המבחן הבינלאומי הראשון בקנה מידה גדול, פרוספקטיבי ועיוור לתכנון נוגדנים באמצעות בינה מלאכותית מספק תמונה מעורבת: AI מסוגל לייצר מועמדים לנוגדנים שנבדקו במעבדה, נקשרים בעוצמה גבוהה ועומדים בחלק ממבחני הפיתוח — אך אף שיטה לא הצטיינה בעקביות בכל משימות התכנון.\n\nהסיפור הבולט ביותר הגיע מחברת Aureka Biotechnologies. נוגדן שתוכנן באמצעות המודל שלה נגד אזור הקישור לקולטן (RBD) בחלבון הספייק של SARS-CoV-2 הגיע לזיקה מדודה של 94.7 פיקומולר — שיפור של בערך פי 2,000 לעומת הנוגדן ההורי. התוצאה הייתה שקולה סטטיסטית לנוגדן הטוב ביותר שנוצר בתהליך הבשלה ניסויי, שמדד 113 פיקומולר. 16\n\n## מה בדק אתגר AIntibody\n\nאתגר AIntibody תוכנן ברוח מבחני CASP במדעי המבנה: להפריד בין ציון שהמודל מעניק לעצמו לבין ביצועים שנבדקים בפועל. 29 ארגונים הגישו 511 רצפי נוגדנים, ואלה עברו בדיקות מעבדה עצמאיות ואחידות — לא הערכה שבוצעה על ידי מפתחי השיטות עצמם. 12\n\nהאתגר התמקד בנוגדנים נגד אזור ה-RBD של SARS-CoV-2 וכלל שלוש משימות:\n\n1. הבשלה חישובית של זיקה: שיפור נוגדן הורי שסופק למשתתפים.\n2. דירוג זיקה: איתור הקושרים החזקים ביותר בתוך שלושה אשכולות מוגבלים של רצפי HCDR3 — אזור מרכזי במגע של הנוגדן עם המטרה.\n3. תכנון מחוץ לספרייה: יצירה או אופטימיזציה של רצפי CDR שאינם נמצאים בספריות הניסוי שסופקו. 1\n\nהחוקרים מדדו את הקישור באמצעות תהודת פלזמון משטחית (SPR) ובבדיקת KinExA בלתי תלויה. נוסף על כך, כל מועמד עבר פאנל בן חמישה מבחני יכולת פיתוח — בדיקות שמטרתן לזהות תכונות שעלולות להכשיל נוגדן גם אם הוא נקשר למטרה בעוצמה גבוהה. 1\n\n## 94.7 פיקומולר: ההישג של Aureka\n\nהתוצאה הטובה ביותר של Aureka הושגה במשימת הבשלת הזיקה. הנוגדן הזוכה מופיע במאמר בשם AuraBind, והוא משויך לפלטפורמת AuraIDE של החברה. הזיקה שנמדדה לו הייתה 94.7 פיקומולר. 146\n\nלשם השוואה, הנוגדן הטוב ביותר שנוצר בהבשלה ניסויית באמצעות פאג'ים, תהליך שנמשך כשלושה חודשים, הגיע ל-113 פיקומולר. מספר נמוך יותר פירושו כאן זיקה חזקה יותר, ולכן התוצאה של Aureka נראית טובה יותר מבחינה מספרית. עם זאת, הפער בין שני הנוגדנים המובילים לא היה מובהק סטטיסטית. הניסוח המדויק הוא ש-AI השתווה לתוצאה הניסויית הטובה ביותר במבחן הזה — לא שהביס אותה באופן חד-משמעי. 16\n\nההצלחה לא הסתכמה ברצף אחד: Aureka יצרה שישה נוגדנים עם זיקה של פחות מ-10 ננומולר, שכולם עמדו גם בקריטריוני יכולת הפיתוח של האתגר. נציגי החברה דורגו במקומות הראשון, השני והחמישי במשימת הבשלת הזיקה. 1\n\n## מה היה חדש ברצף הזוכה\n\nלפי סיכום המחקר, הנוגדן הזוכה לא היה העתק של שיבוט שנבחר קודם לכן בניסוי. הוא שילב מחדש החלפות חומצות אמינו ודפוסי מוטציות שהוסקו מנתוני הברירה שסופקו למשתתפים. מודל זיקה שהתחשב במבנה בחר את התכנון מתוך 10,000 מועמדים שנוצרו. 