Financování
INFevo získává v kole Pre-A více než 100 milionů RMB na rozšíření výzkumu virtuálních buněk s AI

Klíčové bodyINFevo spojuje predikci virtuálních buněk s automatizovanou validací ve wet-labu, aby…
Zobrazit více
- INFevo spojuje predikci virtuálních buněk s automatizovanou validací ve wet-labu, aby uzavřel smyčku mezi hypotézou a experimentem.
- Nejvyšší umístění Karl Workbench v SciAgentArena pokrývá pouze DeepSeek ve dvou omických kategoriích, nikoli široké vědecké vedení.
- Rozhodujícím testem je, zda se výsledky benchmarků přenesou do opakovatelného výkonu na organoidech odvozených od pacientů a ve farmaceutických pracovních postupech.
INFevo 16. listopadu 2026 oznámila, že získala v rámci financování Pre-A více než 100 milionů RMB na rozšíření svých modelů virtuálních buněk s AI a automatizovaných experimentálních systémů, jak vyplývá z oznámení investora Xinglian Capital. Výnosy z financování podpoří také hlubší spolupráci s farmaceutickými společnostmi, nemocnicemi a výzkumnými institucemi.
Kola financování se zúčastnily společnosti Xinglian Capital, Prosperity7 Ventures, Huagai Capital, Huakong Fund a DT Capital. Další investice poskytli i stávající investoři Shunwei Capital, HSG a Songhe Capital. Financování navázalo na andělské investiční kolo v objemu desítek milionů jüanů z června 2026, takže šlo o druhé kolo INFevo během pěti měsíců. Podle Xinglian šlo o rekordní částku získanou v jediném kole čínskou společností zabývající se virtuálními buňkami.
Propojení virtuálních buněk s automatizovanými experimenty
Přístup INFevo založený na virtuálních buňkách má před laboratorními experimenty předpovídat buněčné reakce na zásahy pomocí léčiv nebo genetické intervence. Výzkumníci pak mohou porovnávat potenciální cíle, řadit kandidátní molekuly a vyhradit kapacitu pro laboratorní experimenty pro slibnější otázky. Společnost XtalPi, která INFevo inkubovala, v oznámení ze 16. července 2026 popsala, jak by její schopnosti v oblasti návrhu molekul a automatizované syntézy mohly tyto předpovědi doplnit a vytvořit tak návazný proces od generování molekul přes předpovídání buněčných reakcí až po experimentální ověření.
Článek věnovaný OCOO-T popisuje minimalistický model založený na metodě flow matching, jehož standardní vrstva Transformer pracuje přímo se spojitými profily genové exprese. Predikce je formulována jako odšumování v spojitém čase, zatímco informace o perturbaci, dávce a buněčné linii či typu se předávají prostřednictvím adaptivní normalizace vrstev a tokenů využívaných v kontextu.
Autoři uvádějí nejmodernější výsledky v benchmarkových sadách Tahoe100M, Replogle a PBMC, které pokrývají chemické a genetické perturbace i perturbace cytokiny. Model lze rozšířit i na dlouhé transkripční profily pomocí rozdělení buněčných kontextů na bloky a jejich následného opětovného složení.
INFevo kromě jediného modelu buduje systém, který označuje jako rekurzivní vědecké objevování: uchovává vědecké otázky, hypotézy, analytické metody a experimentální výsledky, aby mohly sloužit jako podklad pro pozdější hypotézy, návrhy experimentů a výběr kandidátů. Jeho automatizovaný laboratorní systém pokrývá kultivaci buněk, perturbace a měření multiomických dat. Předpovědi modelu pomáhají vybírat experimenty, jejichž výsledná data tyto předpovědi ověřují a zároveň slouží k následnému zdokonalování modelu.
Výzkumní agenti a omezení jejich benchmarkového hodnocení
Projekt Popper se zaměřuje na hypotézy v rámci tohoto výzkumného procesu. Je pojmenován po filozofovi Karlu Popperovi a využívá výzkumné agenty a odborné databáze k vytváření, zpochybňování a zdokonalování testovatelných hypotéz. Zobrazuje přitom dohledatelné řetězce úvah, mezery v důkazech a navrhované experimenty. Jeho Karl Workbench vstoupil do beta testování a nabízí výzkumné záznamy, shromážděné důkazy, výstupy, dohled a funkce pro průběžné zdokonalování, díky nimž mohou výzkumníci kontrolovat úsudky a navazovat na dřívější úlohy.
Xinglian uvedl, že při opakovaném testování v říjnu 2026 s využitím SciAgentArena obsadil Karl Workbench při běhu na DeepSeek celkově první místo v jedno-buněčné i prostorové omice. Benchmark zahrnuje přibližně 200 úloh ověřených krok za krokem z oblastí objevování léčiv, jedno-buněčné omiky, prostorové omiky, elektronických zdravotních záznamů a genetiky. Odděluje provádění úloh agentem od jejich vyhodnocování a posuzuje analýzu dat, optimalizaci, objevování a ověřování platnosti.
Autoři SciAgentArena zjistili, že žádný jednotlivý agent nepodával nejlepší výsledky napříč všemi úlohami a oblastmi. Současné systémy dosahovaly nevyrovnaných výsledků, měly potíže s novými objevy a samostatným zkoumáním a měly sklon plnit zadání i tehdy, když byl jejich vědecký předpoklad neplatný. Tento širší kontext ukazuje, proč je důležité vymezit rozsah výsledku, který INFevo uvádí: opakované testování se týká modelu DeepSeek ve dvou kategoriích omiky, nikoli obecného prvenství ve vědeckém výzkumu.
Klinické vzorky jako další zkouška
INFevo se také podílí na činnosti klíčové laboratoře v Pekingu vedené Peking University First Hospital, která se zaměřuje na kultivaci organoidů nádorů jater, žlučových cest a slinivky břišní a na inteligentní diagnostiku a léčbu. Cílem spolupráce je podle jejího vymezení propojit klinické otázky, organoidní modely odvozené od pacientů, screening léčiv, analýzu pomocí AI a klinické ověření. Předpovědi modelů a experimenty s organoidy se mají vzájemně doplňovat, čímž se systém virtuálních buněk dostane do kontaktu s klinickými vzorky odvozenými od pacientů.
Spoluzakladatel Yalong Zhao uvedl, že financování podpoří infrastrukturu pro základní modely a automatizované experimenty a urychlí systém rekurzivního objevování. Lipeng Lai, další spoluzakladatel INFevo, je také spoluzakladatelem společnosti XtalPi a jejím ředitelem pro inovace.
Nový kapitál poskytuje INFevo prostředky k rozšíření obou částí tohoto systému: výpočetních predikcí i automatizovaného ověřování. Rozhodující bude, zda se výsledky benchmarků uváděné vývojářem a výzkumné nástroje v beta verzi promění v opakovatelnou výkonnost při práci se vzorky odvozenými od pacientů a v pracovních postupech farmaceutického výzkumu.












