AnswersPublished16 sources
ШІ створив надпотужне антитіло у найсуворішому сліпому тесті — але переміг лише в одному завданні
Антитіло, спроєктоване Aureka за допомогою AI платформи AuraIDE, досягло афінності 94,7 пМ — приблизно у 2 000 разів кращої за батьківське антитіло. У AIntibody Challenge 29 організацій подали 511 послідовностей, які незалежно й наосліп перевіряли в лабораторії за трьома різними сценаріями.
ОпублікувавВідредаговано за допомогою GPT-5.6 LunaЗображення створено за допомогою GPT Image 1.5
Research answer
Key takeaways
- Антитіло, спроєктоване Aureka за допомогою AI платформи AuraIDE, досягло афінності 94,7 пМ — приблизно у 2 000 разів кращої за батьківське антитіло.
- У AIntibody Challenge 29 організацій подали 511 послідовностей, які незалежно й наосліп перевіряли в лабораторії за трьома різними сценаріями.
- Це сильне проспективне підтвердження AI підходу для оптимізації антитіл, але тест проводили на добре вивченій мішені SARS CoV 2 із великим обсягом даних.
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
Перший масштабний сліпий проспективний бенчмарк AI-дизайну антитіл дав неоднозначний, але важливий результат: штучний інтелект уже може створювати експериментально підтверджені антитіла з дуже високою активністю, однак жоден метод не показав стабільно сильних результатів у всіх типах завдань. Найяскравіший успіх належить Aureka Biotechnologies: спроєктоване її моделлю антитіло проти рецептор-зв’язувального домену SARS-CoV-2 показало афінність 94,7 пМ — приблизно у 2 000 разів кращу за батьківське антитіло та статистично співставну з найкращим клоном, отриманим традиційним дозріванням. 1
6
Що саме перевіряв AIntibody Challenge
AIntibody Challenge створили за принципом CASP — міжнародних змагань, у яких комп’ютерні прогнози порівнюють із незалежними експериментальними результатами. Двадцять дев’ять організацій подали 511 послідовностей антитіл, а лабораторні тести проводилися за єдиним стандартом і без участі команд у перевірці власних результатів. 1
2
Бенчмарк був зосереджений на антитілах до рецептор-зв’язувального домену шипового білка SARS-CoV-2 і охоплював три сценарії:
- Комп’ютерне дозрівання афінності — покращення заданого батьківського антитіла.
- Ранжування за афінністю — пошук найсильніших антитіл серед трьох обмежених кластерів послідовностей HCDR3, ділянки антитіла, що часто відіграє ключову роль у зв’язуванні мішені.
- Дизайн поза бібліотекою — створення або оптимізація CDR-послідовностей, яких не було в наданих експериментальних бібліотеках.
1
Зв’язування вимірювали методом поверхневого плазмонного резонансу та незалежним методом KinExA. Крім того, антитіла перевіряли за п’ятьма показниками технологічності — властивостями, від яких залежить, чи можна буде розвивати молекулу як потенційний лікарський препарат. Отже, оцінювали не лише оцінки моделей, а реальну поведінку молекул у лабораторії. 1
Результат Aureka: 94,7 пМ
Найкраще Aureka виступила в завданні з дозрівання афінності. Її антитіло, назване в роботі AuraBind і пов’язане з платформою AuraIDE, продемонструвало виміряну афінність 94,7 пМ. Це приблизно у 2 000 разів краще за показник батьківського антитіла. 1
4
6
Порівняння з традиційним експериментальним підходом тут особливо важливе. Найкращий клон, отриманий приблизно після трьох місяців фагового дозрівання, мав афінність 113 пМ. Чисельно показник Aureka кращий, оскільки менше значення означає міцніше зв’язування, однак різниця між двома найкращими антитілами не була статистично переконливою. Найточніше формулювання: AI зрівнявся з найкращим експериментальним результатом у цьому тесті, а не беззаперечно його перевершив. 1
6
Успіх Aureka не обмежився однією ефектною послідовністю. Компанія створила шість антитіл із афінністю меншою за 10 нМ, які також пройшли критерії технологічності. Її заявки посіли перше, друге та п’яте місця в результатах завдання з дозрівання афінності. 1
Чим вирізнялася переможна послідовність
Переможне антитіло не було просто копією вже відібраного експериментального клону. Згідно з описом дослідження, його послідовність поєднувала заміни та мутаційні патерни, виведені з наданих даних селекції. Структурно-орієнтована модель афінності обрала цей варіант із 10 000 згенерованих кандидатів. 1
Платформа поєднувала структурне моделювання з предиктором придатності, навченим на даних експериментального збагачення. Замість прямого прогнозування точного значення константи зв’язування модель навчалася визначати відносну перевагу одних кандидатів над іншими — тобто ранжувати молекули для подальшої перевірки. 1
Для пошуку антитіл це принципова відмінність. Практичній системі не обов’язково безпомилково передбачати фінальну афінність кожної послідовності. Її завдання — підвищити ймовірність, що в обмеженій кількості кандидатів знайдуться сильні та придатні для подальшої розробки молекули.
