AnswersPublished16 sources
AI navrhla mimořádně účinnou protilátku. V jednom úkolu ale, v celém testu nikoli
Protilátka navržená systémem Aureka dosáhla afinity 94,7 pM, tedy přibližně 2 000krát lepší než výchozí protilátka. Výzva AIntibody porovnávala 511 sekvencí od 29 organizací ve třech úlohách a všechny návrhy prošly nezávislým, zaslepeným laboratorním testováním.
PublikovalUpraveno pomocí GPT-5.6 LunaObrázky vytvořeny pomocí GPT Image 1.5
Research answer
Key takeaways
- Protilátka navržená systémem Aureka dosáhla afinity 94,7 pM, tedy přibližně 2 000krát lepší než výchozí protilátka.
- Výzva AIntibody porovnávala 511 sekvencí od 29 organizací ve třech úlohách a všechny návrhy prošly nezávislým, zaslepeným laboratorním testováním.
- Výsledek představuje silnou prospektivní podporu pro workflow s AI a laboratoří, nikoli důkaz, že lze laboratorní vývoj nahradit nebo že se stejná výkonnost přenese na nové cíle.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What were the results and significance of the first international blinded benchmark for AI antibody design, published in Nature Biotechnolog. Article summary: The AIntibody Challenge provides unusually strong prospective evidence that AI can materially accelerate antibody lead optimization—but not that it can yet replace experimental discovery across targets or tasks. Aureka’s. Topic tags: general, academic, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, char
První rozsáhlý zaslepený test návrhu protilátek pomocí umělé inteligence přinesl důležitý, ale nejednoznačný verdikt. AI dokázala vytvořit laboratorně ověřené a velmi účinné kandidáty, žádná z metod však nefungovala spolehlivě ve všech typech úloh.
Nejvýraznější výsledek předvedla společnost Aureka Biotechnologies. Její protilátka navržená modelem proti receptorové vazebné doméně (RBD) proteinu S viru SARS-CoV-2 dosáhla naměřené afinity 94,7 pM. To znamená přibližně 2 000násobné zlepšení oproti původní protilátce. Výsledek byl statisticky srovnatelný s nejlepším klonem získaným klasickým laboratorním zráním. 1
6
Co soutěž AIntibody testovala
Výzva AIntibody byla koncipována po vzoru benchmarku CASP, který porovnává výpočetní předpovědi s reálnými experimenty. Celkem 29 organizací do ní přihlásilo 511 sekvencí protilátek. Ty následně testovala nezávislá laboratoř podle jednotných pravidel, takže účastníci nehodnotili vlastní návrhy. 1
2
Benchmark se zaměřil na protilátky proti RBD doméně hrotového proteinu SARS-CoV-2 a zahrnoval tři scénáře:
- Počítačové zrání afinity: zlepšení dodané výchozí protilátky.
- Řazení podle afinity: nalezení nejsilnějších vazebných protilátek ve třech omezených shlucích sekvencí HCDR3.
- Návrh mimo existující knihovnu: vytvoření nebo optimalizace sekvencí CDR, které se nacházely mimo dodané experimentální knihovny.
