BlankBio는 RNA 설계에 수십억 파라미터 규모가 아닌 소형 대조 모델이 필요하다고 본다

RNA 파운데이션 모델을 훈련하는 응용 AI 연구소로, 공개된 mRNA 설계 툴킷에서 출발해 제약사를 위해 질병 진행과 환자 반응을 예측하는 모델로 나아가고 있다.

생물학에서 서열은 대부분 노이즈이므로 스케일링 법칙이 제 성능을 내지 못한다. 즉, GPU 시간당 사용 가능한 RNA 기능 측면에서 결합 임베딩 소형 모델이 수십억 파라미터 모델을 능가한다.

Philip Fradkin과 Ian Shi는 박사 과정에서 RNA를 위한 자기지도 학습 목표를 연구했고, Jonny Hsu는 Valence Discovery에서 2023년 Recursion에 인수될 때까지 제품과 전략을 이끌었다. 세 사람은 Orthrus와 mRNABench를 오픈소스로 공개하고 RNA 설계를 제품화하기 위해 YC의 2025년 여름 배치에 합류했다.

GPU 4대에서 14시간 동안 훈련된 1000만 파라미터 모델인 Orthrus는 GPU 1000대에서 한 달간 훈련된 400억 파라미터 모델 Evo2를 mRNA 반감기 예측에서 능가하며, 팀의 59개 과제 mRNABench에서도 Orthrus-MLM은 약 700배 더 작으면서 Evo2를 능가한다. 창업자들에 따르면 Evo2-40b는 그 저자들과 함께 작업해도 좋은 성능을 내지 못했다. 이후 1년 동안 회사의 포지셔닝은 mRNA 설계 툴킷에서 '정밀 의학을 위한 RNA 인텔리전스'로 확장되었다. 즉, 종양 특이적 생물학을 포착해 제약사의 임상시험 성공률을 높이는 모델이다.

인간 게놈 중 단백질을 암호화하는 부분은 약 2%에 불과하므로, 다음 토큰 예측은 유전자 간 정적(intergenic static)을 모델링하는 데 용량을 소모하며, 따라서 표준 스케일링은 뉴클레오타이드에서 기대에 못 미친다.

대조적 결합 임베딩은 뉴클레오타이드를 자동완성하는 대신, 생물학자들이 실제로 선택하는 기준인 기능에 따라 서열을 묶는다.

GPU 4대에서 14시간 대 GPU 1000대에서 한 달은 훈련을 스타트업의 예산과 반복 주기 안에 유지시킨다.

무엇인가를 판매하기 전에 Orthrus와 mRNABench를 오픈소스로 공개한 것은 벤치마크를 회사의 증명이자 동시에 유통 채널로 만들었다.

데이터가 희소하고 신호가 노이즈 속에 숨어 있는 곳에서는 '쓰라린 교훈'이 굽어진다. 즉, 사전 훈련 목표를 문제의 구조에 맞추는 것이 파라미터 수의 0 하나를 더 붙이는 것보다 나을 수 있다.

2026년 9월 기준으로 Blank Bio는 YC 디렉터리에 Active로 등재되어 있으며, 임상시험 성공률을 높이기 위해 일하는 응용 AI 연구소라고 스스로를 설명한다. 공개된 산출물은 여전히 오픈 벤치마크와 모델, 즉 GitHub의 mRNABench와 API 접근이 가능한 Orthrus 임베딩이며, 그 날짜까지 외부 투자 라운드는 공개적으로 발표되지 않았다. 이 분야에는 자금이 많이 투입되어 있다. 창업자들의 런칭 게시물은 Strand(1억 5300만 달러), Orna(2억 2100만 달러), Sail Biomedicines(4억 4000만 달러) 등 경쟁사 규모를 제시하며 자금이 툴링을 앞질렀다고 주장했다.