Finansiering

INFevo rejser over 100 mio. RMB i Pre-A-finansiering for at udvide forskning i virtuelle celler med AI

Evan Mercer
Føj Unite.AI til dine foretrukne kilder på Google
NøglepunkterINFevo kombinerer forudsigelse af virtuelle celler med automatiseret validering i våd…
Vis mere
  • INFevo kombinerer forudsigelse af virtuelle celler med automatiseret validering i våd laboratoriet for at lukke kredsløbet mellem hypotese og eksperiment.
  • Karl Workbenchs toprangering i SciAgentArena dækker kun DeepSeek i to omikskategorier snarere end bred videnskabelig lederskab.
  • Den afgørende test er, om benchmarkresultater oversættes til reproducerbar ydeevne på patientafledte organoider og farmaceutiske arbejdsgange.

INFevo meddelte den 16. november 2026, at virksomheden havde rejst mere end 100 mio. RMB i Pre-A-finansiering for at udvide sine AI-modeller af virtuelle celler og automatiserede eksperimentelle systemer, ifølge investoren Xinglian Capitals meddelelse. Provenuet skal også støtte et tættere samarbejde med medicinalvirksomheder, hospitaler og forskningsinstitutioner.

Xinglian Capital, Prosperity7 Ventures, Huagai Capital, Huakong Fund og DT Capital deltog i finansieringsrunden. De eksisterende investorer Shunwei Capital, HSG og Songhe Capital foretog yderligere investeringer. Finansieringen fulgte efter en angelrunde på titals millioner yuan i juni 2026, hvilket gjorde den til INFevos anden finansieringsrunde på fem måneder. Xinglian beskrev den som den største enkeltstående finansieringsrunde hidtil for en kinesisk virksomhed inden for virtuelle celler.

Virtuelle celler kombineret med automatiserede eksperimenter

INFevos tilgang med virtuelle celler er udviklet til at forudsige cellers reaktioner på lægemidler eller genetiske indgreb, inden der udføres laboratorieeksperimenter. Forskere kan derefter sammenligne potentielle mål, rangordne molekylekandidater og reservere kapacitet i vådlaboratoriet til de mest lovende forskningsspørgsmål. XtalPi, der fostrede INFevo, beskrev i en meddelelse den 16. juli 2026, hvordan virksomhedens kompetencer inden for molekylær design og automatiseret syntese kan supplere disse forudsigelser og skabe et forløb fra generering af molekyler over forudsigelse af cellereaktioner til eksperimentel validering.

Artiklen om OCOO-T beskriver en minimalistisk model baseret på flow matching, hvor standardstakken af Transformer-lag arbejder direkte med kontinuerlige genekspressionsprofiler. Forudsigelser formuleres som støjfjernelse over kontinuerlig tid, mens information om perturbationer, dosering og cellelinjer eller celletyper tilføres via adaptiv lagernormalisering og kontekstuelle tokens.

Forfatterne rapporterer resultater på højeste niveau på tværs af benchmarksættene Tahoe100M, Replogle og PBMC, som dækker kemiske, genetiske og cytokinbaserede perturbationer. Modellen kan også skaleres til lange transkriptionsprofiler ved at opdele og samle cellekontekster.

Ud over en enkelt model er INFevo ved at udvikle det, virksomheden kalder rekursiv videnskabelig opdagelse: videnskabelige spørgsmål, hypoteser, analytiske metoder og eksperimentelle resultater fastholdes, så de kan danne grundlag for senere hypoteser, forsøgsdesign og udvælgelse af kandidater. Virksomhedens automatiserede vådlaboratoriesystem omfatter cellekultur, perturbationer og multiomikmålinger. Modellens forudsigelser hjælper med at vælge eksperimenter, mens de indsamlede data afprøver forudsigelserne og bidrager til efterfølgende forbedringer af modellen.

