AI एंटीबॉडी डिजाइन की बड़ी परीक्षा में सफल, पर पूरे बेंचमार्क में नहीं

AIntibody Challenge ने AI एंटीबॉडी डिजाइन को अब तक की सबसे कठोर वास्तविक परीक्षाओं में से एक के सामने रखा। फैसला उत्साहजनक भी रहा और सावधान करने वाला भी: AI ऐसे एंटीबॉडी उम्मीदवार बना सकता है जो प्रयोगशाला में बेहद मजबूत binding दिखाते हैं, लेकिन कोई एक तरीका हर तरह के design task में लगातार सफल नहीं रहा।

सबसे चमकदार प्रदर्शन Aureka Biotechnologies का रहा। उसके AuraIDE प्लेटफॉर्म से डिजाइन की गई SARS-CoV-2 receptor-binding domain (RBD) एंटीबॉडी ने 94.7 pM affinity दर्ज की—मूल parental antibody की तुलना में करीब 2,000 गुना सुधार। यह परिणाम लगभग तीन महीने की phage maturation से मिली सर्वश्रेष्ठ प्रयोगात्मक एंटीबॉडी, जिसकी affinity 113 pM थी, के साथ सांख्यिकीय रूप से बराबर था। 16

AIntibody Challenge में क्या परखा गया

यह CASP-शैली का prospective और blinded benchmark था। 29 संगठनों ने कुल 511 एंटीबॉडी sequences जमा किए, जिन्हें प्रतिभागियों द्वारा खुद जांचने के बजाय स्वतंत्र और एक समान laboratory protocols के तहत परखा गया। 12

बेंचमार्क ने SARS-CoV-2 spike के receptor-binding domain को मॉडल सिस्टम बनाया और एंटीबॉडी खोज के तीन महत्वपूर्ण परिदृश्यों पर ध्यान दिया:

1. In-silico affinity maturation: दी गई parental antibody की binding क्षमता सुधारना।
2. Affinity ranking: तीन सीमित HCDR3 sequence clusters के भीतर सबसे मजबूत binders पहचानना।
3. Out-of-library design: उपलब्ध experimental libraries से बाहर की CDR sequences बनाना या उन्हें बेहतर करना। 1

Binding को surface plasmon resonance और स्वतंत्र KinExA परीक्षण से मापा गया। इसके अलावा, पांच assays वाला developability panel भी इस्तेमाल किया गया, जिसमें ऐसे गुणों की जांच शामिल थी जो किसी मजबूत antibody को drug candidate बनने से रोक सकते हैं। यानी उम्मीदवारों का मूल्यांकन केवल AI मॉडल के score पर नहीं, बल्कि वास्तविक laboratory behavior पर हुआ। 1

Aureka की 94.7 pM एंटीबॉडी क्यों महत्वपूर्ण है

Aureka का सबसे मजबूत परिणाम affinity-maturation task में आया। शोधपत्र में winning antibody को AuraBind नाम से दर्ज किया गया है, जबकि यह Aureka के AuraIDE platform से जुड़ी थी। इसकी measured affinity 94.7 pM रही। यह parental antibody से लगभग 2,000 गुना बेहतर थी। 146

हालांकि headline को थोड़ा सावधानी से पढ़ना जरूरी है। प्रयोगशाला में लगभग तीन महीने की phage maturation के बाद तैयार सर्वश्रेष्ठ clone की affinity 113 pM थी। 94.7 pM का आंकड़ा संख्यात्मक रूप से बेहतर है, क्योंकि कम pM का अर्थ tighter binding होता है, लेकिन दोनों शीर्ष परिणामों के बीच अंतर सांख्यिकीय रूप से निर्णायक नहीं था। इसलिए सबसे संतुलित निष्कर्ष यह है कि AI डिजाइन ने इस परीक्षण में सर्वश्रेष्ठ experimental result की बराबरी की—न कि उसने उसे निश्चित रूप से पछाड़ दिया। 16

Aureka की उपलब्धि केवल एक sequence तक सीमित नहीं थी। कंपनी ने 10 nM से कम affinity वाली छह antibodies तैयार कीं, जो challenge के developability criteria पर भी खरी उतरीं। Affinity-maturation results में Aureka की entries पहले, दूसरे और पांचवें स्थान पर रहीं। 1

Winning sequence में नया क्या था

Winning antibody किसी पहले से चुने गए experimental clone की सीधी नकल नहीं थी। अध्ययन के अनुसार, इसमें supplied selection data से अनुमानित substitutions और mutational patterns को नए ढंग से जोड़ा गया था। Structure-informed affinity model ने 10,000 generated candidates में से इस design का चयन किया। 1

AuraIDE ने structural modeling को preference-trained fitness predictor के साथ जोड़ा। इस predictor ने हर sequence की absolute binding constant सीधे बताने के बजाय relative experimental enrichment सीखा—यानी कौन-से उम्मीदवार follow-up testing के लिए दूसरों से बेहतर हो सकते हैं। 1

एंटीबॉडी discovery में यह अंतर अहम है। किसी उपयोगी AI system को हर sequence की अंतिम affinity बिल्कुल सटीक बताना जरूरी नहीं। उसका व्यावहारिक मूल्य इस बात में है कि वह सीमित संख्या में ऐसे candidates चुनने की संभावना बढ़ाए, जिनमें मजबूत और drug-development के लिहाज से उपयोगी binders मिल सकें।