1
Vědci měřili vazbu pomocí povrchové plazmonové rezonance a nezávislou metodou KinExA. Součástí hodnocení byl také panel pěti testů tzv. vyvíjitelnosti, tedy vlastností, které mohou zkomplikovat další vývoj léčiva i u jinak velmi účinné protilátky. Návrhy se tak neposuzovaly jen podle skóre modelu, ale podle skutečného chování v laboratoři. 1
Aureka dosáhla 94,7 pM
Nejlepší výsledek Aureka přišel v úloze počítačového zrání afinity. Vítězná protilátka je ve studii označena jako AuraBind a je spojována s platformou AuraIDE. Její naměřená afinita činila 94,7 pM, což představuje zhruba 2 000násobné zlepšení oproti výchozí protilátce. 1
4
6
Důležité je srovnání s klasickým experimentálním postupem. Nejlepší laboratorně vyzrálý klon vznikl po přibližně třech měsících fágového zrání a dosáhl afinity 113 pM. Číselně je tedy hodnota Aureka nižší, a znamená proto těsnější vazbu. Rozdíl mezi dvěma nejlepšími protilátkami však nebyl statisticky průkazný. Přesnější interpretace proto zní, že AI v tomto testu dorovnala nejlepší experimentální výsledek, nikoli že ho jednoznačně porazila. 1
6
Aureka navíc nespoléhala na jediný působivý kandidát. Navrhla šest protilátek s afinitou pod 10 nM, které zároveň prošly kritérii vyvíjitelnosti. Její návrhy obsadily v úloze zrání afinity první, druhé a páté místo. 1
V čem byl vítězný návrh zajímavý
Vítězná sekvence nebyla jednoduše kopií již dříve vybraného experimentálního klonu. Podle shrnutí studie kombinovala substituce a mutační vzorce odvozené z dodaných selekčních dat. Z 10 000 vygenerovaných kandidátů ji vybral model zohledňující strukturu protilátky. 1
Platforma spojovala strukturální modelování s prediktorem „fitness“ trénovaným na preferencích. Ten se nesnažil přímo předpovědět přesnou absolutní hodnotu vazebné konstanty. Učil se spíše relativní experimentální obohacení jednotlivých sekvencí, což lépe odpovídá praktickému cíli: seřadit kandidáty a vybrat z nich ty, které stojí za další laboratorní ověření. 1
To je pro vývoj protilátek zásadní rozdíl. Užitečný systém nemusí přesně znát konečnou afinitu každé sekvence. Potřebuje především zvýšit pravděpodobnost, že relativně malý a zvládnutelný počet kandidátů bude obsahovat silné a použitelné protilátky.
Aureka vyhrála jednu úlohu, ne celý benchmark
Aureka byla jasným vítězem první úlohy, její náskok se ale nepřenesl do všech tří částí soutěže. V úloze zaměřené na řazení klastrů se vítězové lišili podle konkrétního klastru: UCSD/Scripps vedly u 27F, WashU/Xencor u 28F a WashU u 47F. Úlohu s návrhem mimo existující knihovnu vyhrála společnost Xencor. 1
Analýza výsledků napříč úlohami ve studii dospěla ke stejnému závěru: každá zveřejněná skupina měla alespoň jednu úlohu, v níž byl její nejlepší výsledek výrazně vzdálen od nejlepších přihlášených návrhů. 1
To je hlavní poselství benchmarku. „Návrh protilátek pomocí AI“ není jedna jednotná schopnost. Systém, který umí dobře vylepšit známou protilátku při dostatku cílových dat, může být mnohem méně spolehlivý při řazení podobných sekvencí nebo při návrhu mimo existující experimentální knihovnu.
Co to znamená pro laboratorní práci
Největší praktický přínos se zatím týká optimalizace kandidátů, nikoli odstranění laboratoře z procesu. Pokud má model k dispozici kvalitní data o selekci konkrétní protilátky, může zmenšit počet kol, v nichž je nutné vytvářet knihovny, provádět selekci pomocí zobrazovacích metod, exprimovat klony a následně je testovat. V první úloze dosáhlo přibližně 13 % návrhů alespoň 20násobného zlepšení oproti výchozí protilátce, výsledky se však mezi účastníky výrazně lišily. 1
Benchmark proto podporuje model práce „člověk–AI–laboratoř“:
- experimentální selekce a sekvenování slouží jako vstup pro generování kandidátů;
- AI pomůže vybrat menší a případně rozmanitější soubor sekvencí;
- kandidáti se exprimují a testují za zaslepených, standardizovaných podmínek;
- před dalším postupem se posuzuje afinita i vyvíjitelnost.
