AnswersPublished16 sources
AI rammer ekstremt præcist med antistoffer – men kun i én af tre discipliner
Aurekas AI designede antistof nåede en affinitet på 94,7 pikomolar – omkring 2.000 gange stærkere end udgangsantistoffet og statistisk på niveau med det bedste antistof fra traditionel modning. AIntibody Challenge testede 511 antistofsekvenser fra 29 organisationer i tre opgaver med uafhængige og blindede laboratori...
Udgivet afRedigeret med GPT-5.6 LunaBilleder genereret med GPT Image 1.5
Research answer
Key takeaways
- Aurekas AI designede antistof nåede en affinitet på 94,7 pikomolar – omkring 2.000 gange stærkere end udgangsantistoffet og statistisk på niveau med det bedste antistof fra traditionel modning.
- AIntibody Challenge testede 511 antistofsekvenser fra 29 organisationer i tre opgaver med uafhængige og blindede laboratoriemålinger.
- Resultatet er stærk dokumentation for en AI assisteret arbejdsgang, men testen byggede på ét velundersøgt SARS CoV 2 mål med usædvanligt rige data.
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
Den første store, blindede og fremadrettede benchmark af AI-designede antistoffer giver et blandet resultat: Kunstig intelligens kan skabe antistofkandidater, der både virker i laboratoriet og binder meget stærkt. Men ingen enkelt metode klarede sig stabilt i alle de opgaver, der indgik i testen. 1
2
Den tydeligste succeshistorie kom fra Aureka Biotechnologies. Virksomhedens model designede et antistof mod SARS-CoV-2-virussets receptorbindende domæne med en målt affinitet på 94,7 pM. Det er cirka 2.000 gange bedre end det oprindelige antistof. Resultatet var statistisk sammenligneligt med det bedste antistof, der blev frembragt gennem konventionel laboratoriebaseret modning. 1
6
Hvad blev testet i AIntibody Challenge?
AIntibody Challenge var opbygget efter samme grundidé som CASP, en kendt international benchmark for proteinstrukturforudsigelser: Modellerne skulle ikke blot vurderes på deres egne scores. De indsendte sekvenser blev i stedet produceret og testet af uafhængige laboratorier under standardiserede, blindede forhold. 1
2
I alt indsendte 29 organisationer 511 antistofsekvenser. Testen fokuserede på antistoffer mod det receptorbindende domæne i SARS-CoV-2’s spikeprotein og bestod af tre forskellige opgaver: 1
- Affinitetsmodning i silico: Et eksisterende antistof skulle forbedres.
- Rangering af affinitet: Deltagerne skulle finde de stærkeste bindere blandt sekvenser i tre begrænsede HCDR3-klynger. HCDR3 er en central del af antistoffets bindingsområde.
- Design uden for det eksisterende bibliotek: Deltagerne skulle skabe eller optimere CDR-sekvenser, som lå uden for de eksperimentelle biblioteker, de fik udleveret.
1
Forskerne målte bindingen med overfladeplasmonresonans og en uafhængig KinExA-test. Derudover blev antistofferne vurderet i et panel med fem såkaldte developability-analyser. De undersøger egenskaber, som kan gøre et antistof uegnet til videre lægemiddeludvikling, selv hvis det binder meget stærkt. 1
Det afgørende var altså ikke, hvor overbevisende en AI-model så ud på skærmen, men hvordan dens forslag opførte sig i laboratoriet.