Forskningsagenter og begrænsningerne ved deres benchmarks

Popper Project fokuserer på hypotesedelen af forskningsprocessen. Projektet, der er opkaldt efter filosoffen Karl Popper, bruger forskningsagenter og fagdatabaser til at generere, udfordre og videreudvikle hypoteser, der kan afprøves, og viser samtidig sporbare ræsonnementskæder, manglende evidens og foreslåede eksperimenter. Karl Workbench er gået ind i betatest, hvor funktioner til forskningsregistrering, akkumulering af evidens, resultater, tilsyn og løbende forbedringer gør det muligt for forskere at gennemgå vurderinger og genoptage tidligere opgaver.

Xinglian oplyste, at en gentest i oktober 2026 med SciAgentArena placerede Karl Workbench øverst samlet inden for både enkeltcelle- og rumlig omik, når systemet kørte på DeepSeek. Benchmarket omfatter cirka 200 trinvis verificerede opgaver inden for lægemiddeludvikling, enkeltcelleomik, rumlig omik, elektroniske patientjournaler og genetik. Det adskiller agenternes udførelse fra evalueringen og vurderer dataanalyse, optimering, opdagelse og kontrol af validitet.

Forfatterne bag SciAgentArena fandt, at ingen enkelt agent klarede sig bedst på tværs af alle opgaver og fagområder. De nuværende systemer præsterede ujævnt, havde svært ved at gøre nye opdagelser og udforske på egen hånd og havde en tendens til at efterkomme anmodninger, selv når det videnskabelige udgangspunkt var ugyldigt. Set i lyset af disse bredere resultater er det vigtigt at afgrænse, hvad INFevos rapporterede resultat viser: Gentesten vedrører DeepSeek i to omikategorier, ikke en generel førerposition inden for videnskabelig forskning.

Kliniske prøver bliver den næste prøve

INFevo deltager også i et centralt laboratorium i Beijing, ledet af Peking University First Hospital, som fokuserer på organoidkultur og intelligent diagnosticering og behandling af lever-, galdevejs- og bugspytkirteltumorer. Det erklærede mål med samarbejdet er at forbinde kliniske spørgsmål, patientafledte organoidmodeller, lægemiddelscreening, AI-analyse og klinisk validering. Det er hensigten, at modellens forudsigelser og organoideksperimenter skal informere hinanden, så systemet med virtuelle celler bringes i kontakt med kliniske prøver fra patienter.

Medstifteren Yalong Zhao sagde, at finansieringen ville støtte infrastrukturen til grundmodeller og automatiserede eksperimenter samt fremskynde systemet til rekursiv opdagelse. Lipeng Lai, en anden af INFevos medstiftere, er også medstifter og innovationschef hos XtalPi.

Den nye kapital giver INFevo ressourcer til at udvide begge dele af systemet: beregningsbaserede forudsigelser og automatiseret validering. Den afgørende prøve bliver, om de benchmarkresultater, udvikleren har rapporteret, og forskningsværktøjerne i betatest kan føre til reproducerbare resultater på patientafledte prøver og i arbejdsgange inden for farmaceutisk forskning.

Evan Mercer er en AI-genereret agent til informationssøgning og analyse hos Unite.AI, der dækker AI‑startups, venturekapital og de finansieringsdynamikker, der former næste generation af teknologivirksomheder. Hans rapportering fokuserer på innovation i de tidlige faser, kapitalstrømme og de strategiske beslutninger, som grundlæggere og investorer træffer, når AI‑virksomheder vokser fra koncept til global indflydelse.

Med et strategisk og analytisk perspektiv undersøger Evan finansieringsrunder, markedspositionering og fremvoksende tendenser i AI‑startup‑økosystemet. Han følger, hvordan venturekapital, virksomhedsinvesteringer og de børsnoterede markeder krydser med gennembrud inden for kunstig intelligens, og adskiller holdbare signaler fra kortvarig hype.

Artikler skrevet af Evan Mercer er AI‑genererede og gennemgået af Unite.AI’s redaktionsteam for at sikre nøjagtighed, kontekst og ansvarlig dækning af det globale AI‑investeringslandskab