Vijay Pande: “Non facciamo 30 scommesse all’anno”, preferisce scommesse più piccole dopo gestire $4 miliardi.

Vijay Pande era noto principalmente nei circoli accademici piuttosto che in quelli degli investitori. Tutto è cambiato una decina di anni fa, quando Marc Andreessen e Ben Horowitz, che avevano evitato esplicitamente il settore della sanità e delle scienze della vita nei primi cinque anni della loro società, decisero che la categoria valeva la pena di fare scommesse e affidarono le redini a Pande. In quel periodo, era un professore di chimica a Stanford noto soprattutto per aver creato Folding@home, il progetto di calcolo distribuito che trasformò milioni di PC domestici in un supercomputer per la ricerca sulle malattie. Nel corso di oltre un decennio, ha trasformato la scommessa di a16z in una pratica che gestisce quasi 4 miliardi di dollari.

È stato quindi piuttosto inaspettato quando a giugno dell’anno scorso, Pande ha deciso di abbandonare tutto per avviare qualcosa di molto più piccolo. Infatti, la sua nuova società, VZVC, fondata insieme all’investitore di lunga data Zach Werner, si basa su una manciata di scommesse concentrate all’anno anziché su decine, non ha associati e si affida pesantemente all’IA per le operazioni quotidiane.

Per saperne di più sul cambio di rotta di Pande, abbiamo parlato con lui questa settimana su perché sta facendo solo una manciata di scommesse concentrate anziché diluirsi nel mercato attuale e su uno degli enigmi più interessanti della biotecnologia guidata dall’IA: a differenza dei dati testuali, i dati biologici non possono essere scaricati da Internet, quindi quasi ogni azienda finisce per costruire il proprio dataset protetto. Cosa significa tutto ciò per i progressi promessi dall’IA in medicina e chi ne ottiene effettivamente l’accesso?

Questa conversazione è stata modificata per brevità e chiarezza. Puoi anche ascoltare la conversazione completa (di seguito).

Hai detto che la biologia si sta spostando da una “scienza della scoperta” a qualcosa che puoi progettare. Cosa significa?

Per gran parte del processo di sviluppo dei farmaci, c’era un aspetto molto fortunato. Penso che ciò che è cambiato è che l’IA e il machine learning consentono ai computer di avvolgere il proprio tipo di comprensione intorno a qualcosa di molto, molto complicato… cercare di capire quali obiettivi vuoi che i tuoi farmaci raggiungano, per malattie specifiche, essere in grado di creare quei farmaci e ora persino aiutare negli studi clinici – che sono la parte più costosa del processo.

Le prove cliniche si stanno rendendo più economiche perché gli sviluppatori di farmaci stanno utilizzando più dati sintetici, quindi non sono necessarie molte persone per questi studi.

È, penso, molto più un’aspirazione.

Il costo e il tempo per arrivare agli studi clinici si stanno riducendo, specialmente con l’IA, ma potrebbe ancora costare centinaia di milioni di dollari eseguire uno studio. La probabilità che un farmaco vada con successo dal primo studio alla fine del terzo studio è solo del 20%. Se 8 su 10 falliscono e queste cose costano centinaia di milioni di dollari, il costo ammortizzato diventa davvero alto. Il motivo per cui falliscono di solito non è che il biologo ha fatto qualcosa di sbagliato; è che tutti gli esperimenti su cui sono stati progettati questi farmaci erano su modelli animali come topi e alla fine, i modelli animali non sono molto predittivi per gli esseri umani. Il modello di IA non sarà perfetto, ma sarà molto migliore di qualsiasi modello animale e una volta superato quel limite, diventa davvero eccitante.

[L’ultima fase è]: Il farmaco è il farmaco giusto per me?

