BlankBio、RNA設計には数十億パラメータの規模ではなく小さな対照モデルが必要だと賭ける

応用AIラボとしてRNA基盤モデルを訓練している。オープンなmRNA設計ツールキットから始め、製薬企業向けに疾患進行や患者の反応を予測するモデルへと向かう。

生物学では配列の大半がノイズであるため、スケーリング則は性能を発揮しにくい。GPU時間あたりの使えるRNA機能では、結合埋め込み型の小規模モデルが数十億パラメータのモデルを上回る。

Philip FradkinとIan Shiは博士課程でRNAの自己教師あり目的関数を研究した。Jonny HsuはValence Discoveryでプロダクトと戦略を率い、2023年のRecursionによる買収を経験した。3人はOrthrusとmRNABenchをオープンソース化し、RNA設計を製品化するためYCの2025年夏バッチに参加した。

4基のGPUで14時間訓練した1000万パラメータのモデルOrthrusは、1000基のGPUで1カ月訓練した400億パラメータのモデルEvo2をmRNA半減期予測で上回り、チームの59タスクからなるmRNABenchでも、Orthrus-MLMは約700分の1の規模でありながらEvo2を上回る。創業者らによれば、Evo2-40bはその著者らと協力しても良好な性能を得られなかったという。その後1年の間に、会社の位置づけはmRNA設計ツールキットから「精密医療のためのRNAインテリジェンス」へと広がった。すなわち、腫瘍特異的な生物学を捉え、製薬企業が臨床試験の成功率を高めるのを助けるモデルである。

ヒトゲノムのうちタンパク質をコードするのは約2%にすぎない。次トークン予測は遺伝子間の静的な領域のモデル化に容量を費やすため、標準的なスケーリングはヌクレオチド上で十分な成果を出せない。

対照的な結合埋め込みは、ヌクレオチドを自動補完するのではなく、生物学者が実際に選別する基準である機能によって配列をグループ化する。

14時間に4基のGPU対1カ月に1000基のGPUという違いは、訓練をスタートアップの予算と反復ループの内側に保つ。

何かを販売する前にOrthrusとmRNABenchをオープンソース化したことで、ベンチマークは同時に会社の証明と流通の手段となった。

データが疎で信号がノイズに埋もれている場合、苦い教訓は曲がる。事前学習の目的関数を問題の構造に合わせることで、パラメータ数のもう一桁を上回ることができる。

2026年9月時点で、Blank BioはYCのディレクトリにActiveとして掲載されており、臨床試験の成功率を高めるために取り組む応用AI研究ラボと自称している。公開された成果物はオープンなベンチマークとモデルのままであり、mRNABenchはGitHub上に、Orthrusの埋め込みはAPIアクセス付きで存在する。またその日までに外部資金調達ラウンドは公表されていなかった。この分野には多額の資金が投じられている。創業者らのローンチ投稿は、Strand（1億5300万ドル）、Orna（2億2100万ドル）、Sail Biomedicines（4億4000万ドル）などの競合の規模を挙げ、資金がツール整備を追い越していると論じた。