Poslední krok zůstává klíčový. Některé návrhy s velmi vysokou afinitou neprošly jedním nebo více testy vyvíjitelnosti, zejména kontrolami souvisejícími s polyreaktivitou. Hodnota 94,7 pM je působivá, samotná síla vazby však z protilátky ještě nedělá vhodné léčivo. 1
Největší problém: přenositelnost na jiné cíle
Studie představovala náročný prospektivní test, zároveň však pro AI vytvořila poměrně příznivé podmínky. Zaměřila se na jeden dobře charakterizovaný antigen a využila rozsáhlá data z hlubokého sekvenování i měření afinity. U druhé a třetí úlohy navíc účastníci dostali informace, které v odpovídající fázi skutečného vývoje často nejsou k dispozici. 1
Výsledky tuto výhradu potvrzují. U datových souborů s klastry HCDR3 vykazovaly všechny modely kromě jednoho při předpovídání vysoce afinitních klonů slabý nebo horší než náhodný výkon. Také návrhy mimo existující knihovnu byly velmi nevyrovnané. 1
2
Benchmark tedy neprokazuje, že AI dosáhne stejně dobrých výsledků u neznámých antigenů, při nedostatku dat, u jiných formátů protilátek nebo při současném požadavku na širokou škálu vlastností důležitých pro vývoj léčiv. Ukazuje spíše to, že některé systémy mohou fungovat mimořádně dobře v přesně vymezených biologických podmínkách, kde mají k dispozici kvalitní data.
Co výsledek znamená pro Aureka
Pro společnost Aureka je benchmark cenným ověřením, protože její platformu spojuje s nezávisle testovaným experimentálním výsledkem, nikoli pouze s interním skóre modelu. Firma v srpnu 2026 uzavřela investiční kolo Series B v hodnotě 100 milionů dolarů. Celkový objem oznámeného financování tím podle dostupných údajů vzrostl téměř na 200 milionů dolarů. První tranši financovala Granite Asia, další vedl strategický investor. 18
21
Aureka zároveň uvádí spolupráce s několika nadnárodními farmaceutickými společnostmi, včetně struktur založených na obchodním rozvoji a společných nových firmách typu NewCo. 4 Nový kapitál a tato partnerství jí dávají prostředky i potenciální cesty k převodu návrhů vytvořených AI do skutečných vývojových programů.
4
18
Vítězství v benchmarku ale není klinickým ověřením. Samo o sobě nedokazuje, že platforma Aureka povede k úspěšným léčivům nebo že je obecně lepší než tradiční metody hledání protilátek. Data podporují užší, zato praktičtější závěr: AI workflow společnosti Aureka dokáže v nejméně jednom dobře definovaném prostředí vytvořit vysoce účinné a vyvíjitelné kandidáty. Širší otázka — zda se tento výkon přenese na jiné cíle a podmínky vývoje — zůstává otevřená.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "AI navrhla mimořádně účinnou protilátku. V jednom úkolu ale, v celém testu nikoli"?
Protilátka navržená systémem Aureka dosáhla afinity 94,7 pM, tedy přibližně 2 000krát lepší než výchozí protilátka.
What are the key points to validate first?
Protilátka navržená systémem Aureka dosáhla afinity 94,7 pM, tedy přibližně 2 000krát lepší než výchozí protilátka. Výzva AIntibody porovnávala 511 sekvencí od 29 organizací ve třech úlohách a všechny návrhy prošly nezávislým, zaslepeným laboratorním testováním.
What should I do next in practice?
Výsledek představuje silnou prospektivní podporu pro workflow s AI a laboratoří, nikoli důkaz, že lze laboratorní vývoj nahradit nebo že se stejná výkonnost přenese na nové cíle.
Sources
carterra-bio.comA blinded, prospective benchmark of in silico antibody discovery anchored to experimental affinity and developability
allsci.comAI antibody design struggles to beat simple baselines in 29 ...
finance.yahoo.comAureka Wins the Global Blinded AI Antibody Benchmark: AI Design Surpasses the Best Experimental Result