Scindo, une start-up britannique spécialisée dans la découverte et la conception d’enzymes grâce à l’intelligence artificielle, a récemment levé 5,4 millions de dollars lors d’un tour de financement initial. Ce tour de table a été co-dirigé par Kadmos Capital et Clay Capital, avec la participation de PINC, le bras de capital-risque de l’entreprise agroalimentaire Paulig, ainsi que d’investisseurs existants tels que Synbioven, AgFunder, SOSV, Farvatn Venture et Savantus Ventures.
Fondée en 2020 par le Dr Gustaf Hemberg, le Dr Ben Davis et Juliet Sword, Scindo utilise des modèles d’IA et des données propriétaires pour accélérer la découverte et l’optimisation des enzymes. L’entreprise se consacre au développement d’enzymes capables de transformer divers intrants en ingrédients traditionnellement dérivés de produits pétrochimiques. Ces enzymes ciblent plusieurs secteurs industriels, notamment l’alimentation, les arômes, les cosmétiques et les produits chimiques spécialisés.
Avec ce nouveau financement, Scindo prévoit d’élargir sa plateforme, d’augmenter ses capacités de laboratoire et de renforcer son équipe. Selon Ali Morrow, partenaire chez Clay Capital, l’approche de Scindo permet de concevoir des enzymes sur mesure pour des applications industrielles spécifiques, offrant ainsi des alternatives naturelles compétitives et ouvrant de nouvelles opportunités pour réduire la dépendance de l’industrie aux produits pétroliers.
Scindo se concentre sur la découverte d’enzymes rares et peu connues, en utilisant ces découvertes pour alimenter l’apprentissage machine et concevoir de nouvelles enzymes. Une fois les enzymes prometteuses identifiées, elles sont produites dans des hôtes microbiens tels que des levures ou des champignons pour être testées en laboratoire. L’entreprise explore également la bioproduction sans cellules, afin de réduire les coûts de production et d’élargir les conditions de production.
Scindo espère lancer ses deux premiers produits sur le marché dans les 12 prochains mois. L’entreprise se distingue par ses ensembles de données propriétaires, qui lui permettent de cibler des applications enzymatiques difficiles à atteindre par les méthodes traditionnelles.
