Adaptyv পেল ৪ কোটি ডলার—protein AI-র বাধা এখন বাস্তব পরীক্ষা
লোজানভিত্তিক Adaptyv Bio ২৫ আগস্ট ২০২৬-এ ৪ কোটি ডলারের Series A ঘোষণা করেছে। কোম্পানির আনুষ্ঠানিক ঘোষণায় বলা হয়েছে, Highland Europe রাউন্ডটির নেতৃত্ব দিয়েছে এবং আগের বিনিয়োগকারী Ace Ventures, ByFounders ও Y Combinator অংশ নিয়েছে; একই সঙ্গে Adaptyv গত এক বছরে lab throughput পাঁচ গুণের বেশি বাড়ানো, শতাধিক customer onboarding এবং ২০২৬ সালের চতুর্থ প্রান্তিকে London lab খোলার দাবি ও পরিকল্পনা জানিয়েছে।
২৭ আগস্ট প্রকাশিত EU-Startups-এর প্রতিবেদনে অর্থায়নের অঙ্ক, নেতৃত্বদানকারী বিনিয়োগকারী ও অংশগ্রহণকারীদের একইভাবে উল্লেখ করা হয়েছে। অর্থটি নতুন protein sequence তৈরির জন্য শুধু আরও computing কেনার বাজি নয়; মূল লক্ষ্য হলো AI-নকশা করা candidate-কে physical sample ও পরিমাপযোগ্য ফলে রূপান্তরের laboratory capacity বাড়ানো।
Series A যে বাধার ওপর বাজি ধরছে
Protein-design model অল্প সময়ে বিপুলসংখ্যক amino-acid sequence প্রস্তাব করতে পারে। কিন্তু computational score কোনো candidate বাস্তবে তৈরি হবে, স্থিতিশীল থাকবে বা নির্দিষ্ট target-এর সঙ্গে প্রত্যাশিতভাবে bind করবে—এর প্রমাণ নয়। সেই প্রশ্নের উত্তর আসে physical experiment থেকে।
Candidate তৈরির গতি পরীক্ষার গতিকে ছাড়িয়ে গেলে অপেক্ষার সারি computation-এ নয়, laboratory workflow-তে জমে। DNA synthesis, protein expression, sample preparation, assay, quality control এবং ফলকে ব্যবহারযোগ্য data-তে রূপান্তর—প্রতিটি ধাপের বাস্তব সীমা আছে। নির্বাচিত title-এর “বাধা এখন বাস্তব পরীক্ষা” কথাটি এই ব্যবধানকেই নির্দেশ করে: model-এর output যতই বাড়ুক, যাচাই ছাড়া সেটি কার্যকর protein নয়।
Adaptyv তাই শুধু protein-design software বিক্রি করছে না। তার ব্যবসায়িক প্রস্তাব হলো digital design গ্রহণ করে সেটিকে পরীক্ষাগারে তৈরি করা, বৈশিষ্ট্য মাপা এবং ফল ফেরত দেওয়া। Series A মূলত এই ব্যয়বহুল মধ্যবর্তী স্তরকে বড় করার অর্থায়ন।
Automated wet lab কীভাবে feedback loop সম্পূর্ণ করে
Workflow শুরু হয় model-generated protein sequence দিয়ে। সংশ্লিষ্ট DNA প্রস্তুত করার পর protein প্রকাশ করা হয়; এরপর binding, expression বা thermostability-এর মতো বৈশিষ্ট্য assay-তে মাপা যায়। পরীক্ষার ফল structured data হিসেবে computational পরিবেশে ফিরলে model বা গবেষক পরবর্তী candidate নির্বাচন করতে পারেন।
Automated wet lab, cloud-lab interface এবং AI model এখানে আলাদা ভূমিকা পালন করে। Automation sample handling, equipment operation, protocol execution ও data capture-এর পুনরাবৃত্ত কাজ নিয়ন্ত্রণ করে। Cloud interface দূরবর্তী customer বা software agent-কে experiment জমা ও ফল সংগ্রহের পথ দেয়; AI model candidate প্রস্তাব করে, কিন্তু physical validation নিজে সম্পন্ন করে না।
পূর্ণ চক্রটি হলো candidate তৈরি → physical experiment → measured result → model-এ feedback। এই চক্র দ্রুত ঘুরলে দুর্বল design আগে বাদ দেওয়া এবং পরের iteration-এ পরীক্ষালব্ধ evidence ব্যবহার করা সম্ভব। ফলে মূল্য শুধু কতটি sequence তৈরি হলো তাতে নয়, কত দ্রুত নির্ভরযোগ্য ফল ফিরে এল তাতেও নির্ধারিত হয়।
Capacity বাড়ানো এখনো লক্ষ্য, সম্পন্ন ফল নয়
