Proximal Ventures首期基金募资2750万美元，押注AI制药

AI制药赛道再添新玩家。据RSS源报道，由前SignalFire投资人Sahir Raoof创立的Proximal Ventures已完成首期基金募集，金额为2750万美元，明确聚焦于将人工智能引入药物研发流程的初创公司。

基金背景与掌舵人

Proximal Ventures的创始人Sahir Raoof此前在SignalFire担任投资人。SignalFire以数据驱动的投资方法论著称，这段经历很可能塑造了Raoof对AI与生命科学交叉领域的判断。新基金以"Proximal"命名，暗示其投资策略可能偏向靠近药物发现核心环节、而非外围工具层的项目——当然，具体投资组合尚未披露，这一解读有待后续验证。

首期基金规模2750万美元，在生物科技与AI交叉领域属于早期基金的典型体量，通常对应种子轮至A轮阶段的支票。

为什么是AI制药

药物研发长期受困于周期长、成本高、失败率高的"反摩尔定律"。传统小分子药物的发现往往需要在海量化合物空间中筛选，临床前研究耗资巨大且成功率有限。AI的介入点覆盖靶点识别、分子生成、ADMET性质预测、临床试验设计优化等多个环节，理论上可以压缩早期发现时间并降低试错成本。

过去几年，这一方向已经吸引了一批专注型基金和大型药企的战略投资。Proximal Ventures的入场，说明资本仍愿意在早期阶段押注垂直领域的AI应用，而非泛化的AI平台。

反摩尔定律（Eroom's Law） 是制药行业的一个经验观察：自1950年代以来，每十亿美元研发投入所获批的新药数量大约每九年减半——与半导体行业的摩尔定律恰好相反。这反映了药物研发的双重困境：一方面，容易发现的靶点和分子已被先行者占据，剩余机会的发现难度递增；另一方面，监管对安全性和有效性的要求不断提高，临床试验规模和成本持续膨胀。据估算，一款新药从靶点发现到上市平均耗时10-15年、耗资超过10亿美元，且临床阶段失败率高达90%左右。AI之所以被视为潜在破局点，正是因为它能在化合物筛选、毒性预测等环节以计算替代部分湿实验，从而压缩试错成本与时间。

ADMET 是药物研发中对候选分子成药性评估的五个关键维度缩写：吸收（Absorption）、分布（Distribution）、代谢（Metabolism）、排泄（Excretion）和毒性（Toxicity）。一个分子即使在体外对靶点表现出强活性，若不能被人体有效吸收、在体内分布到作用部位、或以合理速度代谢清除，甚至产生严重毒副作用，都无法成为药物。传统上ADMET评估依赖动物实验和体外细胞实验，周期长、成本高、通量有限。AI模型可以基于已有化合物数据库学习结构-性质关系，在计算机中提前预测候选分子的ADMET表现，从而在合成和实验之前就淘汰大量不合格分子，显著提升早期筛选效率。

垂直基金的差异化空间

在AI制药领域，通用型风投与产业资本各有优势：前者提供资金与网络，后者提供管线与数据。一家2750万美元规模的垂直基金要建立差异化，通常需要在投后深度参与——例如帮助AI团队对接湿实验室资源、药企BD渠道或监管路径经验。

Raoof在SignalFire的经历是否积累了足够的生物医药产业资源，目前公开信息有限。这将是评估该基金后续表现的关键变量。

湿实验室（wet lab） 是相对于干实验（dry lab，即计算模拟）而言的实验场所，指进行真实生物化学实验的物理空间，配备细胞培养、分子生物学、分析检测等设备与耗材。AI制药公司虽然在算法和算力上见长，但其模型预测最终必须通过湿实验验证——合成预测出的分子、测试其活性与毒性。湿实验能力建设周期长、资金投入大，对早期AI团队构成显著门槛。因此，能够帮助被投企业对接共享实验室、CRO（合同研究组织）资源或药企内部实验平台的垂直基金，在投后赋能上具有实质价值，这也是评估此类基金差异化能力的重要维度。

值得关注的信号

这笔募资本身提供了几个观察角度：其一，AI制药的早期融资窗口并未关闭，专注型新基金仍能完成首关；其二，投资人从大型多阶段基金出走自立门户，反映出垂直深耕的策略正在被更多从业者采纳；其三，2750万美元的规模决定了其投资组合会相对集中，单笔投资的选择质量比覆盖面更重要。

对于AI制药创业者而言，Proximal Ventures的出现意味着早期融资多了一个潜在选项，但基金的具体投资主题、阶段偏好和投后能力，还需等待其首批投资案例来验证。