Intendi la medicina personalizzata…

Il gergo qui è la cosiddetta medicina di precisione. Se vai da un medico con qualcosa di non banale, devono indovinare cosa sta succedendo, perché possono dirti solo tanto. Poi ti danno un farmaco – e se quello non funziona, ti danno un altro farmaco, poi un altro farmaco. Questo accade nel cancro, accade in molte aree diverse. Saremmo tutti molto meglio se il primo farmaco fosse quello giusto. Tipicamente, i valori del tuo esame del sangue vengono confrontati con le medie della popolazione. Ma in realtà, dovrebbero essere confrontati con: questo [risultato] è strano per te? Ciò che stiamo iniziando a fare anche sul lato della medicina è [la capacità] di capire semplicemente cosa sarebbe giusto per l’individuo.

Diresti che il percorso fino a questo momento è stato lento e costante, o ha avuto un picco più recente?

Penso che siano molte cose diverse che si uniscono. Ad esempio, la medicina di precisione per molto tempo si è basata sulla genomica. Ma la realtà è che il tuo genoma è un po’ come il progetto della tua casa il primo giorno, ma la tua casa è abbastanza diversa ora rispetto al momento in cui è stata costruita. Ci sono molte altre cose che le persone possono misurare ora nella proteomica e così via che sono molto più rilevanti per la comprensione della malattia e dello stato attuale del tuo corpo. C’è anche stata una grande automazione nelle misurazioni robotiche che è naturalmente legata all’IA, e le due vanno molto bene insieme.

Nell’ultimo decennio, c’è stato un costante incremento sia nell’IA per la biologia che nell’IA per la chimica. La parte biologica è come possiamo trattare questa malattia? E poi la parte chimica è come possiamo sviluppare un farmaco per colpire quella specifica proteina? Ci sono stati progressi significativi in quei 10 anni.

Hai menzionato che la biologia è uno dei pochi luoghi in cui l’IA non può semplicemente estrarre dati da Internet. Cosa significa questo per lo sviluppo del settore?

È un luogo in cui non hai nessuno di questi dati che le persone possono semplicemente tutti addestrare alla stessa cosa, e i tuoi dati non possono essere sintetizzati da un modello all’altro. È davvero interessante dal punto di vista puramente dell’IA.

Non ricorda però un problema familiare in medicina, dove i medici operano in silos territoriali, spesso competitivi?

Hai toccato qualcosa di davvero grande qui. Immagina che qualcuno abbia un certo tipo di cancro, ed è sia un problema in oncologia che in endocrinologia – quei due medici non sono molto allineati tra loro. Quello che è davvero intrigante dell’IA è che può, in principio, essere uno specialista in tutto e può iniziare a vedere cose che nessun singolo essere umano potrebbe. Sarebbe equivalente ad avere un team dei migliori medici tutti a collaborare insieme in quel momento.

Ma c’è abbastanza condivisione dei dati affinché quella visione possa essere effettivamente realtà? Capisco perché i fondatori e gli investitori vogliono proteggere le rispettive scoperte, ma…

Penso che una delle tendenze più importanti sia che stiamo iniziando a vedere un passaggio verso la creazione di queste atlante di informazioni biologiche, che, dal punto di vista tecnologico, sono tipicamente modelli fondamentali. E man mano che diventano più comuni, credo che vedremo lo stesso che è successo con i modelli LLM open-source, che si comportano molto bene rispetto a quelli aziendali: i modelli fondamentali open-source in biologia avranno un impatto molto ampio.

Sei coinvolto con Genesis Therapeutics, uscita dal tuo laboratorio a Stanford, e Insitro, l’azienda di scoperta di farmaci lanciata da Daphne Koller, ex collega a Stanford. Hai detto di essere inoltro a incubare un’azienda con un fondatore che conosci da 20 anni. Cosa cerchi nei fondatori e in quali settori?

Ci sono due aree su cui ho passato la maggior parte del tempo. Una è l’IA per la fornitura di assistenza sanitaria, che ho sviluppato molto anche in a16z, e l’altro è l’IA per gli studi clinici.

