在药物发现的历史上，毒液一直扮演着一个近乎悖论的角色：它既是自然界最精密的分子靶向系统之一，又是被系统性开发程度最低的化学空间之一。源自巴西蝮蛇毒液肽的卡托普利，在1980年代成为高血压治疗的里程碑；源自芋螺毒液肽的齐考诺肽，则为顽固性慢性疼痛提供了一种非阿片类选择。South Park Commons普通合伙人Prateek Mehta在谈及Venomics AI时更进一步指出，GLP-1药物背后的故事同样始于毒液——希拉毒蜥。然而，这些成功案例在数十年间始终以“一次一个分子”的节奏出现，毒液分子多样性的绝大部分仍未被系统搜索。
这种“已知富矿、低效开采”的矛盾，正是Venomics AI试图切入的位置。2026年11月，这家从印度科学理工学院（IISc）孵化的班加罗尔生物科技公司宣布完成270万美元种子前轮融资，由Speciale Invest与South Park Commons联合领投，Operators Studio参投。这是该公司首轮机构融资。公司称，资金将用于扩张其“毒液图谱”（Venom Atlas）分子数据集、强化AI与实验室筛选能力，并组建跨毒液生物学、计算科学与药物发现的团队。
与多数AI制药公司不同，Venomics AI的叙事起点不在模型架构，而在一种具体的生物资源：印度是全球毒液生物多样性最丰富的地区之一。公司联合创始人Kartik Sunagar在IISc的研究横跨毒液演化与抗蛇毒血清开发，另一位联合创始人Vinay Prabhu拥有卡内基梅隆大学博士学位，长期从事机器学习与大规模AI系统。投资方Speciale Invest普通合伙人Arjun Rao的表述直接点出了这一组合的稀缺性：很少有人同时具备对毒液的深层理解与研究这些毒液的获取渠道。
| 字段 | 内容 |
|---|---|
| 公司 | Venomics AI |
| 轮次 | 种子前轮 |
| 金额 | 270万美元 |
| 投资方 | Speciale Invest、South Park Commons联合领投，Operators Studio参投 |
| 总部 | 班加罗尔 |
| 创始人 | Kartik Sunagar、Vinay Prabhu |
| 官网 | https://venomics.ai |
毒液图谱不是一个数据库，而是一条“预测—验证—回流”的实验闭环
Venomics AI的核心产品是Venom Atlas。据公司通稿披露，该平台将毒液来源的分子数据与实验室验证、药物发现连接起来：先通过分子测序与毒液生物学构建数据集，再用AI对候选分子进行优先级排序，随后在实验室中通过功能筛选检验这些预测，实验结果再回流到后续预测与分子设计中。
这一描述的关键不在于“AI筛分子”，而在于实验验证环节的存在。纯计算驱动的分子发现平台，其核心风险在于预测结果与生物活性之间的鸿沟；Venomics AI声称其平台将实验数据作为模型迭代的输入，而非仅仅作为终点。不过，公司目前仅披露“已搭建平台的初始架构”，尚未公开任何具体候选分子的筛选数据、命中率或验证结果。这意味着“实验闭环”在现阶段更多是一个架构设计，而非已被证明运转的系统。
从产业链角度看，毒液药物发现的实际约束远不止分子识别。毒液样本的采集与物种鉴定、肽段的分离与表征、活性筛选的靶点选择、候选分子的稳定性与可合成性、以及后续的毒理与药代动力学评价，每一步都可能淘汰大量前期命中。Venomics AI的平台描述覆盖了“分子数据—AI排序—功能筛选”这一段，但尚未披露其在样本获取、靶点选择或候选分子优化环节的具体能力。对于一家种子前公司而言，这并非缺陷，但它划定了当前叙事的真实边界：公司验证的是“平台能否产生可重复的筛选结果”，而非“平台能否产出临床候选药物”。
两位创始人的能力互补，恰好对应毒液药物发现的两个断裂点
Venomics AI的创始团队结构，在印度生物科技创业生态中并不常见。Kartik Sunagar是IISc教授，据Business Standard报道，其研究领域包括毒液演化和抗蛇毒血清开发。Vinay Prabhu任首席技术官，拥有卡内基梅隆大学博士学位，专长机器学习与大规模AI系统。South Park Commons在LinkedIn帖文中称，Prabhu是“连续创业者”，双方于2026年在SPC India结识。
这种组合对应的是毒液药物发现中两个长期断裂的环节：一端是对毒液生物学的深层理解，包括哪些物种、哪些毒素家族、哪些演化路径更可能产生具有治疗价值的分子；另一端是能够处理大规模序列数据的计算能力。传统毒液研究往往由生物学家主导，计算工具处于辅助地位；而AI制药公司普遍缺乏对特定生物资源的第一手研究积累。Sunagar与Prabhu的搭配，至少在纸面上将这两个环节置于同一决策链条中。
