AnswersPublished16 sources
AI ontwerpt uitzonderlijk sterk antilichaam, maar slaagt niet voor elke test
Aureka’s AI ontworpen antilichaam bereikte een affiniteit van 94,7 picomolair: ongeveer 2.000 keer sterker dan het ouderantilichaam en statistisch vergelijkbaar met het beste experimenteel ontwikkelde antilichaam van... De AIntibody Challenge testte 511 sequenties van 29 organisaties in drie opdrachten, met onafhank...
Gepubliceerd doorBewerkt met GPT-5.6 LunaAfbeeldingen gegenereerd met GPT Image 1.5
Research answer
Key takeaways
- Aureka’s AI ontworpen antilichaam bereikte een affiniteit van 94,7 picomolair: ongeveer 2.000 keer sterker dan het ouderantilichaam en statistisch vergelijkbaar met het beste experimenteel ontwikkelde antilichaam van...
- De AIntibody Challenge testte 511 sequenties van 29 organisaties in drie opdrachten, met onafhankelijke en geblindeerde laboratoriumtests.
- De uitkomst is sterke prospectieve validatie voor AI ondersteunde optimalisatie, maar vond plaats rond één goed bestudeerd SARS CoV 2 doelwit met uitzonderlijk veel data; de resultaten zijn daarom niet automatisch toe...
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
De eerste grote, geblindeerde prospectieve benchmark voor AI-ontwerp van antilichamen levert een gemengd oordeel op. Kunstmatige intelligentie kan experimenteel gevalideerde en zeer krachtige antilichamen ontwerpen, maar geen enkele methode presteerde consequent goed bij alle ontwerptaken. Het duidelijkste succes kwam van Aureka Biotechnologies: een door het model ontworpen antilichaam tegen het receptorbindende domein van SARS-CoV-2 kwam uit op 94,7 pM. Dat is ongeveer 2.000 keer beter dan het ouderantilichaam en statistisch vergelijkbaar met de beste kloon die via conventionele rijping werd verkregen. 1
6
Wat de AIntibody Challenge testte
De CASP-achtige AIntibody Challenge was opgezet om modelvoorspellingen te scheiden van experimentele prestaties. In totaal leverden 29 organisaties 511 antilichaamsequenties aan. Die werden onafhankelijk en onder gestandaardiseerde omstandigheden in het laboratorium getest, in plaats van door de deelnemers zelf. 1
2
De benchmark richtte zich op antilichamen tegen het receptorbindende domein van het SARS-CoV-2-spike-eiwit en omvatte drie scenario’s:
- Affiniteitsrijping in silico: een aangeleverd ouderantilichaam verbeteren.
- Rangschikking op affiniteit: de sterkste binders identificeren binnen drie beperkte clusters van HCDR3-sequenties.
- Ontwerp buiten de bibliotheek: CDR-sequenties ontwerpen of optimaliseren die buiten de aangeleverde experimentele bibliotheken vallen.
