AnswersPublished16 sources
AI klarade det tuffaste blindtestet hittills för antikroppsdesign – men bara i en uppgift
Aurekas AI designade antikropp nådde en bindningsaffinitet på 94,7 pikomolar – omkring 2 000 gånger bättre än ursprungsantikroppen och statistiskt jämförbar med den bästa experimentellt framtagna antikroppen på 113 pM. AIntibody Challenge omfattade 511 antikroppssekvenser från 29 organisationer och tre uppgifter, dä...
Publicerad avRedigerad med GPT-5.6 LunaBilder genererade med GPT Image 1.5
Research answer
Key takeaways
- Aurekas AI designade antikropp nådde en bindningsaffinitet på 94,7 pikomolar – omkring 2 000 gånger bättre än ursprungsantikroppen och statistiskt jämförbar med den bästa experimentellt framtagna antikroppen på 113 pM.
- AIntibody Challenge omfattade 511 antikroppssekvenser från 29 organisationer och tre uppgifter, där alla bidrag testades oberoende och under blindade laboratorieförhållanden.
- Resultatet är stark prospektiv validering av ett AI stött arbetsflöde, men testet gällde ett välstuderat SARS CoV 2 mål med ovanligt mycket 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
Det första stora, blindade och prospektiva testet av AI för antikroppsdesign ger ett blandat besked. Artificiell intelligens kan ta fram antikroppskandidater som både fungerar i laboratoriet och har mycket hög potens. Men ingen enskild metod presterade konsekvent i alla typer av designuppgifter.
Den tydligaste framgången kom från Aureka Biotechnologies. Företagets AI-designade antikropp mot receptorbindande domänen hos SARS-CoV-2 uppmätte en bindningsaffinitet på 94,7 pikomolar, eller pM. Det motsvarar ungefär en 2 000-faldig förbättring jämfört med ursprungsantikroppen. Resultatet var statistiskt jämförbart med den bästa klon som tagits fram genom traditionell experimentell affinitetsmognad. 1
6
Så fungerade AIntibody Challenge
Den CASP-inspirerade AIntibody Challenge utformades för att skilja modellernas förutsägelser från deras faktiska biologiska resultat. Totalt skickade 29 organisationer in 511 antikroppssekvenser. Bidragen testades sedan av en oberoende part med standardiserade laboratoriemetoder, i stället för att deltagarna själva skulle bekräfta sina modeller. 1
2
Testet fokuserade på antikroppar mot receptorbindande domänen hos SARS-CoV-2:s spikeprotein och omfattade tre scenarier:
- Affinitetsmognad i silico: att förbättra en given ursprungsantikropp.
- Rangordning efter affinitet: att hitta de starkaste bindarna bland tre begränsade kluster av HCDR3-sekvenser.
- Design utanför befintliga bibliotek: att skapa eller optimera CDR-sekvenser som inte fanns i de experimentella bibliotek som deltagarna fick tillgång till.
1
Bindningen mättes med ytplasmonresonans, SPR, samt med den kompletterande metoden KinExA. Antikropparna genomgick också ett paneltest med fem så kallade developability-analyser. Dessa analyser försöker upptäcka egenskaper som kan göra en kandidat olämplig som läkemedel, även om den binder mycket starkt.
Det innebar att bidragen bedömdes efter vad de faktiskt gjorde i laboratoriet – inte efter hur höga poäng deras AI-modeller hade gett dem. 1
Aureka nådde 94,7 pM
Aurekas bästa resultat kom i den första uppgiften, där målet var att förbättra en redan existerande antikropp. Antikroppen kallas AuraBind i studien och kopplas till företagets plattform AuraIDE. Den uppmätta affiniteten var 94,7 pM. 1
4
6
Som jämförelse uppmätte den bästa experimentellt mognade klonen 113 pM efter omkring tre månaders fagmognad. Ett lägre värde innebär här starkare bindning, så Aurekas resultat var numeriskt bättre. Skillnaden mellan de två bästa antikropparna var dock inte statistiskt avgörande. Den mest rättvisa slutsatsen är därför att AI-designen nådde samma nivå som det bästa experimentella resultatet i testet – inte att den slutgiltigt bevisade att AI överträffar laboratoriet. 1
6
Aurekas resultat handlade dessutom inte om en enda lyckad sekvens. Företaget tog fram sex antikroppar med affinitet under 10 nM som samtidigt klarade utmaningens developability-kriterier. I resultaten för affinitetsmognad hamnade Aurekas bidrag på första, andra och femte plats. 1
En ny kombination – inte en kopia
Vinnarantikroppen verkar inte bara ha varit en återupptäckt av en redan experimentellt utvald klon. Enligt studien kombinerade sekvensen substitutioner och mutationsmönster som modellen hade identifierat i det tillhandahållna urvalsmaterialet. En strukturinformerad affinitetsmodell valde därefter ut designen bland 10 000 genererade kandidater. 1
AuraIDE kombinerade strukturell modellering med en modell för biologisk fitness som tränats på preferensdata. I stället för att försöka förutsäga det exakta bindningsvärdet för varje sekvens lärde sig modellen relativa skillnader i experimentell berikning.
Det är en viktig skillnad. Vid antikroppsutveckling behöver ett system inte nödvändigtvis kunna ange den exakta slutliga affiniteten för varje kandidat. Det måste framför allt öka sannolikheten för att ett mindre och hanterbart urval innehåller starka och användbara bindare.
