Esfuerzos de innovación, el fondo respaldado por Google Eric Schmidt, desde hace años, adopta un enfoque novedoso para resolver problemas difíciles y en constante evolución, como la ciberseguridad y la escasez de alimentos: establece incubadoras que reúnen a diferentes partes interesadas para identificar, desarrollar y financiar formas de abordar estos problemas. Hoy, Innovation presentó lo último de estos: un nuevo proyecto llamado Deep Life, que tiene como objetivo identificar problemas difíciles en el mundo de las ciencias de la vida y descubrir cómo usar la informática, específicamente las innovaciones en áreas como el aprendizaje automático, para ayudar a solucionarlos. .
Las áreas objetivo incluirán terapias, diagnósticos y ciencias de la vida industrial en biología, química y otros campos; y Deep Life proporcionará a las nuevas empresas un “capital de inversión en todas las etapas de crecimiento; acceso a expertos, incluidos científicos y tomadores de decisiones; conjuntos de datos propietarios; retroalimentación temprana sobre el producto; identificación de las necesidades del mercado; Clientes iniciales y socios potenciales. A cambio de su apoyo inicial, las organizaciones miembros de Deep Life obtienen acceso a tecnologías emergentes y talentos difíciles de encontrar ”, según un blog que presenta el nuevo proyecto escrito por el cofundador de Innovation Endeavors, Dror Berman.
Deep Life dará a conocer los primeros frutos de sus esfuerzos durante un día de presentación el 30 de mayo, y está aceptando solicitudes para lugares a partir de ahora.
Alternativamente llamado “ecosistema” y “colectivo”, Deep Life, en palabras de Berman, está “inspirándose” en Farm2050 y Team8, las otras dos incubadoras que la firma ayudó a crear en los últimos años. El modelo consiste en incorporar una serie de grandes nombres y luego, además de desarrollar ideas, financiar nuevas empresas para producirlas. Finalmente, se dividen como compañías independientes que se adquieren (aquí y aquí) o continúan operando de manera independiente.
Al igual que con estas otras dos incubadoras, Deep Life está aprovechando el conocimiento colectivo de una serie de partes interesadas existentes en el ecosistema de las ciencias de la vida. La lista incluye LEO Pharma., una compañía farmacéutica danesa centrada en dermatología pionera; Hospital Mount Sinai; Novozymes, un productor de enzimas industriales y microorganismos para una amplia gama de industrias; Schmidt Futures; Instituto de Investigación y Servicios de Salud Clalit en Israel; y unCademics, emprendedores y otros, incluido Aviv Regev, un biólogo computacional y presidente de la facultad de Instituto Broad del MIT y Harvard.
Además, Innovation Endeavors dice que aprovechará los aprendizajes de las nuevas empresas que ya ha respaldado, incluyendo Bolt Threads, Color, Freenome, GRO Biosciences, Karius, Vicarious Surgical, Viz.ai y Zymergen.
En general, no está claro cuánta financiación se destina a Deep Life, y si las dos listas anteriores también se convierten en patrocinadores financieros del proyecto. Por otra parte, Innovation Endeavors anunció el verano pasado un fondo de $ 333 millones y planea contribuir una cantidad considerable de respaldo a Deep Life, por lo que entiendo.
La intersección entre tecnología y ciencias de la vida no es, por supuesto, un área completamente nueva. La tecnología ha sido una piedra angular de cómo se ha desarrollado la ciencia y cómo se entregan sus aplicaciones, por ejemplo, en medicina.
Lo que es un poco diferente aquí es el enfoque mucho más cercano en el papel que desempeña la tecnología en la germinación de ideas y en la creación de conocimiento, en lugar de simplemente permitir el funcionamiento eficiente de un servicio.
Entre las áreas que Deep Life me dice que espera cubrir están el uso del diseño experimental (aprendizaje activo) para descubrir el conocimiento biológico; generando conjuntos de datos que son más efectivos que los enfoques actuales; la aplicación de mediciones simples para generar lecturas complejas de alto contenido a través de modelos generativos; combinando modalidades de datos (por ejemplo, fenotipos complejos moleculares y basados en imágenes); simplificar las lecturas de datos para ayudar a predecir los resultados (utilizando AI); añadiendo al vocabulario molecular de las células, organismos huésped y sus subcomponentes; y la construcción de plataformas de datos para biología que van desde esfuerzos distribuidos y asíncronos hasta una fuente de código abierto.
Source link