DeepCyte 是一家利用人工智能和单细胞生物学来识别和解释药物毒性的生物技术公司，已获得 150 万美元的种子资金。该公司由 Theodore Alexandrov 博士和 Shawn Owens 共同创立，正在开发工具，不仅可以告诉生物制药团队某种药物是否会造成伤害，还可以告诉其影响哪些细胞以及原因。它在特拉华州和哥本哈根运营。
大约30%的临床试验失败 与毒性或难以控制的副作用有关，尽管几十年来采用了新的筛查方法，但这一数字并没有显着改善。标准工具、动物模型和批量检测测量组织样本的平均反应，而不是跟踪单个细胞的反应。这种区别很重要。药物对某些细胞的影响与其他细胞的影响非常不同，而这些差异往往是真正的警告信号所在。 这 FDA已正式呼吁 药物开发应从默认的动物测试转向基于人体的模型，在试验开始前更准确地预测药物反应。
此轮融资得到了医疗技术高管、前首席执行官兼投资者 Carl JG Evertsz 的支持，他将担任董事会主席。
为什么药物毒性测试长期以来一直是生物制药的一个问题
FDA 和欧洲药品管理局都在更新法规以支持非动物测试方法，包括器官芯片系统和基于人工智能的模型。器官芯片是指模拟人体器官行为的小型实验室设备，使研究人员能够观察药物对类人组织的影响。两个机构目前正在制定正式指南来验证和接受这些方法。对于面临避免代价高昂的后期失败压力的生物制药团队来说，目前的选择很有限。大多数可用的方法要么无法解释毒性作用背后的机制，要么无法区分药物在同一样本内不同细胞类型中的行为方式。
单细胞生物学顾名思义：它一次研究一个细胞，而不是产生数百万个细胞的平均值。该领域在过去十年中取得了长足的进步。当这种精度水平与人工智能相结合时，标准测试可能遗漏的毒性模式就会变得可见。 DeepCyte 的工作理念是，这种细胞水平、机制感知的证据将成为药物安全测试的常规预期，特别是当监管机构寻求更具体、与人类生物学直接相关的数据时。
DeepCyte 计划如何使用种子资金
该公司尚未公布资金将如何使用的详细细目。根据其发布材料，重点是开发两种产品、扩展训练人工智能的专有数据集以及在生物制药市场建立商业关系。这两款产品都处于早期阶段，人工智能所依赖的数据图集需要持续投资才能增长。
既定的近期目标是在问题迫使试验停止之前，向药物开发商提供更清晰、更早的有关毒性风险的信号。此外，DeepCyte 的目标是帮助该行业从动物模型和批量检测转向基于人类细胞数据的测试。随着 FDA 不断更新其监管期望，这一方向变得更具商业意义。
DeepCyte 两款产品：MetaCore 和 DeeImmuno 详解
DeepCyte 于 2026 年 4 月推出，推出了两款旨在协同工作的产品。第一个是 MetaCore，是一个高通量平台，用于分析单个细胞的分子内容。它使用基于激光的采样和质谱分析方法，即激光从细胞中提取材料，从而可以测量其化学成分，从而建立细胞内部发生情况的详细概况。 MetaCore 旨在以最少的准备工作以及该公司所谓的启用成本来处理大量样本。它生成的数据形成大型结构化地图集，用于训练人工智能。
第二个产品 DeeImmuno 采用 MetaCore 数据并应用机器学习来预测药物的毒性，识别与毒性相关的生物标记，并追踪其背后的分子机制。在对与训练数据分开的 100 种药物进行测试时，DeeImmuno 识别出了 17 种特定的毒性机制，准确率高达 94%。据该公司称，传统的测试方法无法达到这种程度的机械细节。
“DeepCyte 的使命是在药物到达患者之前大规模地揭示和预防每个细胞的毒性。通过结合人工智能和单细胞生物学的进步，我们不仅可以预测药物是否有毒，还可以预测为什么有毒。”
西奥多·亚历山大博士、DeepCyte 首席执行官兼联合创始人
Alexandrov 此前开发了 METASPACE，这是一个供全球数千名研究人员使用的云平台，并与他人共同创立了 SCiLS GmbH，该公司后来被布鲁克收购。他的背景涵盖计算研究和生命科学商业化，这反映了 DeepCyte 所围绕的技能组合。