Aureka vann en uppgift – inte hela tävlingen
Aureka var den tydliga vinnaren i Challenge 1, men resultatet innebar inte att företaget dominerade alla tre uppgifter. I uppgiften där sekvenser skulle rangordnas varierade vinnarna mellan klustren: UCSD/Scripps ledde för 27F, WashU/Xencor för 28F och WashU för 47F. Xencor vann uppgiften med design utanför befintliga bibliotek. 1
Studiens analys över flera uppgifter visade också att varje redovisad grupp hade minst en uppgift där gruppens bästa resultat låg långt från de ledande bidragen. 1
Detta är sannolikt testets viktigaste budskap: AI-baserad antikroppsdesign är inte en enda, enhetlig förmåga. En modell som fungerar väl när den ska förbättra en känd antikropp med mycket målspecifik data kan vara betydligt mindre pålitlig när den ska rangordna sekvenser i kluster eller designa utanför ett befintligt bibliotek.
Vad betyder det för laboratoriearbetet?
Den mest konkreta betydelsen gäller optimering av läkemedelskandidater, inte att laboratoriet kan avskaffas. I ett gynnsamt läge kan en bra modell minska antalet omgångar med konstruktion av antikroppsbibliotek, selektion, uttryck av kloner och laboratoriebaserad screening.
I den första uppgiften uppnådde omkring 13 procent av bidragen minst en 20-faldig förbättring jämfört med ursprungsantikroppen, även om resultaten skilde sig kraftigt mellan deltagarna. 1
Ett realistiskt arbetsflöde är därför fortfarande en kombination av AI och experiment:
- använda experimentella urvals- och sekvensdata för att generera kandidater;
- låta modeller prioritera ett mindre och potentiellt mer varierat urval;
- uttrycka och testa sekvenserna under blindade och standardiserade förhållanden;
- bedöma både bindningsförmåga och utvecklingsbarhet innan kandidater förs vidare.
Det sista steget är avgörande. Flera antikroppar med mycket hög affinitet misslyckades i en eller flera developability-analyser, bland annat tester kopplade till polyreaktivitet. En bindning på 94,7 pM är imponerande, men stark bindning räcker inte för att en antikropp ska vara lämplig för ett läkemedelsprogram. 1
Den stora begränsningen är generalisering
Studien var en krävande prospektiv prövning, men miljön var samtidigt relativt gynnsam för AI. Den använde ett välkarakteriserat antigen, omfattande data från djupsekvensering och mycket affinitetsdata. För den andra och tredje uppgiften fick deltagarna dessutom tillgång till information som ofta inte skulle finnas så tidigt i en verklig upptäcktskampanj. 1
Resultaten speglar denna begränsning. I dataseten med klustrade HCDR3-sekvenser hade alla utom en modell dålig eller sämre än slumpmässig förmåga att förutsäga vilka kloner som hade hög affinitet. Resultaten för design utanför befintliga bibliotek varierade också kraftigt. 1
2
Testet visar alltså inte att AI kommer att ge lika starka resultat för okända antigener, begränsade datamängder, andra antikroppsformat eller alla de egenskaper som krävs vid utveckling av ett terapeutiskt läkemedel. Det visar snarare att vissa system kan fungera mycket bra i tydligt definierade situationer där det finns en stark biologisk grund och gott om relevant data.
Ett viktigt test för Aureka
För Aureka är benchmark-resultatet värdefullt eftersom plattformen kopplas till ett oberoende experimentellt utfall – inte bara till interna modellpoäng. Företaget stängde dessutom en finansieringsrunda av serie B-typ på 100 miljoner dollar i augusti 2026. Det innebär att den rapporterade totala finansieringen närmar sig 200 miljoner dollar. Granite Asia finansierade den första delen, medan en strategisk investerare ledde en senare del. 18
21
Aureka har också beskrivit affärsutvecklings- och NewCo-liknande samarbeten med flera multinationella läkemedelsbolag. 4 Kapitalet och samarbetena ger företaget resurser och möjliga vägar att föra AI-designade antikroppar vidare till läkemedelsprogram.
4
18
Men benchmark-resultatet är inte klinisk validering. Det bevisar varken att Aureka kommer att utveckla framgångsrika läkemedel eller att företagets plattform generellt är bättre än traditionella metoder för antikroppsutveckling.
Den mer precisa slutsatsen är betydligt mer användbar: Aurekas AI-stödda arbetsflöde kan ta fram mycket potenta och utvecklingsbara antikroppskandidater i åtminstone en väl avgränsad optimeringsuppgift. För att avgöra hur brett detta gäller krävs fler blindade tester med andra mål, mindre datamängder och mer realistiska förutsättningar för läkemedelsutveckling.
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 klarade det tuffaste blindtestet hittills för antikroppsdesign – men bara i en uppgift"?
Aurekas AI designade antikropp nådde en bindningsaffinitet på 94,7 pikomolar – omkring 2 000 gånger bättre än ursprungsantikroppen och statistiskt jämförbar med den bästa experimentellt framtagna antikroppen på 113 pM.
What are the key points to validate first?
Aurekas AI designade antikropp nådde en bindningsaffinitet på 94,7 pikomolar – omkring 2 000 gånger bättre än ursprungsantikroppen och statistiskt jämförbar med den bästa experimentellt framtagna antikroppen på 113 pM. AIntibody Challenge omfattade 511 antikroppssekvenser från 29 organisationer och tre uppgifter, där alla bidrag testades oberoende och under blindade laboratorieförhållanden.
What should I do next in practice?
Resultatet är stark prospektiv validering av ett AI stött arbetsflöde, men testet gällde ett välstuderat SARS CoV 2 mål med ovanligt mycket data.
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