BlankBio wettet darauf, dass RNA-Design kleine kontrastive Modelle braucht, nicht Milliarden-Parameter-Skalierung

Ein angewandtes KI-Labor, das RNA-Foundation-Modelle trainiert – von einem offenen mRNA-Design-Toolkit hin zu Modellen, die Krankheitsverlauf und Patientenreaktion für Pharmaunternehmen vorhersagen.

In der Biologie ist Sequenz überwiegend Rauschen, weshalb Skalierungsgesetze unterdurchschnittlich abschneiden: kleine Modelle mit gemeinsamen Einbettungen (Joint Embeddings) schlagen Milliarden-Parameter-Modelle bei nutzbarer RNA-Funktion pro GPU-Stunde.

Philip Fradkin und Ian Shi untersuchten während ihrer Promotion selbstüberwachte Lernziele für RNA; Jonny Hsu leitete Produkt und Strategie bei Valence Discovery bis zu dessen Übernahme durch Recursion im Jahr 2023. Das Trio veröffentlichte Orthrus und mRNABench als Open Source und schloss sich dem Summer-2025-Batch von YC an, um RNA-Design zu produktisieren.

Orthrus, ein Modell mit 10 Mio. Parametern, das auf 4 GPUs in 14 Stunden trainiert wurde, übertrifft Evo2 – ein Modell mit 40 Mrd. Parametern, das einen Monat lang auf 1000 GPUs trainiert wurde – bei der Vorhersage der mRNA-Halbwertszeit, und auf dem 59-Aufgaben umfassenden mRNABench des Teams schlägt Orthrus-MLM Evo2, obwohl es rund 700-mal kleiner ist; die Gründer berichten, sie hätten Evo2-40b selbst in Zusammenarbeit mit dessen Autoren nicht zu guten Ergebnissen bringen können. Im darauffolgenden Jahr weitete das Unternehmen seine Positionierung von einem mRNA-Design-Toolkit auf „RNA-Intelligenz für Präzisionsmedizin“ aus: Modelle, die tumorspezifische Biologie erfassen, um Pharmaunternehmen zu helfen, die Erfolgsquoten klinischer Studien zu erhöhen.

Nur etwa 2 % des menschlichen Genoms kodieren Protein; die Vorhersage des nächsten Tokens verwendet Kapazität darauf, intergene statische Bereiche zu modellieren, weshalb Standard-Skalierung bei Nukleotiden zu wenig liefert.

Kontrastive gemeinsame Einbettungen gruppieren Sequenzen nach Funktion – worauf Biologen tatsächlich selektieren – statt Nukleotide automatisch zu vervollständigen.

4 GPUs für 14 Stunden gegenüber 1000 GPUs für einen Monat halten das Training innerhalb des Budgets und des Iterationszyklus eines Start-ups.

Die Open-Source-Veröffentlichung von Orthrus und mRNABench vor jedem Verkauf machte den Benchmark zugleich zum Beweis und zum Vertriebskanal des Unternehmens.

Wo Daten spärlich sind und das Signal sich im Rauschen verbirgt, biegt sich die bittere Lektion: Das Vortrainingsziel an die Struktur des Problems anzupassen, kann eine weitere Null in der Parameterzahl schlagen.

Stand September 2026 ist Blank Bio im Verzeichnis von YC als „Active“ gelistet und beschreibt sich selbst als angewandtes KI-Forschungslabor, das die Erfolgsquoten klinischer Studien erhöhen will. Die öffentlichen Artefakte bleiben der offene Benchmark und das Modell – mRNABench auf GitHub, Orthrus-Einbettungen mit API-Zugang –, und bis zu diesem Datum war keine externe Finanzierungsrunde öffentlich angekündigt worden. Das Feld ist stark finanziert: Der Launch-Post der Gründer bezifferte Konkurrenten wie Strand (153 Mio. USD), Orna (221 Mio. USD) und Sail Biomedicines (440 Mio. USD) und argumentierte, das Geld sei den Werkzeugen davongelaufen.