但需要指出的是，创始人的学术能力与公司的平台能力之间仍存在距离。Sunagar在IISc的毒液研究积累，能否转化为公司可独占的数据资产，取决于样本来源、数据权利安排和实验设施的可用性。来源材料未披露Venomics AI与IISc之间的知识产权或许可安排，也未说明公司是否拥有独立的湿实验室能力，或依赖合作机构完成功能筛选。这一未披露项，对评估公司后续执行效率有实质影响。
印度毒液生物多样性是真实优势，但“优势”到“资产”之间隔着数据工程
投资方对印度生物多样性的强调，并非泛泛而谈。Speciale Invest的Arjun Rao称，印度的毒液生物多样性“属于全球最丰富之列”，而Sunagar是这一领域的世界级专家之一。South Park Commons的Prateek Mehta则指出，印度是地球上生物多样性最丰富的区域之一，但“其毒液在肽水平上被测序的部分极少”。
这一判断揭示了一个容易被忽略的事实：生物多样性本身并不自动构成药物发现的数据优势。毒液分子的可开发性，取决于这些分子是否被采集、测序、注释，并以可计算的形式进入模型训练集。如果印度大量毒液物种的肽序列数据尚未被系统生成，那么“生物多样性优势”在短期内更接近一种潜在资源，而非现成的竞争壁垒。Venomics AI将本轮资金的一部分用于“扩充分子数据集”，恰恰说明数据生成而非模型训练，可能是其当前更紧迫的瓶颈。
从公开信息看，公司尚未披露其数据集的规模、物种覆盖范围、数据来源或专有性。如果Venom Atlas的数据主要来自公共数据库，其壁垒将更多体现在实验验证与迭代能力上；如果公司能够通过自有采集与测序生成独占数据，其壁垒性质则完全不同。这一区分对理解270万美元种子前轮融资的实际意义至关重要，但来源材料未提供足够信息作出判断。
竞争不在“AI制药”这个宽泛赛道，而在毒液这一窄门内的实验能力
将Venomics AI放入“AI驱动药物发现”的大赛道中，会模糊其真实竞争位置。全球AI制药公司数量众多，但以毒液分子为核心资源、并将AI与实验筛选结合的公司，仍是一个狭窄的细分领域。Entrackr在报道中提到了同领域另一参与者Snaayu Lifesciences，这家由C-CAMP孵化的公司正在研究从芋螺毒液中分离和表征新型镇痛化合物。
Snaayu Lifesciences的存在，说明毒液药物发现在印度并非无人涉足，但两者的技术路线差异尚不清晰。Snaayu的公开描述更偏向特定毒液来源（芋螺）和特定治疗方向（镇痛）的分子分离与表征；Venomics AI则强调以平台化方式覆盖更广泛的毒液分子多样性，并用AI进行优先级排序。前者更接近传统天然产物药物发现的深化，后者则试图将计算筛选置于发现流程的前端。
更值得关注的竞争参照，或许不是另一家毒液公司，而是替代性技术路线。蛋白质语言模型的发展，使得大规模肽序列的读取与推理成为可能，这是South Park Commons投资逻辑中的重要前提。但同样的计算工具也可以应用于非毒液来源的肽库、噬菌体展示库或合成肽库。毒液分子的独特价值在于其经过数百万年演化筛选的靶向性，但这一价值需要被实验数据反复证明，而非仅凭演化逻辑推断。Venomics AI面临的真正竞争，是其他能够更快产生高质量“序列—功能”配对数据的技术平台，无论它们是否使用毒液。
270万美元的资本结构，买的是平台验证窗口而非管线推进
本轮270万美元的规模，在AI制药语境下是一个克制的数字。它不足以支撑任何候选分子进入临床前开发的后期阶段，也不足以建立大规模湿实验室能力。这笔资金的合理用途，更接近于验证一个核心假设：毒液来源的分子数据，能否在AI排序与实验室功能筛选之间形成有效的迭代循环。
投资方结构提供了额外信息。Speciale Invest是印度深科技早期投资机构，South Park Commons以支持技术型创始人和早期社群著称，Operators Studio的参与则带有明显的运营支持色彩。这种组合与“平台验证期”的资本需求相匹配：资金用于招聘跨学科团队、生成初始数据、建立筛选流程，而非追求管线数量或对外合作。
South Park Commons在LinkedIn帖文中坦率地写道：“困难的部分是把发现转化为药物。我们知道这不会容易。”这一表述在投资方公开叙事中并不常见，它同时承认了毒液药物发现的核心风险与投资方对风险的认知。对于一家种子前公司而言，投资方公开降低短期药物产出预期，反而将评估焦点转移到更具体的问题上：平台能否在合理时间内证明其筛选结果的可重复性和信息增量。
资金用途背后的隐含优先级：先建数据，再谈药物