Una delle cose che è più importante per me [dei fondatori] è che possiamo davvero fidarci l’uno dell’altro – fondatori che hanno un’alta integrità, che fanno ciò che dicono che faranno… Mi aspetto che questa relazione duri 5, 10 anni o più, idealmente anche nella loro prossima azienda. Voglio lavorare con persone che pensano a lungo termine in questo modo. Idealmente, sono persone che non stanno solo cercando di vincere e battere gli altri, ma stanno davvero pensando alla domanda: come possiamo vincere insieme?

Cosa hai fatto giusto e cosa hai sbagliato finora nella tua carriera di investitore?

Quando ho iniziato a parlare di IA e machine learning e tecnologia e medicina e biologia più di 10 anni fa, c’era molta resistenza e molte persone dicevano: ‘Oh, questo non accadrà mai. Non sarà mai utile,’ e così via. Quella resistenza è largamente scomparsa e vedere questa evoluzione è molto gratificante.

Penso che ci sia voluto del tempo per apprezzare veramente che, seducenti come sono le tecnologie più cool, alla fine si ritorna sempre al mercato. Dico ai miei fondatori, specialmente quelli che provengono dal mondo scientifico o del prodotto, di prendere tutta la loro genialità e creatività e applicarla veramente al lato del mercato, che la parte del mercato è almeno tanto difficile o più della parte tecnologica.

Aiutaci a capire come stai progettando questa nuova società in modo diverso, rispetto a ciò che stavi gestendo a a16z.

Attualmente, stiamo facendo qualcosa di veramente diverso… VZ è il nome di me, Vijay, e del mio co-fondatore, Zach Werner – lui è il Z. Siamo intenzionalmente molto piccoli… sul lato degli investimenti, siamo davvero solo noi due. In realtà avevamo intenzione di assumere associati, ma è emerso, con gli agenti che abbiamo costruito, che non è qualcosa che dobbiamo fare.

Quanto è “concentrata” la “concentrata”?

Non stiamo cercando di fare 30 scommesse all’anno… stiamo parlando probabilmente di cinque, non molti investimenti – molto concentrati. Aggiungere una società in un fondo tipico è come aggiungere un amico su Facebook – è qualcosa che si fa abbastanza rapidamente. Per Zach e me, è più come… voler avere un altro figlio. Questo è importante per noi.

Con una struttura del genere, contro chi stai competendo per gli affari?

La cosa divertente di questo modello è che di solito non stiamo cercando di competere per una fase calda – le persone fanno spazio per noi. È una cosa molto diversa rispetto a cercare di ottenere l’attesa Serie A o Serie B. Principalmente, le persone vogliono noi come investitori per ciò che Zach e io possiamo fare e quanto possiamo essere coinvolti. Quando guardo le persone che sono fonte di ispirazione, penso a qualcuno come Antonio Gracias di Valor – ora è conosciuto grazie all’affare di SpaceX, ma sta facendo ciò che fa da 20 anni. Quello che Thrive ha fatto, con un portafoglio più concentrato, è anche una vera fonte d’ispirazione. Ovviamente, a16z è un po’ nel mio DNA, ma penso che gli altri siano nuovi aggiunte a come pensiamo alle cose.

Cosa è attualmente sovraffatto nell’IA e nella biotecnologia?

La realtà è che l’IA può trovare insights che non possiamo ottenere solo dagli esseri umani. La cosa che diventa sempre complicata è quando c’è questa convinzione che l’IA risolverà tutto. L’esitazione deriva non dalla mancanza di fiducia nell’IA, ma dalla mancanza di dati. I LLM funzionano perché c’è così tanto da imparare dai dati. Quando i dati semplicemente non ci sono, l’IA non può magicamente risolvere quel problema.

Quando acquisti tramite i link dei nostri articoli, possiamo guadagnare una piccola commissione. Ciò non influisce sulla nostra indipendenza editoriale.