1\n\nהפלטפורמה שילבה מידול מבני עם מנבא כשירות שאומן על העדפות. במקום לנסות לחזות ישירות את קבוע הקישור המוחלט של כל רצף, המודל למד העשרה ניסויית יחסית — גישה שמתאימה יותר לדירוג מועמדים ולהחלטה אילו מהם לשלוח לבדיקה. 1\n\nההבדל חשוב: מערכת שימושית לגילוי נוגדנים לא חייבת לדעת מראש את הזיקה הסופית המדויקת של כל רצף. היא צריכה להגדיל את הסיכוי שקבוצה קטנה ונוחה לבדיקה תכיל נוגדנים חזקים ושימושיים.\n\n## Aureka ניצחה במשימה אחת — לא בכל המבחן\n\nAureka הייתה הזוכה הברורה במשימה הראשונה, אך לא שלטה בשלוש המשימות. במשימת דירוג האשכולות השתנו המובילים בין האשכולות: UCSD/Scripps הובילו באשכול 27F, WashU/Xencor באשכול 28F, ו-WashU באשכול 47F. Xencor ניצחה במשימת התכנון מחוץ לספרייה. 1\n\nגם הניתוח שהשווה בין המשימות מצא שלכל קבוצה שפרטיה נחשפו היה לפחות אתגר אחד שבו התוצאה הטובה ביותר שלה הייתה רחוקה מהמובילים. 1\n\nזהו המסר המרכזי של המבחן: "תכנון נוגדנים באמצעות AI" אינו יכולת אחת ואחידה. מערכת שמצטיינת בשיפור נוגדן מוכר, כאשר עומדים לרשותה נתונים רבים וספציפיים למטרה, עשויה להיות פחות אמינה בדירוג רצפים באשכול או בתכנון מחוץ לספרייה קיימת.\n\n## האם AI יכול להחליף סבבים במעבדה?\n\nהמשמעות המעשית החזקה ביותר היא לתחום אופטימיזציית המועמדים, ולא להעלמת המעבדה. בתנאים מתאימים, מודל מוצלח עשוי לצמצם את מספר הסבבים של בניית ספריות נוגדנים, סלקציה בתצוגה, ביטוי שיבוטים וסריקה שלהם. במשימה הראשונה, כ-13% מההגשות השיגו שיפור של לפחות פי 20 ביחס לנוגדן ההורי, אף שהביצועים השתנו מאוד בין המשתתפים. 1\n\nהתרחיש הסביר הוא אפוא עבודה במעגל משולב של מודל ומעבדה:\n\n- שימוש בנתוני סלקציה וריצוף ניסויים ליצירת מועמדים;\n- שימוש במודלים כדי לתעדף קבוצה קטנה ומגוונת יותר של רצפים;\n- ביטוי ובדיקה של הרצפים בתנאים עיוורים ואחידים;\n- הערכת הזיקה ויכולת הפיתוח לפני קידום המועמדים.\n\nהשלב האחרון חיוני. כמה מהתכנונים בעלי הזיקה הגבוהה נכשלו באחד או יותר ממבחני יכולת הפיתוח, במיוחד בבדיקות הקשורות לפוליריאקטיביות — נטייה של נוגדן להיקשר באופן לא רצוי למגוון מטרות. זיקה של 94.7 פיקומולר מרשימה, אך עוצמת הקישור לבדה אינה הופכת נוגדן למועמד מתאים לתרופה. 1\n\n## המגבלה הגדולה: הכללה ליעדים אחרים\n\nזה היה מבחן פרוספקטיבי תובעני, אך גם סביבה נוחה יחסית להצלחת AI. המחקר השתמש באנטיגן אחד שנחקר היטב, בכמויות גדולות של נתוני ריצוף עמוק וזיקה, ובמשימות השנייה והשלישית סיפק מידע שלא תמיד קיים בשלב המקביל של מסע גילוי תרופה אמיתי. 1\n\nהתוצאות משקפות את המגבלה הזו. במאגרי ה-HCDR3 האשכוליים, כמעט כל המודלים הראו ביצועים חלשים או גרועים מבחירה אקראית בניסיון לחזות אילו שיבוטים יהיו בעלי זיקה גבוהה. גם התוצאות בתכנון מחוץ לספרייה היו תנודתיות מאוד. 12\n\nלכן, המבחן אינו מוכיח ש-AI יפיק תוצאות דומות נגד אנטיגנים לא מוכרים, עם נתונים דלים, בפורמטים אחרים של נוגדנים או מול מכלול התכונות הנדרש בפיתוח תרופה. הוא כן מראה שמערכות מסוימות יכולות להצליח מאוד בתנאים מוגדרים ומבוססי-ביולוגיה.