Helical capta US$ 10 milhões para transformar foundation models biológicos em sistemas para a indústria farmacêutica

A Helical captou US$ 10 milhões em investimento seed para levar os foundation models biológicos do status de tecnologia de pesquisa promissora ao de sistemas operacionais para farmacêuticas. É um sinal importante para o mercado: os investidores não estão apostando em mais uma plataforma de AI qualquer, e sim em uma equipe que já implementa suas soluções em grandes clientes. Em um setor no qual o custo de um erro é alto, o simples fato de haver uso em produção costuma valer mais do que promessas ambiciosas ou demos.

A startup fica em Londres, mas tem raízes em Luxemburgo: a empresa foi fundada por três amigos de infância luxemburgueses. A rodada de US$ 10 milhões foi liderada pelo fundo redalpine, e entre os investidores-anjo estão executivos da Cohere e da Hugging Face. Essa composição já diz muito por si só. Ela mostra que o projeto conta com a confiança tanto de players tradicionais de venture capital quanto de pessoas diretamente ligadas ao desenvolvimento dos modelos de AI modernos e da infraestrutura em torno deles.

O principal na história da Helical é o estágio do produto, e não o tamanho da rodada. A empresa afirma já operar em produção com vários grupos farmacêuticos do top 20 mundial, além de manter uma parceria pública com a Pfizer. Para startups jovens de AI, é um nível raro de validação. Na indústria farmacêutica, novas ferramentas não são adotadas por impulso: os ciclos de validação são longos, e há exigências rígidas quanto à qualidade dos dados, à reprodutibilidade dos resultados e à integração com os processos de pesquisa existentes. Se uma solução chegou ao uso real, ela já percorreu pelo menos parte do caminho mais difícil.

A própria ideia de "transformar foundation models em sistemas" também é reveladora. Um modelo base pode ter bom desempenho em cenários de laboratório e em datasets de teste, mas as empresas precisam de ferramentas concretas, e não de capacidades abstratas: interface clara, pipelines confiáveis, controle de qualidade, compatibilidade com dados internos e uma lógica de decisão transparente. Em biotech e farma, essa distância entre modelo e produto é especialmente grande, porque envolve biologia complexa, experimentos caros e ciclos de desenvolvimento de medicamentos que podem durar muitos anos.

O mercado costuma chamar de bio foundation models os grandes modelos treinados com sequências biológicas, estruturas moleculares ou conjuntos de dados científicos relacionados. Seu potencial é discutido há tempos como a próxima grande camada da AI depois dos modelos de linguagem, já que eles podem ajudar a encontrar relações difíceis de identificar manualmente. Mas a abordagem também tem limitações: previsões bonitas em slides não bastam para a indústria farmacêutica, que precisa de ferramentas que possam ser verificadas com dados internos e comparadas com resultados de laboratório. É por isso que os investidores olham cada vez menos para o modelo "mágico" em si e cada vez mais para a capacidade da equipe de encaixá-lo na cadeia real de pesquisa.

Por isso, a aposta da Helical parece pragmática. Em vez de vender ao mercado apenas a promessa de "AI para descoberta de medicamentos", a empresa, a julgar pelo seu posicionamento, está construindo uma camada que torna esses modelos utilizáveis no trabalho diário das equipes de pesquisa. Para as farmacêuticas, isso pode significar análise mais rápida de dados biológicos, busca de padrões mais prática e um trabalho mais estruturado com hipóteses. Para o mercado de AI, é mais um indício de que a corrida pelos maiores modelos está dando lugar à corrida por sistemas que de fato se integram aos processos de cada setor. É justamente essa parte aplicada que costuma se tornar o principal gargalo para escalar.

A conclusão é simples: a Helical levantou uma rodada relativamente pequena para os padrões do boom da AI, mas compensa isso com a qualidade dos sinais: adoção precoce em grandes farmacêuticas, vínculo público com a Pfizer e um time forte de investidores. É exatamente nessas transições de hipótese de pesquisa para ferramenta operacional que hoje se forma novo valor na AI setorial. Se a empresa conseguir provar que sua abordagem gera valor de forma consistente em processos reais de R&D, o interesse por sistemas aplicados de bio-AI na indústria farmacêutica só deve crescer nos próximos anos.