BlankBio apuesta a que el diseño de ARN necesita modelos contrastivos pequeños, no escala de miles de millones de parámetros

Un laboratorio de IA aplicada que entrena modelos fundacionales de ARN —desde un kit de herramientas abierto de diseño de ARNm hacia modelos que predicen la progresión de enfermedades y la respuesta de los pacientes para la industria farmacéutica.

En biología, la secuencia es mayormente ruido, por lo que las leyes de escala rinden por debajo: los modelos pequeños de embedding conjunto superan a los de miles de millones de parámetros en función de ARN utilizable por hora-GPU.

Philip Fradkin e Ian Shi estudiaron objetivos autosupervisados para ARN durante sus doctorados; Jonny Hsu lideró producto y estrategia en Valence Discovery hasta su adquisición por Recursion en 2023. El trío liberó como código abierto Orthrus y mRNABench y se unió a la camada Summer 2025 de YC para productizar el diseño de ARN.

Orthrus, un modelo de 10M de parámetros entrenado en 4 GPU en 14 horas, supera a Evo2 —un modelo de 40B de parámetros entrenado en 1000 GPU durante un mes— en la predicción de la vida media del ARNm, y en el mRNABench de 59 tareas del equipo, Orthrus-MLM supera a Evo2 siendo aproximadamente 700 veces más pequeño; los fundadores informan que no lograron que Evo2-40b funcionara bien incluso trabajando con sus autores. Durante el año siguiente, el posicionamiento de la empresa se amplió desde un kit de herramientas de diseño de ARNm hacia 'inteligencia de ARN para medicina de precisión': modelos que capturan biología específica de tumores para ayudar a la industria farmacéutica a elevar las tasas de éxito de los ensayos clínicos.

Solo alrededor del 2% del genoma humano codifica proteínas; la predicción del siguiente token gasta capacidad modelando el estático intergénico, por lo que el escalado estándar rinde por debajo de lo esperado en nucleótidos.

Los embeddings conjuntos contrastivos agrupan secuencias por función —lo que los biólogos realmente seleccionan— en lugar de autocompletar nucleótidos.

4 GPU durante 14 horas frente a 1000 GPU durante un mes mantiene el entrenamiento dentro del presupuesto y el ciclo de iteración de una startup.

Liberar como código abierto Orthrus y mRNABench antes de vender nada convirtió el benchmark en la prueba y la distribución de la empresa a la vez.

Donde los datos son escasos y la señal se esconde en el ruido, la lección amarga se flexiona: alinear el objetivo de preentrenamiento con la estructura del problema puede superar a otro cero en el conteo de parámetros.

A septiembre de 2026, Blank Bio figura como Active en el directorio de YC, describiéndose como un laboratorio de investigación de IA aplicada que trabaja para elevar las tasas de éxito de los ensayos clínicos. Los artefactos públicos siguen siendo el benchmark y el modelo abiertos —mRNABench en GitHub, embeddings de Orthrus con acceso por API— y ninguna ronda de financiación externa se había anunciado públicamente en esa fecha. El campo está fuertemente financiado: la publicación de lanzamiento de los fundadores dimensionó a rivales como Strand ($153M), Orna ($221M) y Sail Biomedicines ($440M), argumentando que el dinero ha superado a las herramientas.