Aureka nåede 94,7 pikomolar
Aurekas stærkeste resultat kom i opgaven om affinitetsmodning. Det vindende antistof hedder AuraBind i den videnskabelige artikel og blev designet med virksomhedens AuraIDE-platform. Det nåede en målt affinitet på 94,7 pM – en forbedring på omkring 2.000 gange i forhold til forældreantistoffet. 1
4
6
Sammenligningen med traditionel laboratorieudvikling er central. Det bedste eksperimentelt modne klon, som blev frembragt efter cirka tre måneders fagmodning, nåede 113 pM. Et lavere tal betyder her en stærkere binding, så Aurekas måling var numerisk bedre. Forskellen mellem de to bedste antistoffer var dog ikke statistisk afgørende. Den mest præcise konklusion er derfor, at AI-designet matchede det bedste eksperimentelle resultat i denne test – ikke at det endegyldigt slog det. 1
6
Aureka leverede desuden seks antistoffer med en affinitet under 10 nM, som også bestod challenge-testens krav til udviklingsegnethed. Virksomhedens bidrag endte på første-, anden- og femtepladsen i resultaterne for affinitetsmodning. 1
Hvorfor sekvensen var interessant
Det vindende antistof var ikke blot en kopi af en eksisterende sekvens, som tidligere var udvalgt i laboratoriet. Ifølge studiets sammenfatning kombinerede det substitutioner og mutationsmønstre, som modellen udledte fra de tilgængelige selektionsdata. En strukturinformeret affinitetsmodel udvalgte designet blandt 10.000 genererede kandidater. 1
AuraIDE kombinerede strukturel modellering med en fitnessmodel, der var trænet på præferencer. I stedet for direkte at forudsige den præcise, absolutte bindingskonstant lærte modellen at rangere sekvenser efter deres relative eksperimentelle berigelse. Det ligger tættere på den praktiske opgave i antistofudvikling: at finde de bedste kandidater til den næste laboratorierunde. 1
Det er en vigtig forskel. Et brugbart AI-system behøver ikke nødvendigvis at kende den endelige affinitet for hver enkelt sekvens. Det skal først og fremmest øge sandsynligheden for, at et overkommeligt antal kandidater indeholder stærke og anvendelige bindere.
Aureka vandt én opgave – ikke hele konkurrencen
Aureka var den klare vinder af Challenge 1, men resultatet blev ikke omsat til dominans i de to øvrige discipliner. I opgaven med rangering af sekvenser i klynger var vinderne forskellige fra klynge til klynge: UCSD/Scripps førte i 27F, WashU/Xencor i 28F, og WashU i 47F. Xencor vandt opgaven med design uden for det eksisterende bibliotek. 1
Studiets analyse på tværs af opgaverne viste desuden, at alle de grupper, der offentliggjorde deres resultater, havde mindst én opgave, hvor deres bedste resultat lå langt fra de førende bidrag. 1
Det er benchmarkens vigtigste budskab: AI-design af antistoffer er ikke én samlet evne. En model, der er god til at forbedre et kendt antistof på baggrund af omfattende, målrettede data, kan være langt mindre pålidelig, når den skal rangere sekvenser i klynger eller designe helt uden for et eksisterende bibliotek.
Kan AI erstatte laboratorierunder?
Den mest realistiske praktiske betydning ligger i optimering af lovende kandidater – ikke i at fjerne laboratoriet fra processen.
I et gunstigt scenarie kan en effektiv model reducere antallet af runder med opbygning af antistofbiblioteker, selektion med displayteknikker, ekspression af kloner og efterfølgende screening. I Challenge 1 opnåede omkring 13 procent af bidragene mindst en 20-dobling af affiniteten i forhold til forældreantistoffet, selv om resultaterne varierede kraftigt mellem deltagerne. 1
Resultaterne peger derfor på en arbejdsgang, hvor laboratoriet og AI-modellen arbejder sammen:
- Eksperimentelle selektions- og sekvensdata bruges til at generere nye kandidater.
- Modeller bruges til at prioritere et mindre og potentielt mere forskelligartet udvalg.
- Kandidaterne produceres og testes under blindede, standardiserede forhold.
- Både affinitet og udviklingsegnethed vurderes, før kandidaterne går videre.