1
De onderzoekers maten de binding met oppervlakteplasmonresonantie en de onafhankelijke KinExA-methode. Daarnaast gebruikten ze een panel van vijf ontwikkelbaarheidstests. Daarmee werden ook eigenschappen onderzocht die een krachtig antilichaam ongeschikt kunnen maken voor verdere ontwikkeling. De inzendingen werden dus beoordeeld op hun gedrag in het laboratorium, niet alleen op de scores die de AI-modellen voorspelden. 1
Aureka komt uit op 94,7 pM
Aureka’s beste resultaat kwam uit de opdracht rond affiniteitsrijping. Het winnende antilichaam staat in het onderzoek vermeld als AuraBind en is gekoppeld aan Aureka’s platform AuraIDE. Het bereikte een gemeten affiniteit van 94,7 pM, ongeveer 2.000 keer beter dan het ouderantilichaam. 1
4
6
De vergelijking met conventionele experimenten is daarbij belangrijk. De beste experimenteel gerijpte kloon, geproduceerd na ongeveer drie maanden fagenrijping, kwam uit op 113 pM. Het getal van Aureka is lager en wijst dus op een sterkere binding, maar het verschil tussen de twee topantilichamen was statistisch niet doorslaggevend. De meest zorgvuldige conclusie is daarom dat het AI-ontwerp in deze test het beste experimentele resultaat evenaarde, niet dat het dit overtuigend versloeg. 1
6
De prestatie van Aureka draaide bovendien niet om één opvallende sequentie. Het bedrijf ontwierp zes antilichamen met een affiniteit onder 10 nM die ook voldeden aan de ontwikkelbaarheidscriteria van de challenge. In de resultaten voor affiniteitsrijping eindigden Aureka-inzendingen op de eerste, tweede en vijfde plaats. 1
Waarom de winnende sequentie opviel
Het winnende antilichaam was niet simpelweg een kopie van een bestaande experimenteel geselecteerde kloon. Volgens de samenvatting van het onderzoek combineerde het substituties en mutatiepatronen die uit de aangeleverde selectiedata waren afgeleid. Een model dat rekening hield met de structuur selecteerde het uiteindelijke ontwerp uit 10.000 gegenereerde kandidaten. 1
Het platform combineerde structurele modellering bovendien met een op voorkeuren getrainde fitnessvoorspeller. Die probeerde niet rechtstreeks voor elke sequentie een absolute bindingsconstante te voorspellen, maar leerde relatieve experimentele verrijking. Dat sluit beter aan bij de praktische vraag welke kandidaten het eerst in het laboratorium moeten worden getest. 1
Dat onderscheid is relevant voor de ontwikkeling van antilichamen. Een bruikbaar ontwerpsysteem hoeft niet exact te weten welke eindaffiniteit elke sequentie krijgt. Het moet vooral de kans vergroten dat een beheersbaar aantal kandidaten sterke én bruikbare binders bevat.
Aureka won één onderdeel, niet de hele benchmark
Aureka was de duidelijke winnaar van Challenge 1, maar die voorsprong vertaalde zich niet in dominantie bij alle drie de opdrachten. In de clusteropdracht verschilden de winnaars per cluster: UCSD/Scripps leidde bij 27F, WashU/Xencor bij 28F en WashU bij 47F. Xencor won de opdracht voor ontwerp buiten de bestaande bibliotheek. 1
Ook de analyse over de verschillende opdrachten heen liet zien dat elke bekendgemaakte groep minstens één challenge had waarin zijn beste resultaat ver achterliep bij de koplopers. 1
Daarmee legt de benchmark een kernprobleem bloot: AI-ontwerp van antilichamen is geen uniforme vaardigheid. Een systeem dat goed werkt voor het verbeteren van een bekend antilichaam met veel doelwitspecifieke data, kan veel minder betrouwbaar zijn bij het rangschikken van sequentieclusters of het ontwerpen buiten een bestaande bibliotheek.
Wat dit betekent voor het laboratorium
De belangrijkste praktische betekenis ligt bij lead-optimalisatie, niet bij het overbodig maken van laboratoriumwerk. In gunstige omstandigheden kan een goed model het aantal rondes met bibliotheekconstructie, displayselectie, kloonexpressie en screening verkleinen. In Challenge 1 bereikte ongeveer 13% van de inzendingen minstens een twintigvoudige verbetering ten opzichte van het ouderantilichaam, al liepen de prestaties tussen deelnemers sterk uiteen. 1
De resultaten ondersteunen daarom vooral een workflow waarin AI en laboratorium elkaar aanvullen:
- gebruik experimentele selectiedata en sequentie-informatie om nieuwe kandidaten te genereren;
- laat modellen een kleinere en mogelijk gevarieerdere groep sequenties prioriteren;
- breng die sequenties tot expressie en test ze geblindeerd onder gestandaardiseerde omstandigheden;
- beoordeel zowel affiniteit als ontwikkelbaarheid voordat kandidaten verdergaan.
