nicht immer nachvollziehbar oder reproduzierbar sind.
Zwei Oberflächen, ein System
Helical will diese Lücke mit zwei Produktoberflächen auf derselben Datenbasis schließen: das Virtual Lab für Biolog:innen und Translationswissenschaftler:innen sowie die Model Factory für ML-Engineers und Data Scientists. „Die Modelle allein entdecken keine Medikamente. Das System tut es“, erklärt Co-Founder Rick Schneider. „Pharma-Teams brauchen ein System, das Foundation Models in Workflows verwandelt, die Wissenschaftler:innen ausführen, validieren und verteidigen können. Wir haben Helical entwickelt, um In-silico-Wissenschaft im Pharma-Maßstab reproduzierbar zu machen, damit Teams in Tagen statt Monaten von der Hypothese zur Entscheidung gelangen können.“
Das Gründertrio bringt komplementäre Expertise mit: Schneider baute Technologie bei Amazon und skalierte das deutsche Enterprise Celonis in Frankreich und Japan, Maxime Allard leitete Data-Science-Teams bei IBM und promovierte in Reinforcement Learning, Mathieu Klop arbeitet als Kardiologe und Genomik-Forscher.
„Wir befinden uns an einem einzigartigen Zeitpunkt, an dem biologische Foundation Models und allgemeine Sprachmodelle konvergieren“, so Daniel Graf, General Partner bei redalpine. „Wir haben Helical unterstützt, weil wir fest davon überzeugt sind, dass sie das Zeug dazu haben, die Pharma-KI-Orchestrierungsplattform zu bauen, die diesen Übergang von isolierten KI-Modellen zu integrierten virtuellen AI-Labs vorantreiben wird.“ Die Plattform läuft bereits produktiv bei mehreren Top-20-Pharmakonzernen, darunter eine öffentliche Kollaboration mit Pfizer zu prädiktiven blutbasierten Sicherheitsbiomarkern.
Von Jahren zu Wochen
In Deployments für Target-Identifikation, Biomarker-Discovery und therapeutisches Design haben Teams ihre Discovery-Timelines von Jahren auf Wochen komprimiert. Die Nutzung expandiert organisch von einzelnen Indikationen in angrenzende Therapiebereiche. Das frische Kapital fließt in die Ausweitung auf weitere Top-20-Pharma-Programme und den Ausbau des Deployed-Science-Engineering-Teams.
Helical plant, Deployments über mehr therapeutische Bereiche und Programme bei bestehenden Kunden zu vertiefen, zusätzliche große Pharmaunternehmen zu gewinnen und den Evidence-Layer weiterzuentwickeln, der die Performance über Krankheiten hinweg verbessert.
Die Mission: Wissenschaftler:innen ermöglichen, Hypothesen so schnell zu testen, wie KI-Modelle rechnen. Außerdem soll die computergestützte Forschung zu einem zuverlässigen System werden, das die Forschungs- und Entwicklungsarbeit deutlich beschleunigt.