\n\n## מה המשמעות עבור Aureka\n\nעבור Aureka, מדובר באימות חיצוני חשוב במיוחד: הביצועים של הפלטפורמה נקשרו לתוצאה ניסויית שנבדקה באופן עצמאי, ולא רק לציון פנימי של המודל. באוגוסט 2026 השלימה החברה גיוס של 100 מיליון דולר בסבב Series B, והיקף הגיוס המצטבר שלה הגיע לפי הדיווחים לכמעט 200 מיליון דולר. Granite Asia מימנה את המנה הראשונה, ומשקיע אסטרטגי הוביל מנה מאוחרת יותר. 1821\n\nהחברה תיארה גם שיתופי פעולה עסקיים ומיזמי NewCo עם כמה חברות תרופות רב-לאומיות. 4 ההישג במבחן, לצד ההון החדש ושיתופי הפעולה, מחזק את יכולתה של Aureka לטעון שהמודלים שלה יכולים להוביל לתכנוני נוגדנים שנבדקים בפועל — ואף לספק לה מסלולים אפשריים לתרגום התכנונים לתוכניות תרופתיות. 418\n\nאבל זו אינה הוכחה קלינית. המבחן לא מוכיח שהפלטפורמה תייצר תרופות מצליחות, ולא שהיא עדיפה באופן רחב על שיטות ניסוייות לגילוי נוגדנים. המסקנה הצרה והמבוססת יותר היא ש-AI של Aureka הצליח לייצר מועמדים חזקים וברי-פיתוח לפחות בסביבת אופטימיזציה מוגדרת היטב — בעוד שהתחום כולו עדיין זקוק למבחנים עיוורים רחבים יותר, נגד יעדים שונים ובתנאי גילוי מציאותיים יותר.

המבחן הבינלאומי הראשון בקנה מידה גדול, פרוספקטיבי ועיוור לתכנון נוגדנים באמצעות בינה מלאכותית מספק תמונה מעורבת: AI מסוגל לייצר מועמדים לנוגדנים שנבדקו במעבדה, נקשרים בעוצמה גבוהה ועומדים בחלק ממבחני הפיתוח — אך אף שיטה לא הצטיינה בעקביות בכל משימות התכנון.\n\nהסיפור הבולט ביותר הגיע מחברת Aureka Biotechnologies. נוגדן שתוכנן באמצעות המודל שלה נגד אזור הקישור לקולטן (RBD) בחלבון הספייק של SARS-CoV-2 הגיע לזיקה מדודה של 94.7 פיקומולר — שיפור של בערך פי 2,000 לעומת הנוגדן ההורי. התוצאה הייתה שקולה סטטיסטית לנוגדן הטוב ביותר שנוצר בתהליך הבשלה ניסויי, שמדד 113 פיקומולר. 16\n\n## מה בדק אתגר AIntibody\n\nאתגר AIntibody תוכנן ברוח מבחני CASP במדעי המבנה: להפריד בין ציון שהמודל מעניק לעצמו לבין ביצועים שנבדקים בפועל. 29 ארגונים הגישו 511 רצפי נוגדנים, ואלה עברו בדיקות מעבדה עצמאיות ואחידות — לא הערכה שבוצעה על ידי מפתחי השיטות עצמם. 12\n\nהאתגר התמקד בנוגדנים נגד אזור ה-RBD של SARS-CoV-2 וכלל שלוש משימות:\n\n1. הבשלה חישובית של זיקה: שיפור נוגדן הורי שסופק למשתתפים.\n2. דירוג זיקה: איתור הקושרים החזקים ביותר בתוך שלושה אשכולות מוגבלים של רצפי HCDR3 — אזור מרכזי במגע של הנוגדן עם המטרה.\n3. תכנון מחוץ לספרייה: יצירה או אופטימיזציה של רצפי CDR שאינם נמצאים בספריות הניסוי שסופקו. 