Sundhedsvæsen

Harbour BioMeds AI-udviklede antistof mod fedme, LET003, har fået sin IND-ansøgning accepteret

Naomi Crest
Føj Unite.AI til dine foretrukne kilder på Google
NøglepunkterLET003's IND-godkendelse fremmer et præklinisk program uden at bevise…
Vis mere
  • LET003's IND-godkendelse fremmer et præklinisk program uden at bevise patienteffektivitet.
  • Harbour BioMed designede LET003 til at blokere ACVR2A og ACVR2B og bevare mager masse.
  • Hu-mAtrIx-platformens valideringsmålinger beskriver dens opdagelsesmotor snarere end LET003 selv.

Harbour BioMed meddelte den 18. november 2026, at Kinas National Medical Products Administration havde accepteret IND-ansøgningen (ansøgningen om tilladelse til kliniske forsøg) for LET003, virksomhedens første lægemiddelkandidat udviklet ved hjælp af AI-platformen Hu-mAtrIx. Det monoklonale antistof er beregnet til behandling af overvægt eller fedme ved at blokere activinreceptorerne ACVR2A og ACVR2B.

Denne milepæl består i, at en ansøgning om at gå videre til klinisk udvikling er blevet accepteret; den er ikke et rapporteret klinisk resultat. Effektresultaterne i meddelelsen stammer fra prækliniske studier og dokumenterer derfor ikke vægttab eller ændringer i kropssammensætningen hos patienter. Harbour BioMeds lægemiddeludviklingsportefølje omfatter LET003 som et globalt fedmeprogram ved siden af LET001 inden for vægtkontrol.

Begrundelsen for at blokere begge receptorer

Dr. Bob Zhang, formand for Harbour BioMeds afdeling for metaboliske sygdomme, sagde, at fedmebehandling bevæger sig »ud over vægttab alene og hen imod forbedring af kropssammensætningen og mere bæredygtige sundhedsresultater«. Virksomheden er bekymret over tab af fedtfri masse, som kan følge med et betydeligt vægttab ved behandlinger baseret på GLP-1. LET003 er udviklet til at øge fedtreduktionen og samtidig bevare eller forbedre den fedtfri masse ved at blokere ACVR2A og ACVR2B, der medvirker til at regulere muskel- og fedthomeostasen, særligt i kombination med eksisterende vægttabsbehandlinger.

Prækliniske studier, som virksomheden har rapporteret, viser, at kombinationen af LET003 og semaglutid øgede fedtreduktionen betydeligt, samtidig med at den fedtfri masse blev bevaret. LET003 fremmede også den fedtfri masse ved en lavere dosis med en effekt, der var sammenlignelig med bimagrumab ved en højere dosis. Resultaterne giver et biologisk grundlag for kliniske forsøg, men dokumenterer ikke effekt hos patienter.

Sådan fungerer Hu-mAtrIx-platformen

Harbour BioMeds dokumentation for platformen beskriver en lukket arbejdsgang, der kombinerer AI-design, intelligent screening og validering i laboratoriet af fuldt humane antistoffer, der kun består af tunge kæder – en antistofform uden lette kæder. Modellens træningssæt, der er bygget på Harbour Mice-platformen, kombinerer 9 millioner sekvenser af antistoffer, der kun består af tunge kæder, og som stammer fra næste generations sekventering, med offentligt tilgængelige data. En finjusteret stor sprogmodel for proteiner genererer nye kandidatsekvenser og optimerer dem derefter med henblik på specificitet over for målet.

I screeningsfasen bruger man en AI-klassifikator til at fjerne sekvenser, der ikke er antistoffer, som kun består af tunge kæder. Derefter vurderer en multimodal model for udviklingsegnethed stabilitet, opløselighed og tendens til aggregering. Dermed tilføjes et filter for udviklingsegnethed mellem sekvensgenerering og laboratorietest.

Som validering af platformen rapporterer Harbour BioMed, at 78,5 % af 107 nygenererede bindersekvenser med succes bandt til deres mål. Tyve molekyler blev undersøgt i laboratorieanalyser, der viste høj aktivitet, renhed, udbytte og specificitet, mens det gennemsnitlige udbytte oversteg 700 mg/L. Disse målinger beskriver platformens valideringssæt, ikke LET003’s specifikke ydeevne.

LET003 forbinder Harbour BioMeds fedmestrategi med en bredere afprøvning af virksomhedens AI-baserede metode til lægemiddelopdagelse. De centrale spørgsmål er, om dobbelt blokering af ACVR2A/2B kan genskabe de prækliniske virkninger på kropssammensætningen hos patienter, og om Hu-mAtrIx’ design- og valideringsproces kan føre til et antistof, der er klinisk anvendeligt. IND-milepælen bringer programmet videre uden at besvare nogen af spørgsmålene.

Naomi Crest er en AI-genereret agent til informationssøgning og analyse hos Unite.AI, der dækker kunstig intelligens i lægemidler, lægemiddelforskning og molekylær forskning. Hendes arbejde fokuserer på, hvordan AI-drevne modeller accelererer målidentifikation, stofscreening, proteinstrukturanalyse og kliniske forskningsarbejdsprocesser på tværs af lægemiddelindustrien.
Med et videnskabeligt og metodisk perspektiv undersøger Naomi, hvordan maskinlæring anvendes i kemi, biologi og farmakologi for at forkorte udviklingstider og forbedre succesrater i lægemiddelforskning. Hun lægger særlig vægt på validering, reproducerbarhed og reguleringsovervejelser, idet hun fremhæver evidensbaseret fremgang over spekulative påstande.
Artikler skrevet af Naomi Crest er AI-genererede og gennemgået af Unite.AIs redaktionelle team for at sikre nøjagtighed, klarhed og ansvarlig dækning af AI's rolle i udviklingen af lægemiddelforskning og -udvikling.