Det sidste punkt er afgørende. Flere designs med meget stærk binding dumpede i en eller flere af analyserne for udviklingsegnethed, især test relateret til polyreaktivitet. En affinitet på 94,7 pM er imponerende, men stærk binding alene gør ikke et antistof egnet som lægemiddel. 1
Den store begrænsning er generalisering
Undersøgelsen var en krævende, fremadrettet test, men den foregik også i et miljø, der var relativt gunstigt for AI. Forskerne brugte ét velkarakteriseret antigen samt omfattende data fra dyb sekventering og affinitetsmålinger. I især opgave to og tre indgik der desuden oplysninger, som ofte ikke vil være tilgængelige så tidligt i et virkeligt lægemiddelprojekt. 1
Resultaterne afspejler denne begrænsning. I datasættene med HCDR3-klynger præsterede alle modeller på nær én dårligt eller dårligere end tilfældig udvælgelse, når de skulle forudsige kloner med høj affinitet. Resultaterne for design uden for eksisterende biblioteker var også meget svingende. 1
2
Benchmarken viser derfor ikke, at AI vil levere lige så stærke resultater mod ukendte antigener, med sparsomme datasæt eller i andre antistofformater. Den siger heller ikke, at AI allerede kan håndtere alle de egenskaber, der kræves for at udvikle et terapeutisk antistof.
Den mere begrænsede – men stadig væsentlige – konklusion er, at bestemte systemer kan fungere særdeles godt i klart definerede og biologisk velunderbyggede situationer.
Hvad betyder resultatet for Aureka?
For Aureka er benchmarken værdifuld, fordi den forbinder virksomhedens platform med et uafhængigt, eksperimentelt resultat – og ikke kun med en intern modelscore. Virksomheden afsluttede i august 2026 en Series B-finansiering på 100 mio. dollar, hvilket bringer den rapporterede samlede finansiering op på næsten 200 mio. dollar. Granite Asia finansierede den første tranche, mens en strategisk investor stod i spidsen for en senere tranche. 18
21
Aureka har også beskrevet forretningsudviklings- og NewCo-lignende samarbejder med flere multinationale lægemiddelvirksomheder. 4 Den nye kapital og samarbejderne giver virksomheden ressourcer og mulige veje til at omsætte AI-designede antistoffer til egentlige lægemiddelprogrammer.
4
18
Men benchmarken er ikke klinisk dokumentation. Den beviser hverken, at Aureka vil udvikle succesfulde lægemidler, eller at platformen generelt er bedre end traditionelle metoder til antistofopdagelse.
Det, resultaterne understøtter, er en smallere og mere brugbar påstand: Aureka har vist, at en AI-assisteret arbejdsgang kan skabe meget potente og udviklingsegnede antistofkandidater i mindst én veldefineret optimeringsopgave. Det næste spørgsmål er, om samme præcision kan gentages på tværs af flere mål, datasæt og reelle lægemiddelprojekter.
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 rammer ekstremt præcist med antistoffer – men kun i én af tre discipliner"?
Aurekas AI designede antistof nåede en affinitet på 94,7 pikomolar – omkring 2.000 gange stærkere end udgangsantistoffet og statistisk på niveau med det bedste antistof fra traditionel modning.
What are the key points to validate first?
Aurekas AI designede antistof nåede en affinitet på 94,7 pikomolar – omkring 2.000 gange stærkere end udgangsantistoffet og statistisk på niveau med det bedste antistof fra traditionel modning. AIntibody Challenge testede 511 antistofsekvenser fra 29 organisationer i tre opgaver med uafhængige og blindede laboratoriemålinger.
What should I do next in practice?
Resultatet er stærk dokumentation for en AI assisteret arbejdsgang, men testen byggede på ét velundersøgt SARS CoV 2 mål med usædvanligt rige data.
Sources
allsci.comAI antibody design struggles to beat simple baselines in 29 ...
carterra-bio.comA blinded, prospective benchmark of in silico antibody discovery anchored to experimental affinity and developability
finance.yahoo.comAureka Wins the Global Blinded AI Antibody Benchmark: AI Design Surpasses the Best Experimental Result