Aureka виграла одне завдання, а не весь бенчмарк
Aureka стала беззаперечним лідером у першому завданні, але її перевага не поширилася на всі три напрямки. У завданні з ранжування кластерів переможці відрізнялися залежно від кластера: UCSD/Scripps очолили групу 27F, WashU/Xencor — 28F, а WashU — 47F. У дизайні поза бібліотекою перемогла Xencor. 1
Аналіз результатів між завданнями також показав: у кожної розкритої групи було щонайменше одне завдання, де її найкращий результат істотно відставав від лідерів. 1
Це головний висновок тесту. AI-дизайн антитіл — не єдина універсальна здатність. Система, яка добре оптимізує вже відоме антитіло за наявності значного обсягу даних про конкретну мішень, може бути набагато менш надійною під час ранжування споріднених послідовностей або створення молекул за межами наявної бібліотеки.
Що це означає для роботи лабораторій
Найсильніший практичний висновок стосується оптимізації перспективних кандидатів, а не скасування лабораторних експериментів. У сприятливих умовах ефективна модель може скоротити кількість циклів створення бібліотек антитіл, селекції методом дисплея, експресії клонів і скринінгу. У першому завданні близько 13% заявок дали щонайменше 20-кратне покращення афінності порівняно з батьківським антитілом, хоча результати між учасниками сильно різнилися. 1
Тому бенчмарк радше підтверджує модель «лабораторія в контурі», ніж заміну лабораторії:
- використовувати дані експериментальної селекції та секвенування для генерації кандидатів;
- залучати моделі для відбору меншої, але потенційно різноманітнішої групи послідовностей;
- експресувати й тестувати ці послідовності наосліп за стандартизованих умов;
- перед просуванням кандидатів оцінювати не лише афінність, а й технологічність.
Останній крок залишається критично важливим. Деякі молекули з дуже високою афінністю не пройшли один або кілька тестів технологічності, зокрема перевірки на поліреактивність. Показник 94,7 пМ вражає, але сама сила зв’язування ще не робить антитіло придатним для розробки ліків. 1
Найбільше питання — чи працює це за межами тесту
Дослідження було складним проспективним випробуванням, але водночас створювало для AI відносно сприятливі умови. У ньому використовували одну добре вивчену антигенну мішень, великі масиви даних глибокого секвенування й афінності, а для другого та третього завдань — інформацію, яка на відповідному етапі реальної програми розробки часто недоступна. 1
Результати відображають це обмеження. У наборах кластеризованих HCDR3-послідовностей усі моделі, крім однієї, погано або гірше за випадковий вибір передбачали, які клони матимуть високу афінність. Результати дизайну поза бібліотекою також були дуже нерівномірними. 1
2
Отже, бенчмарк не доводить, що AI так само успішно працюватиме з незнайомими антигенами, малими наборами даних, іншими форматами антитіл або повним набором властивостей, необхідних для створення терапевтичного препарату. Він показує вужче, але важливе: окремі системи можуть надзвичайно добре працювати в чітко визначених режимах, де алгоритми спираються на достатню біологічну інформацію.
Що це означає для Aureka
Для Aureka цей бенчмарк є особливо цінним підтвердженням, оскільки пов’язує її платформу з незалежно перевіреним експериментальним результатом, а не лише з внутрішньою оцінкою моделі. У серпні 2026 року компанія також залучила $100 млн у раунді Series B, довівши загальний обсяг заявленого фінансування майже до $200 млн. Перший транш профінансувала Granite Asia, а наступний очолив стратегічний інвестор. 18
21
Aureka також повідомляла про партнерства у форматах business development і NewCo з кількома міжнародними фармацевтичними компаніями. 4 Ці домовленості та новий капітал дають компанії ресурси й потенційні шляхи для переведення спроєктованих AI антитіл у програми розробки ліків.
4
18
Однак результат бенчмарку не є клінічною валідацією. Він не доводить, що платформа Aureka створить успішні препарати або загалом перевершує традиційні методи пошуку антитіл. Наявні дані підтверджують скромніший і корисніший висновок: AI-підтриманий підхід Aureka здатен створювати надзвичайно сильні та технологічно придатні кандидати щонайменше в одному чітко визначеному сценарії оптимізації, тоді як галузі ще потрібні ширші сліпі тести на різних мішенях і за різних умов пошуку.
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 "ШІ створив надпотужне антитіло у найсуворішому сліпому тесті — але переміг лише в одному завданні"?
Антитіло, спроєктоване Aureka за допомогою AI платформи AuraIDE, досягло афінності 94,7 пМ — приблизно у 2 000 разів кращої за батьківське антитіло.
What are the key points to validate first?
Антитіло, спроєктоване Aureka за допомогою AI платформи AuraIDE, досягло афінності 94,7 пМ — приблизно у 2 000 разів кращої за батьківське антитіло. У AIntibody Challenge 29 організацій подали 511 послідовностей, які незалежно й наосліп перевіряли в лабораторії за трьома різними сценаріями.
What should I do next in practice?
Це сильне проспективне підтвердження AI підходу для оптимізації антитіл, але тест проводили на добре вивченій мішені SARS CoV 2 із великим обсягом даних.
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