AnswersPublished16 sources
AI passerte den tøffeste blindtesten av antistoffdesign – men bare på én oppgave
Aurekas AI designede antistoff oppnådde en bindingsaffinitet på 94,7 pikomolar – rundt 2 000 ganger bedre enn utgangsantistoffet og statistisk på nivå med det beste antistoffet fra eksperimentell modning. AIntibody Challenge testet 511 antistoffsekvenser fra 29 organisasjoner i tre oppgaver, med uavhengige og blinde...
Publisert avRedigert med GPT-5.6 LunaBilder generert med GPT Image 1.5
Research answer
Key takeaways
- Aurekas AI designede antistoff oppnådde en bindingsaffinitet på 94,7 pikomolar – rundt 2 000 ganger bedre enn utgangsantistoffet og statistisk på nivå med det beste antistoffet fra eksperimentell modning.
- AIntibody Challenge testet 511 antistoffsekvenser fra 29 organisasjoner i tre oppgaver, med uavhengige og blindede laboratorieanalyser.
- Resultatet er en sterk prospektiv validering av en AI støttet arbeidsflyt, men testen gjaldt ett velstudert SARS CoV 2 mål med svært rike datasett.
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 prospektive sammenligningen av AI-designet antistoffer gir et blandet svar: Kunstig intelligens kan lage antistoffkandidater som både fungerer i laboratoriet og har svært høy styrke, men ingen enkelt metode presterte jevnt godt på alle designoppgavene. Den tydeligste suksesshistorien kom fra Aureka Biotechnologies. Selskapets modell laget et antistoff mot SARS-CoV-2-virusets reseptorbindende domene med en målt affinitet på 94,7 pM – omtrent 2 000 ganger bedre enn utgangsantistoffet og statistisk sammenlignbart med den beste klonen fra tradisjonell modning. 1
6
Dette testet AIntibody Challenge
AIntibody Challenge var utformet etter samme grunnidé som CASP, en kjent blindtest for beregningsbaserte strukturprediksjoner: Modellene skulle vurderes mot faktiske eksperimentelle resultater, ikke bare mot sine egne poengsummer. I alt leverte 29 organisasjoner 511 antistoffsekvenser. Sekvensene ble testet av et uavhengig laboratorium under standardiserte betingelser. 1
2
Testen tok utgangspunkt i antistoffer mot det reseptorbindende domenet på piggproteinet til SARS-CoV-2 og besto av tre oppgaver:
- Affinitetsmodning i silico: Forbedre et oppgitt utgangsantistoff.
- Rangering av affinitet: Finne de sterkeste binderne blant tre avgrensede klynger av HCDR3-sekvenser.
- Design utenfor eksisterende bibliotek: Lage eller optimalisere CDR-sekvenser som lå utenfor de eksperimentelle bibliotekene som var tilgjengelige for testen.
1
Bindingen ble målt med overflateplasmonresonans og en uavhengig KinExA-analyse. I tillegg ble antistoffene vurdert i et panel med fem tester for såkalt utviklingsbarhet – egenskaper som kan gjøre en ellers potent kandidat uegnet som legemiddel. Bidragene ble dermed bedømt etter hva de faktisk gjorde i laboratoriet, ikke bare etter hva modellene forutså. 1
Aurekas 94,7 pM-resultat
Aurekas beste resultat kom i oppgaven med affinitetsmodning. Antistoffet som i studien er oppført som AuraBind, og som er knyttet til selskapets AuraIDE-plattform, oppnådde en målt affinitet på 94,7 pM. Det var omtrent 2 000 ganger bedre enn utgangsantistoffet. 1
4
6
Sammenligningen med tradisjonell laboratoriearbeid er sentral. Den beste eksperimentelt modne klonen, som ble utviklet gjennom rundt tre måneder med fagomodning, hadde en affinitet på 113 pM. Aurekas tall er lavere og dermed numerisk bedre, men forskjellen mellom de to beste antistoffene var ikke statistisk avgjørende. Den mest presise tolkningen er derfor at AI-designet nådde opp på nivå med det beste eksperimentelle resultatet i denne testen – ikke at det entydig slo det. 1
6
Resultatet var heller ikke avhengig av én enkelt toppsekvens. Aureka utviklet seks antistoffer med affinitet under 10 nM som også besto testene for utviklingsbarhet. Selskapets bidrag tok første-, andre- og femteplassen i resultatene for affinitetsmodning. 1
Derfor var vinnersekvensen interessant
Vinnerantistoffet var ikke bare en kopi av en klon som allerede var valgt ut eksperimentelt. Ifølge studien kombinerte sekvensen substitusjoner og mutasjonsmønstre som modellen utledet fra de tilgjengelige seleksjonsdataene. En strukturinformert affinitetsmodell valgte designet fra 10 000 genererte kandidater. 1
Plattformen kombinerte også strukturell modellering med en prediktor for biologisk «fitness» som var trent på preferansedata. I stedet for å forsøke å beregne den absolutte bindingsaffiniteten direkte, lærte prediktoren relative forskjeller i eksperimentell berikelse. Det passer bedre med den praktiske oppgaven: å rangere kandidater før de sendes videre til laboratoriet. 1
Det er en viktig forskjell i antistoffutvikling. Et nyttig designsystem trenger ikke nødvendigvis å vite den nøyaktige sluttverdien for hver eneste sekvens. Det må først og fremst øke sannsynligheten for at et håndterbart antall kandidater inneholder sterke og brukbare bindere.