1\n\nהחוקרים מדדו את הקישור באמצעות תהודת פלזמון משטחית (SPR) ובבדיקת KinExA בלתי תלויה. נוסף על כך, כל מועמד עבר פאנל בן חמישה מבחני יכולת פיתוח — בדיקות שמטרתן לזהות תכונות שעלולות להכשיל נוגדן גם אם הוא נקשר למטרה בעוצמה גבוהה. 1\n\n## 94.7 פיקומולר: ההישג של Aureka\n\nהתוצאה הטובה ביותר של Aureka הושגה במשימת הבשלת הזיקה. הנוגדן הזוכה מופיע במאמר בשם AuraBind, והוא משויך לפלטפורמת AuraIDE של החברה. הזיקה שנמדדה לו הייתה 94.7 פיקומולר. 146\n\nלשם השוואה, הנוגדן הטוב ביותר שנוצר בהבשלה ניסויית באמצעות פאג'ים, תהליך שנמשך כשלושה חודשים, הגיע ל-113 פיקומולר. מספר נמוך יותר פירושו כאן זיקה חזקה יותר, ולכן התוצאה של Aureka נראית טובה יותר מבחינה מספרית. עם זאת, הפער בין שני הנוגדנים המובילים לא היה מובהק סטטיסטית. הניסוח המדויק הוא ש-AI השתווה לתוצאה הניסויית הטובה ביותר במבחן הזה — לא שהביס אותה באופן חד-משמעי. 16\n\nההצלחה לא הסתכמה ברצף אחד: Aureka יצרה שישה נוגדנים עם זיקה של פחות מ-10 ננומולר, שכולם עמדו גם בקריטריוני יכולת הפיתוח של האתגר. נציגי החברה דורגו במקומות הראשון, השני והחמישי במשימת הבשלת הזיקה. 1\n\n## מה היה חדש ברצף הזוכה\n\nלפי סיכום המחקר, הנוגדן הזוכה לא היה העתק של שיבוט שנבחר קודם לכן בניסוי. הוא שילב מחדש החלפות חומצות אמינו ודפוסי מוטציות שהוסקו מנתוני הברירה שסופקו למשתתפים. מודל זיקה שהתחשב במבנה בחר את התכנון מתוך 10,000 מועמדים שנוצרו. 1\n\nהפלטפורמה שילבה מידול מבני עם מנבא כשירות שאומן על העדפות. במקום לנסות לחזות ישירות את קבוע הקישור המוחלט של כל רצף, המודל למד העשרה ניסויית יחסית — גישה שמתאימה יותר לדירוג מועמדים ולהחלטה אילו מהם לשלוח לבדיקה. 1\n\nההבדל חשוב: מערכת שימושית לגילוי נוגדנים לא חייבת לדעת מראש את הזיקה הסופית המדויקת של כל רצף. היא צריכה להגדיל את הסיכוי שקבוצה קטנה ונוחה לבדיקה תכיל נוגדנים חזקים ושימושיים.\n\n## Aureka ניצחה במשימה אחת — לא בכל המבחן\n\nAureka הייתה הזוכה הברורה במשימה הראשונה, אך לא שלטה בשלוש המשימות. במשימת דירוג האשכולות השתנו המובילים בין האשכולות: UCSD/Scripps הובילו באשכול 27F, WashU/Xencor באשכול 28F, ו-WashU באשכול 47F. Xencor ניצחה במשימת התכנון מחוץ לספרייה. 1\n\nגם הניתוח שהשווה בין המשימות מצא שלכל קבוצה שפרטיה נחשפו היה לפחות אתגר אחד שבו התוצאה הטובה ביותר שלה הייתה רחוקה מהמובילים. 1\n\nזהו המסר המרכזי של המבחן: "תכנון נוגדנים באמצעות AI" אינו יכולת אחת ואחידה. מערכת שמצטיינת בשיפור נוגדן מוכר, כאשר עומדים לרשותה נתונים רבים וספציפיים למטרה, עשויה להיות פחות אמינה בדירוג רצפים באשכול או בתכנון מחוץ לספרייה קיימת.\n\n## האם AI יכול להחליף סבבים במעבדה?