多家来源一致披露，本轮资金将用于四个方向：扩大Venom Atlas分子数据集、强化AI与实验室筛选能力、招聘跨学科团队、支持有潜力分子的验证与优化。这四个方向中，“扩充分子数据集”被置于首位，且与“实验室筛选能力”并列，暗示公司在当前阶段的首要任务不是产生候选药物，而是建立“数据—验证”的基础设施。
这一优先级排序有其合理性。毒液药物发现的瓶颈，长期不在“缺少有趣分子”，而在“缺少系统化的功能数据”。传统研究模式下，单个毒液肽的表征可能需要数月甚至更长时间；如果Venomics AI能够将这一过程部分并行化、标准化，其平台价值将体现在数据生成的通量与质量上。但这也意味着，公司的早期里程碑更可能以数据集规模、筛选通量、模型预测命中率等指标呈现，而非以管线数量或临床进展呈现。
公司披露的进展信号——加入英伟达Inception计划、入围2026年Indo-Boston Biotech Bridge Award前五名——属于生态参与层面的认可，而非技术或商业验证。英伟达Inception计划为初创公司提供技术资源与市场支持，入围门槛并不等同于技术壁垒；Indo-Boston Biotech Bridge Award的入围同样属于早期评选。这些信号可以说明公司正在融入印度生物科技与AI交叉领域的创业网络，但尚不能作为平台有效性的证据。
未披露的商业模式与客户，使“平台公司”定位仍停留在假设层面
在所有来源材料中，Venomics AI的商业模式、收入模式、客户与合作伙伴均未披露。这一缺失对于一家宣称“构建药物发现平台”的公司而言，具有特殊含义。“平台”一词可以指向多种商业路径：对外提供筛选服务、与制药公司合作开发、自主推进管线、或数据授权。不同路径对资本需求、团队配置和风险结构的要求截然不同。
从公司通稿的表述看，其愿景是“在印度为全球发现并开发突破性疗法”，这暗示了自主或合作开发管线的倾向，而非纯粹的CRO式服务。但“发现并开发疗法”与“提供筛选平台”之间的商业距离，远大于措辞上的差异。前者需要公司在候选分子优化、临床前开发、监管路径等方面建立能力或合作关系；后者则可以在更早阶段产生收入。来源材料未提供任何关于公司商业路径选择的信息，这使得“平台”一词在当前阶段更接近技术架构描述，而非商业模式定义。
同样未披露的是公司与IISc之间的具体关系。作为IISc孵化公司，Venomics AI可能享有实验室设施、样本资源或知识产权方面的便利，但这些安排的细节未被公开。对于评估公司能否以合理成本获取毒液样本、使用实验设施、以及未来知识产权的归属，这些信息具有实质重要性。
验证路径清晰，但时间窗口与数据独占性构成双重约束
Venomics AI的验证路径，在逻辑上是清晰的：建立毒液分子数据集，用AI排序候选分子，通过实验室功能筛选检验预测，再用实验结果改进模型。这一闭环若能以足够通量运转，其价值主张将超越传统毒液研究的“一次一个分子”模式。
但两个结构性约束值得关注。第一是时间窗口。蛋白质语言模型的能力正在快速扩散，毒液肽序列的公共数据也在增长。如果Venomics AI不能在一定时间内建立起数据规模或实验验证速度上的优势，其先发位置可能被拥有更强计算资源或更成熟实验平台的后来者侵蚀。第二是数据独占性。如果公司的分子数据集主要来自公共来源，其模型训练的优势将有限；如果来自自有采集与测序，则需要持续投入以维持数据生成的领先。来源材料未披露公司数据集的专有性程度，这一未披露项直接影响对公司长期壁垒的判断。
从已披露的270万美元融资规模、团队背景和平台架构看，Venomics AI当前阶段的核心任务可以被理解为：用最小可行资源，证明“毒液分子数据—AI排序—实验验证—模型迭代”这一循环能够产生比传统方法更快、更可重复的分子发现结果。这一假设尚未被验证，但其验证路径并不模糊。真正的风险不在于毒液是否含有可成药的分子——卡托普利和齐考诺肽已经回答了这个问题——而在于一家种子前公司能否在资源约束下，将这一古老的自然筛选系统转化为可工程化的发现流程。
RecodeX 极客视：Venomics AI的故事之所以值得跟踪，不是因为它声称AI能发现毒液药物，而是因为它把“实验验证”放回了AI制药的叙事中心。在蛋白质语言模型让大规模肽序列推理变得廉价的当下，真正的稀缺资源不再是计算，而是能够产生高质量“序列—功能”配对数据的实验能力。毒液是自然界最古老的靶向系统之一，但将生物多样性转化为可独占的数据资产，需要的不是更多模型，而是更多被记录、被验证、可复用的实验事实。270万美元买不到临床候选药物，但可能买到一个关键问题的答案：在印度，毒液分子发现能否从一种学术专长，变成一种可重复的工程能力。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。