Aureka ने एक task जीता, पूरा benchmark नहीं

Aureka Challenge 1 यानी affinity maturation की स्पष्ट विजेता रही, लेकिन तीनों tasks में उसका दबदबा नहीं रहा। Cluster-ranking task में अलग-अलग clusters के विजेता अलग थे: 27F में UCSD/Scripps, 28F में WashU/Xencor और 47F में WashU आगे रहे। Out-of-library design task Xencor ने जीता। 1

Paper के cross-challenge analysis में भी यही तस्वीर सामने आई: हर disclosed group का कम-से-कम एक ऐसा challenge था, जिसमें उसका सर्वश्रेष्ठ परिणाम अग्रणी submissions से काफी पीछे रहा। 1

यही इस benchmark का सबसे बड़ा संदेश है। AI antibody design कोई एक समान क्षमता नहीं है। जिस system को भरपूर target-specific data के साथ किसी ज्ञात antibody को बेहतर बनाने में सफलता मिलती है, वह clustered sequences की ranking या मौजूदा library से बाहर design करने में उतना भरोसेमंद हो, यह जरूरी नहीं।

Laboratory workflow पर क्या असर पड़ेगा

इस परिणाम का सबसे व्यावहारिक अर्थ laboratory को हटाना नहीं, बल्कि lead optimization को तेज करना है। अनुकूल परिस्थितियों में सक्षम model antibody-library construction, display selection, clone expression और screening के कई चक्रों की संख्या घटा सकता है। Challenge 1 में करीब 13% submissions ने parental antibody की तुलना में कम-से-कम 20 गुना सुधार हासिल किया, हालांकि प्रतिभागियों के प्रदर्शन में काफी अंतर था। 1

इससे जिस workflow को समर्थन मिलता है, वह lab-in-the-loop मॉडल है:

• experimental selection और sequencing data से candidate generation को दिशा देना;
• AI models की मदद से कम, लेकिन अधिक विविध sequences को प्राथमिकता देना;
• उन sequences को express करके blinded और standardized conditions में परखना;
• आगे बढ़ाने से पहले affinity के साथ developability भी जांचना।

आखिरी चरण को हटाया नहीं जा सकता। कुछ high-affinity designs developability tests में विफल रहे, खासकर polyreactivity से जुड़े परीक्षणों में। 94.7 pM का परिणाम प्रभावशाली है, लेकिन केवल मजबूत binding किसी antibody को drug program के लिए उपयुक्त नहीं बनाती। 1

सबसे बड़ी सीमा: क्या ये नतीजे दूसरे targets पर भी लागू होंगे?

यह अध्ययन एक कठिन prospective test था, लेकिन AI के लिए अपेक्षाकृत अनुकूल वातावरण भी था। इसमें एक अच्छी तरह characterise किया गया antigen, extensive deep-sequencing और affinity data इस्तेमाल हुआ। दूसरे और तीसरे tasks में उपलब्ध जानकारी का कुछ हिस्सा वास्तविक discovery campaign के उसी चरण में अक्सर मौजूद नहीं होता। 1

नतीजों में इस सीमा का असर दिखा। Clustered HCDR3 datasets में high-affinity clones की prediction करते समय एक model को छोड़कर बाकी सभी models का प्रदर्शन कमजोर या random selection से भी खराब रहा। Out-of-library designs के परिणाम भी बहुत असमान थे। 12

इसलिए benchmark यह साबित नहीं करता कि AI अपरिचित antigens, सीमित datasets, अलग antibody formats या therapeutic development में जरूरी सभी गुणों पर समान रूप से अच्छा प्रदर्शन करेगा। यह अधिक सीमित, लेकिन उपयोगी निष्कर्ष देता है: कुछ AI systems अच्छी तरह परिभाषित और biologically grounded परिस्थितियों में बेहद प्रभावी हो सकते हैं।

Aureka के लिए इसका कारोबारी महत्व

Aureka के लिए यह benchmark इसलिए खास है क्योंकि उसके platform के model score को स्वतंत्र laboratory outcome से जोड़ा गया। कंपनी ने अगस्त 2026 में 100 million डॉलर की Series B funding पूरी की, जिससे उसकी reported cumulative funding लगभग 200 million डॉलर हो गई। Granite Asia ने पहली tranche को fund किया, जबकि बाद की tranche का नेतृत्व एक strategic investor ने किया। 1821

Aureka ने कई multinational pharmaceutical कंपनियों के साथ business-development और NewCo-style collaborations की भी जानकारी दी है। 4 नई funding और ये partnerships कंपनी को model-generated antibody designs को drug programs में आगे ले जाने के लिए संसाधन और संभावित रास्ते देती हैं। 418

फिर भी benchmark clinical validation नहीं है। इससे यह साबित नहीं होता कि Aureka का platform सफल medicines बनाएगा या सभी experimental antibody-discovery approaches से व्यापक रूप से बेहतर है। उपलब्ध evidence इससे अधिक सटीक दावा समर्थन करता है: Aureka का AI-सहायित workflow कम-से-कम एक स्पष्ट रूप से परिभाषित optimization setting में अत्यधिक potent और developable antibody candidates बना सकता है। अब अगली चुनौती अलग-अलग targets और discovery conditions पर ऐसे ही व्यापक blind tests कराना है।