অর্থায়নের ঘোষণায় customer ও throughput নিয়ে যে সংখ্যাগুলো এসেছে, সেগুলো Adaptyv-এর নিজস্ব হিসাব। Customer retention, paid experiment volume, laboratory utilization বা audited revenue breakdown প্রকাশ করা হয়নি। তাই শতাধিক customer onboarding-কে স্বাধীনভাবে যাচাই করা recurring demand বা লাভজনকতার প্রমাণ হিসেবে দেখা যাবে না।
Seedtable-এর funding profile অনুযায়ী, Adaptyv ২০২৬ সালের শেষ নাগাদ lab capacity প্রায় তিন গুণ করা, London-এ দ্বিতীয় lab ও office খোলা এবং দল প্রায় ২৫ থেকে ৬০ জনে নেওয়ার পরিকল্পনা করেছে। এগুলো অর্থায়নের পর বাস্তবায়নের লক্ষ্য—বর্তমান capacity, headcount বা চালু London facility নয়।
এই পার্থক্য গুরুত্বপূর্ণ, কারণ laboratory business-এ ঘোষিত capacity এবং ব্যবহৃত capacity এক নয়। নতুন যন্ত্র, কর্মী ও স্থান চালু করলেও পর্যাপ্ত customer experiment না এলে unit economics দুর্বল থাকতে পারে। আবার demand capacity-কে ছাড়িয়ে গেলে turnaround time বাড়বে, যা Adaptyv যে বাধা সরাতে চায় সেটিই পুনরায় তৈরি করবে।
ব্যবসায়িক moat তৈরি হবে ফলের মান ও গতিতে
Laboratory robot বা API একা স্থায়ী প্রতিযোগিতামূলক সুবিধা নিশ্চিত করে না। শক্তিশালী moat তৈরি হতে পারে যদি Adaptyv একই assay ধারাবাহিকভাবে চালাতে, প্রতিটি sample-এর পরিচয় ও quality control অক্ষুণ্ণ রাখতে এবং ফল customer-এর design workflow-তে সরাসরি ব্যবহারযোগ্য কাঠামোয় ফেরাতে পারে।
আরেকটি সম্ভাব্য সুবিধা হলো design ও experiment-এর সংযুক্ত record। Model কোন candidate-কে ভালো বলেছিল, physical test-এ কী পাওয়া গেল এবং protocol বা target বদলালে ফল কীভাবে পাল্টাল—এই সম্পর্কিত data ভবিষ্যৎ নির্বাচন উন্নত করতে পারে। তবে সেটি proprietary data moat হবে কি না, তা customer permission, data ownership, assay comparability এবং ব্যর্থ ফল সংরক্ষণের শর্তের ওপর নির্ভর করবে; প্রকাশিত funding তথ্য এসব commercial condition ব্যাখ্যা করে না।
Customer value মাপার সবচেয়ে সরাসরি operating metric হবে নির্দিষ্ট সময়ে পরীক্ষিত candidate-এর সংখ্যা বা throughput, submission থেকে usable result পর্যন্ত turnaround time এবং একই শর্তে পুনরায় পরীক্ষার ফলের সামঞ্জস্য বা reproducibility। মোট customer সংখ্যা আগ্রহের সংকেত দিতে পারে, কিন্তু এই তিনটি metric-ই দেখাবে automated lab সত্যিই validation bottleneck কমাচ্ছে কি না।
পরবর্তী প্রমাণ আসবে laboratory output থেকে
এখন পর্যন্ত নিশ্চিত ঘটনা হলো ২৫ আগস্টের ৪ কোটি ডলারের Series A এবং Highland Europe-এর নেতৃত্ব। London lab, প্রায় তিন গুণ capacity ও বড় দল—সবই পরবর্তী কয়েক মাসে বাস্তবায়নের পরিকল্পনা; এগুলো সফল সম্প্রসারণের প্রমাণ হিসেবে আগাম গণ্য করা যাবে না।
পরবর্তী গুরুত্বপূর্ণ তথ্য হবে London facility কবে কাজ শুরু করে, ঘোষিত capacity কতটা চালু হয় এবং বাড়তি সক্ষমতা নিয়মিত customer experiment দিয়ে পূরণ হয় কি না। Protein AI-তে experimental validation বড় সীমা হয়ে ওঠার ধারণাকে এই অর্থায়ন জোরালো আর্থিক সমর্থন দিয়েছে; ব্যবসায়িক প্রমাণ আসবে তখনই, যখন Adaptyv আরও বেশি candidate-কে দ্রুত, পুনরুৎপাদনযোগ্য ও অর্থনৈতিকভাবে টেকসই measured result-এ রূপান্তর করতে পারবে।
আরও পড়ুন:
আমাদের নিউজলেটার নিন
সর্বশেষ Web3, AI ও ক্রিপ্টো সংবাদ সরাসরি আপনার ইনবক্সে পান।