Die laatste stap blijft essentieel. Sommige ontwerpen met een zeer sterke binding zakten voor één of meer ontwikkelbaarheidstests, vooral tests rond polyreactiviteit. Een meting van 94,7 pM is indrukwekkend, maar bindingssterkte alleen maakt een antilichaam nog niet geschikt voor een geneesmiddelenprogramma. 1
De grootste beperking: generaliseerbaarheid
De studie was een strenge prospectieve test, maar vormde ook een relatief gunstige omgeving voor AI. Er werd gewerkt met één goed gekarakteriseerd antigeen, veel data uit deep sequencing en uitgebreide affiniteitsmetingen. Voor de tweede en derde opdracht was bovendien informatie beschikbaar die in een echt ontdekkingsprogramma vaak nog niet aanwezig is op dat moment. 1
De resultaten weerspiegelen die beperking. In de datasets met HCDR3-clusters presteerden op één model na alle systemen slecht of slechter dan willekeur bij het voorspellen van klonen met een hoge affiniteit. Ook de resultaten voor ontwerp buiten de bibliotheek liepen sterk uiteen. 1
2
De benchmark bewijst dus niet dat AI even sterke resultaten zal leveren bij onbekende antigenen, schaarse datasets, andere antilichaamformaten of de bredere reeks eigenschappen die nodig zijn voor de ontwikkeling van een geneesmiddel. Wel laat de studie zien dat sommige systemen zeer goed kunnen werken in duidelijk afgebakende, biologisch goed onderbouwde situaties.
Wat dit betekent voor Aureka
Voor Aureka is de benchmark waardevol omdat het platform hier niet alleen aan een interne modelscore wordt gekoppeld. Het resultaat is onafhankelijk experimenteel getest. Het bedrijf sloot vervolgens in augustus 2026 een Series B-financieringsronde van 100 miljoen dollar af, waarmee de gemelde totale financiering opliep tot bijna 200 miljoen dollar. Granite Asia financierde de eerste tranche; een strategische investeerder leidde een latere tranche. 18
21
Aureka heeft daarnaast samenwerkingen beschreven met meerdere multinationale farmaceutische bedrijven, onder meer in constructies rond business development en zogenoemde NewCo’s. 4 De samenwerkingen en het nieuwe kapitaal geven het bedrijf middelen en mogelijke routes om AI-ontworpen antilichamen door te ontwikkelen tot geneesmiddelenprogramma’s.
4
18
De benchmark is echter geen klinische validatie. Hij bewijst niet dat Aureka’s platform succesvolle medicijnen zal opleveren en evenmin dat het bedrijf in brede zin superieur is aan experimentele methoden voor het ontdekken van antilichamen. De onderbouwde, beperktere conclusie luidt: Aureka’s AI-ondersteunde workflow kan in minstens één duidelijk omschreven optimalisatiesituatie zeer krachtige en ontwikkelbare antilichaamkandidaten opleveren. Voor bredere claims zijn geblindeerde tests nodig met meer doelwitten en uiteenlopende ontdekkingsomstandigheden.
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 ontwerpt uitzonderlijk sterk antilichaam, maar slaagt niet voor elke test"?
Aureka’s AI ontworpen antilichaam bereikte een affiniteit van 94,7 picomolair: ongeveer 2.000 keer sterker dan het ouderantilichaam en statistisch vergelijkbaar met het beste experimenteel ontwikkelde antilichaam van...
What are the key points to validate first?
Aureka’s AI ontworpen antilichaam bereikte een affiniteit van 94,7 picomolair: ongeveer 2.000 keer sterker dan het ouderantilichaam en statistisch vergelijkbaar met het beste experimenteel ontwikkelde antilichaam van... De AIntibody Challenge testte 511 sequenties van 29 organisaties in drie opdrachten, met onafhankelijke en geblindeerde laboratoriumtests.
What should I do next in practice?
De uitkomst is sterke prospectieve validatie voor AI ondersteunde optimalisatie, maar vond plaats rond één goed bestudeerd SARS CoV 2 doelwit met uitzonderlijk veel data; de resultaten zijn daarom niet automatisch toe...
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