Aureka vant én oppgave – ikke hele testen
Aureka var den klare vinneren i Challenge 1, men resultatet ble ikke til en dominerende prestasjon på tvers av alle tre oppgavene. I klyngeoppgaven var vinnerne forskjellige for de ulike sekvensklyngene: UCSD/Scripps ledet for 27F, WashU/Xencor for 28F og WashU for 47F. Xencor vant oppgaven med design utenfor biblioteket. 1
Analysen på tvers av oppgavene viste dessuten at alle gruppene som offentliggjorde resultater, hadde minst én oppgave der deres beste resultat lå langt bak de ledende bidragene. 1
Dette er hovedbudskapet fra benchmarken: AI-designet av antistoffer er ikke én samlet ferdighet. Et system som fungerer godt når det skal forbedre et kjent antistoff med mye målspesifikk informasjon, kan være langt mindre pålitelig når det skal rangere sekvenser i klynger eller designe utenfor et eksisterende bibliotek.
Hva dette kan bety for laboratoriearbeidet
Den viktigste praktiske betydningen gjelder optimalisering av legemiddelkandidater, ikke at laboratoriet kan fjernes. I en gunstig situasjon kan en god modell redusere antallet runder med bygging av antistoffbiblioteker, seleksjon med display-teknologi, produksjon av kloner og screening. I Challenge 1 oppnådde rundt 13 prosent av bidragene minst 20 ganger bedre affinitet enn utgangsantistoffet, selv om prestasjonene varierte kraftig mellom deltakerne. 1
Resultatene støtter derfor en arbeidsflyt der mennesker og modeller jobber i sløyfe:
- Bruk eksperimentelle seleksjons- og sekvenseringsdata til å lage nye kandidater.
- Bruk modeller til å prioritere et mindre og potensielt mer variert utvalg av sekvenser.
- Produser og test sekvensene under blindede og standardiserte betingelser.
- Vurder både bindingsaffinitet og utviklingsbarhet før kandidater går videre.
Det siste trinnet er avgjørende. Flere design med svært høy affinitet strøk på én eller flere tester for utviklingsbarhet, særlig tester knyttet til polyreaktivitet. En måling på 94,7 pM er imponerende, men sterk binding alene gjør ikke et antistoff egnet for et legemiddelprogram. 1
Den største begrensningen er overførbarhet
Studien var en krevende prospektiv test, men den foregikk også under forhold som var relativt gunstige for AI. Den brukte ett godt karakterisert antigen, omfattende data fra dypsekvensering og affinitetsmålinger, og – særlig i oppgave to og tre – informasjon som ofte ikke finnes på et tilsvarende tidspunkt i et reelt oppdagelsesprogram. 1
Resultatene gjenspeiler denne begrensningen. I datasettene med klyngede HCDR3-sekvenser viste alle unntatt én modell svakere enn eller dårligere enn tilfeldig ytelse når de skulle forutsi hvilke kloner som hadde høy affinitet. Resultatene for design utenfor biblioteket var også svært variable. 1
2
Benchmarken viser med andre ord ikke at AI vil levere like sterke resultater for ukjente antigener, sparsomme datasett, andre antistoffformater eller hele bredden av egenskaper som kreves i utviklingen av terapeutiske antistoffer. Den viser at enkelte systemer kan fungere svært godt i avgrensede situasjoner der det finnes solid biologisk og eksperimentell informasjon.
Hva testen betyr for Aureka
For Aureka er benchmarken verdifull fordi den knytter selskapets plattform til et uavhengig testet laboratorieresultat, ikke bare til en intern modellscore. Selskapet hentet deretter inn 100 millioner dollar i en serie B-runde i august 2026, noe som ifølge rapportene bringer den samlede finansieringen opp mot 200 millioner dollar. Granite Asia finansierte den første transjen, mens en strategisk investor ledet en senere transje. 18
21
Aureka har også beskrevet samarbeid med flere multinasjonale legemiddelselskaper, blant annet gjennom forretningsutviklings- og NewCo-lignende modeller. 4 Den nye kapitalen og samarbeidene gir selskapet ressurser og mulige veier til å utvikle modellgenererte antistoffer videre i legemiddelprogrammer.
4
18
Men benchmarken er ikke klinisk validering. Den viser ikke at Aurekas plattform vil føre til vellykkede medisiner, eller at den generelt er bedre enn tradisjonelle metoder for antistoffutvikling. Det som faktisk er dokumentert, er mer avgrenset – og likevel viktig: Aurekas AI-støttede arbeidsflyt kan lage svært potente og utviklingsbare antistoffkandidater i minst én tydelig definert optimaliseringsoppgave, mens feltet fortsatt trenger bredere blindtester på tvers av mål, datasett og oppdagelsesmetoder.
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 passerte den tøffeste blindtesten av antistoffdesign – men bare på én oppgave"?
Aurekas AI designede antistoff oppnådde en bindingsaffinitet på 94,7 pikomolar – rundt 2 000 ganger bedre enn utgangsantistoffet og statistisk på nivå med det beste antistoffet fra eksperimentell modning.
What are the key points to validate first?
Aurekas AI designede antistoff oppnådde en bindingsaffinitet på 94,7 pikomolar – rundt 2 000 ganger bedre enn utgangsantistoffet og statistisk på nivå med det beste antistoffet fra eksperimentell modning. AIntibody Challenge testet 511 antistoffsekvenser fra 29 organisasjoner i tre oppgaver, med uavhengige og blindede laboratorieanalyser.
What should I do next in practice?
Resultatet er en sterk prospektiv validering av en AI støttet arbeidsflyt, men testen gjaldt ett velstudert SARS CoV 2 mål med svært rike datasett.
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