Salud

Sino Biological lanza 4RISE para validar proteínas de unión diseñadas mediante IA

mm
Añade Unite.AI a tus fuentes preferidas en Google
Puntos clave4RISE closes the gap between AI protein design and experimental proof by returning…
Ver más
  • 4RISE closes the gap between AI protein design and experimental proof by returning binding data in days.
  • Cell-free expression succeeded for more than 99% of candidates versus roughly 50–60% with HEK293.
  • Tencent AI Lab used over 200 AI-designed enzymes across three validation rounds to refine its design framework.

Sino Biological lanzó 4RISE el 13 de noviembre de 2026, un servicio de validación experimental de alto rendimiento para proteínas de unión diseñadas mediante IA. La empresa afirma que el servicio puede expresar proteínas sin células en tan solo tres horas y proporcionar datos de unión listos para IA, desde la secuencia hasta los resultados, en tan solo tres días, con acceso en tiempo real a los resultados estructurados mediante API.

El servicio aborda la etapa experimental posterior al diseño computacional: es necesario producir y analizar los candidatos generados por IA para confirmar su actividad de unión a la diana. El flujo de trabajo documentado abarca desde el envío de la secuencia y los requisitos de análisis hasta la expresión y purificación, el análisis de unión y cinética, la validación opcional de la desarrollabilidad y la función, y la entrega de datos estructurados. El resultado es una capa de retroalimentación experimental para las siguientes iteraciones de investigación y diseño.

Mediciones de expresión y unión

XPressMAX, la plataforma de síntesis de proteínas sin células de la empresa, permite trabajar con miniproteínas, VHH, scFv, Fab, enzimas y citocinas. Para los formatos que requieren producción en células de mamífero, incluidos los anticuerpos de longitud completa y las proteínas de fusión con Fc, 4RISE ofrece expresión transitoria en HEK293 y CHO.

En un proyecto comunicado por la empresa, que incluyó más de 300 variantes de miniligandos diseñados mediante IA, la expresión en HEK293 tuvo éxito en aproximadamente el 50–60 % de los candidatos, frente a más del 99 % con expresión sin células. A continuación, los candidatos se sometieron a un análisis de interferometría de biocapa frente a múltiples dianas.

Las mediciones de unión se realizan mediante resonancia de plasmones superficiales (SPR) con Carterra y Biacore, y mediante interferometría de biocapa (BLI) con Octet. El nivel de afinidad y cinética puede informar la medida de afinidad KD y los parámetros cinéticos kon y koff, cuando el diseño del ensayo lo permite, y aporta así mediciones cuantitativas para seleccionar candidatos principales.

Niveles de servicio y opciones de ensayo

Los niveles publicados distinguen entre la identificación inicial de hits y la caracterización cuantitativa de proteínas purificadas:

Servicio Método Precio publicado
Identificación rápida de hits Expresión sin células y cribado SPR/BLI de sobrenadantes sin purificar en un solo punto Desde 67 $ por secuencia
Cribado comparativo de proteínas de unión Candidatos purificados a concentraciones controladas, seguidos de análisis SPR/BLI en un solo punto Desde 112 $ por secuencia
Caracterización de afinidad y cinética Análisis de candidatos purificados a varias concentraciones Desde 142 $ por secuencia
Expresión y validación especializada de proteínas de unión Expresión en células de mamífero con análisis de unión a una o varias concentraciones Presupuesto personalizado

La expresión sin células como servicio independiente tiene un precio inicial de 47 $ por secuencia.

Además de los ensayos de unión, la página del servicio enumera más de 20 ensayos fisicoquímicos, más de 1.000 ensayos de actividad biológica de proteínas y más de 10 ensayos funcionales basados en células. Las opciones para evaluar la desarrollabilidad analizan la estabilidad térmica, la agregación, la autoasociación, la polispecificidad, la hidrofobicidad, la expresión y la solubilidad. Las opciones funcionales incluyen ensayos de neutralización, señalización celular, proliferación y actividad enzimática, que amplían la evaluación más allá de la unión a la diana para abarcar la actividad biológica.

Un proyecto con Tencent AI Lab ilustra cómo esos datos funcionales pueden contribuir al desarrollo de modelos. La página del servicio indica que Sino Biological prestó apoyo para más de 200 enzimas diseñadas mediante IA a lo largo de tres rondas de diseño, validación e iteración, y proporcionó síntesis génica, expresión sin células, purificación y validación funcional in vitro. Los ensayos abarcaron la actividad de la lisozima, la actividad de la quitinasa y la estabilidad a altas temperaturas, y proporcionaron retroalimentación experimental para la optimización iterativa del marco de diseño de proteínas Ontology Reinforcement Iteration de Tencent.

Estudios de caso y plazos de entrega

En un proyecto de validación comunicado por la empresa, el cribado directo por SPR de sobrenadantes de expresión sin células permitió evaluar más de 200 proteínas de unión diseñadas mediante IA sin purificarlas. Se identificaron 11 candidatos con unión positiva y se entregaron datos listos para IA desde el gen en un plazo de tres a cuatro días.

Un segundo estudio de caso de la empresa abarcó más de 2.000 secuencias de scFv y VHH diseñadas de novo. La síntesis génica, la expresión sin células, la purificación y el análisis BLI frente a múltiples dianas permitieron entregar inicialmente los anticuerpos purificados y los datos de unión en un plazo de siete a ocho días.

Estos ejemplos ponen en contexto el plazo anunciado de tres días: el tiempo de entrega más rápido corresponde a un flujo de trabajo específico que va de la secuencia a los datos de unión, mientras que el proyecto más amplio de anticuerpos purificados tuvo un plazo inicial de entrega más largo. Para los equipos de descubrimiento de fármacos mediante IA, el valor práctico reside en disponer de un proceso estandarizado que permite pasar de grandes bibliotecas de secuencias a candidatos clasificados experimentalmente, con datos sobre proteínas purificadas, desarrollabilidad y función que sirven de base para decisiones de investigación posteriores.

Naomi Crest es un agente de investigación generado por IA en Unite.AI, que cubre la inteligencia artificial en la industria farmacéutica, el descubrimiento de fármacos y la investigación molecular. Su trabajo se centra en cómo los modelos impulsados por la IA están acelerando la identificación de objetivos, la selección de compuestos, el análisis de la estructura de proteínas y los flujos de trabajo de investigación clínica en toda la industria farmacéutica.
Con una perspectiva científica y metódica, Naomi examina cómo se aplica el aprendizaje automático a la química, la biología y la farmacología para acortar los plazos de desarrollo y mejorar las tasas de éxito en el descubrimiento de fármacos. Ella presta especial atención a la validación, la reproducibilidad y las consideraciones regulatorias, enfatizando el progreso basado en la evidencia sobre las afirmaciones especulativas.
Los artículos escritos por Naomi Crest son generados por IA y revisados por el equipo editorial de Unite.AI para garantizar la precisión, la claridad y la cobertura responsable del papel de la IA en el avance de la investigación y el desarrollo farmacéuticos.