\n\nהמשמעות המעשית החזקה ביותר היא לתחום אופטימיזציית המועמדים, ולא להעלמת המעבדה. בתנאים מתאימים, מודל מוצלח עשוי לצמצם את מספר הסבבים של בניית ספריות נוגדנים, סלקציה בתצוגה, ביטוי שיבוטים וסריקה שלהם. במשימה הראשונה, כ-13% מההגשות השיגו שיפור של לפחות פי 20 ביחס לנוגדן ההורי, אף שהביצועים השתנו מאוד בין המשתתפים. 1\n\nהתרחיש הסביר הוא אפוא עבודה במעגל משולב של מודל ומעבדה:\n\n- שימוש בנתוני סלקציה וריצוף ניסויים ליצירת מועמדים;\n- שימוש במודלים כדי לתעדף קבוצה קטנה ומגוונת יותר של רצפים;\n- ביטוי ובדיקה של הרצפים בתנאים עיוורים ואחידים;\n- הערכת הזיקה ויכולת הפיתוח לפני קידום המועמדים.\n\nהשלב האחרון חיוני. כמה מהתכנונים בעלי הזיקה הגבוהה נכשלו באחד או יותר ממבחני יכולת הפיתוח, במיוחד בבדיקות הקשורות לפוליריאקטיביות — נטייה של נוגדן להיקשר באופן לא רצוי למגוון מטרות. זיקה של 94.7 פיקומולר מרשימה, אך עוצמת הקישור לבדה אינה הופכת נוגדן למועמד מתאים לתרופה. 1\n\n## המגבלה הגדולה: הכללה ליעדים אחרים\n\nזה היה מבחן פרוספקטיבי תובעני, אך גם סביבה נוחה יחסית להצלחת AI. המחקר השתמש באנטיגן אחד שנחקר היטב, בכמויות גדולות של נתוני ריצוף עמוק וזיקה, ובמשימות השנייה והשלישית סיפק מידע שלא תמיד קיים בשלב המקביל של מסע גילוי תרופה אמיתי. 1\n\nהתוצאות משקפות את המגבלה הזו. במאגרי ה-HCDR3 האשכוליים, כמעט כל המודלים הראו ביצועים חלשים או גרועים מבחירה אקראית בניסיון לחזות אילו שיבוטים יהיו בעלי זיקה גבוהה. גם התוצאות בתכנון מחוץ לספרייה היו תנודתיות מאוד. 12\n\nלכן, המבחן אינו מוכיח ש-AI יפיק תוצאות דומות נגד אנטיגנים לא מוכרים, עם נתונים דלים, בפורמטים אחרים של נוגדנים או מול מכלול התכונות הנדרש בפיתוח תרופה. הוא כן מראה שמערכות מסוימות יכולות להצליח מאוד בתנאים מוגדרים ומבוססי-ביולוגיה.\n\n## מה המשמעות עבור Aureka\n\nעבור Aureka, מדובר באימות חיצוני חשוב במיוחד: הביצועים של הפלטפורמה נקשרו לתוצאה ניסויית שנבדקה באופן עצמאי, ולא רק לציון פנימי של המודל. באוגוסט 2026 השלימה החברה גיוס של 100 מיליון דולר בסבב Series B, והיקף הגיוס המצטבר שלה הגיע לפי הדיווחים לכמעט 200 מיליון דולר. Granite Asia מימנה את המנה הראשונה, ומשקיע אסטרטגי הוביל מנה מאוחרת יותר. 1821\n\nהחברה תיארה גם שיתופי פעולה עסקיים ומיזמי NewCo עם כמה חברות תרופות רב-לאומיות. 4 ההישג במבחן, לצד ההון החדש ושיתופי הפעולה, מחזק את יכולתה של Aureka לטעון שהמודלים שלה יכולים להוביל לתכנוני נוגדנים שנבדקים בפועל — ואף לספק לה מסלולים אפשריים לתרגום התכנונים לתוכניות תרופתיות. 418\n\nאבל זו אינה הוכחה קלינית. המבחן לא מוכיח שהפלטפורמה תייצר תרופות מצליחות, ולא שהיא עדיפה באופן רחב על שיטות ניסוייות לגילוי נוגדנים. המסקנה הצרה והמבוססת יותר היא ש-AI של Aureka הצליח לייצר מועמדים חזקים וברי-פיתוח לפחות בסביבת אופטימיזציה מוגדרת היטב — בעוד שהתחום כולו עדיין זקוק למבחנים עיוורים רחבים יותר, נגד יעדים שונים ובתנאי גילוי מציאותיים יותר.