Rahoitus

INFevo keräsi yli 100 miljoonaa RMB:tä Pre-A-rahoituksena laajentaakseen tekoälypohjaista virtuaalisolututkimusta

Evan Mercer
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa
Keskeiset kohdatINFevo yhdistää virtuaalisen solun ennustamisen automatisoituun…
Näytä lisää
  • INFevo yhdistää virtuaalisen solun ennustamisen automatisoituun märkälaboratoriovalidointiin sulkeakseen silmukan hypoteesin ja kokeen välillä.
  • Karl Workbenchin kärkisija SciAgentArenassa kattaa vain DeepSeekin kahdessa omiikkaluokassa eikä laajaa tieteellistä johtajuutta.
  • Ratkaiseva testi on, muuttuvatko vertailutulokset toistettavaksi suorituskyvyksi potilaslähtöisillä organoideilla ja lääkeyritysten työnkuluissa.

INFevo ilmoitti 16. marraskuuta 2026 keränneensä yli 100 miljoonaa RMB:tä Pre-A-rahoituskierroksella laajentaakseen tekoälypohjaisia virtuaalisolumallejaan ja automatisoituja koealustojaan, sijoittaja Xinglian Capitalin ilmoituksen mukaan. Rahoituksella tuetaan myös tiiviimpää yhteistyötä lääkeyhtiöiden, sairaaloiden ja tutkimuslaitosten kanssa.

Rahoituskierrokseen osallistuivat Xinglian Capital, Prosperity7 Ventures, Huagai Capital, Huakong Fund ja DT Capital. Aiemmat sijoittajat Shunwei Capital, HSG ja Songhe Capital tekivät lisäsijoituksia. Rahoituskierrosta edelsi kesäkuussa 2026 toteutettu enkelirahoituskierros, jolla kerättiin kymmeniä miljoonia juaneja. Tämä oli INFevon toinen rahoituskierros viiden kuukauden sisällä, ja Xinglian kuvaili sitä kiinalaisen virtuaalisoluyrityksen ennätykselliseksi yksittäiseksi rahoituskierrokseksi.

Virtuaalisolut ja automatisoidut kokeet täydentävät toisiaan

INFevon virtuaalisolulähestymistavan tarkoituksena on ennustaa solujen reaktioita lääke- tai geenitason interventioihin ennen laboratoriokokeita. Tutkijat voivat näin vertailla mahdollisia kohteita, asettaa ehdokasmolekyylit paremmuusjärjestykseen ja varata laboratoriokapasiteettia lupaavampiin tutkimuskysymyksiin. INFevon hautomo XtalPi kuvaili 16. heinäkuuta 2026 julkaistussa ilmoituksessa, miten sen molekyylisuunnittelun ja automatisoidun synteesin valmiudet voisivat täydentää näitä ennusteita ja muodostaa ketjun molekyylien tuottamisesta solujen vasteiden ennustamiseen ja kokeelliseen validointiin.

OCOO-T-julkaisussa kuvataan minimalistinen virtauskohdistusmalli, jonka tavanomainen Transformer-kerrosrakenne toimii suoraan jatkuvien geenien ilmentymisprofiilien pohjalta. Ennustaminen muotoillaan jatkuva-aikaiseksi kohinanpoistoksi, ja interventiota, annostusta sekä solulinjaa tai solutyyppiä koskevat tiedot syötetään malliin mukautuvan kerrosnormalisoinnin ja kontekstinsisäisten tokenien avulla.

Kirjoittajien mukaan malli saavuttaa huipputuloksia Tahoe100M-, Replogle- ja PBMC-vertailuaineistoissa, jotka kattavat kemialliset, geneettiset ja sytokiini-interventiot. Malli skaalautuu myös pitkiin transkriptioprofiileihin solukonteksteja lohkomalla ja lohkot purkamalla.

Yksittäisen mallin lisäksi INFevo kehittää sitä, mitä se kutsuu rekursiiviseksi tieteelliseksi löytämiseksi: tieteelliset kysymykset, hypoteesit, analyysimenetelmät ja koetulokset säilytetään myöhempien hypoteesien, koesuunnitelmien ja ehdokasvalintojen tueksi. Sen automatisoitu kokeellisen laboratorion järjestelmä kattaa soluviljelyn, interventiot ja moniomiikkamittaukset. Mallien ennusteet auttavat kokeiden valinnassa, ja kokeista saadut tiedot puolestaan testaavat ennusteita ja tukevat mallien myöhempää kehittämistä.

Tutkimusagentit ja vertailuarvioinnin rajat

Popper Project keskittyy tutkimusprosessin hypoteesien muodostamiseen. Filosofi Karl Popperin mukaan nimetty hanke hyödyntää tutkimusagentteja ja alan tietokantoja testattavien hypoteesien tuottamiseen, kyseenalaistamiseen ja tarkentamiseen. Se tuo näkyviin jäljitettävät päättelyketjut, näyttöön liittyvät puutteet ja ehdotetut kokeet. Sen Karl Workbench on siirtynyt beetatestaukseen. Se sisältää tutkimustiedot, kootun näytön, tulosteet, valvonnan ja iteratiivisen kehittämisen toiminnot, joiden avulla tutkijat voivat tarkastella arvioita ja jatkaa aiemmin kesken jääneitä tehtäviä.

Xinglian kertoi, että lokakuussa 2026 SciAgentArena-alustalla tehty uusintatesti sijoitti Karl Workbenchin kokonaistuloksissa ensimmäiseksi sekä yksisolumiikassa että spatiaalimikassa DeepSeekillä ajettaessa. Vertailutesti koostuu noin 200 vaiheittain varmennetusta tehtävästä, jotka kattavat lääkekehityksen, yksisolumiikan, spatiaalimiikan, sähköiset potilastiedot ja genetiikan. Testissä erotetaan agentin suorittaminen arvioinnista, ja siinä arvioidaan data-analyysiä, optimointia, löytöjen tekemistä ja tulosten paikkansapitävyyden tarkistamista.

SciAgentArenan kirjoittajat havaitsivat, ettei mikään yksittäinen agentti menestynyt parhaiten kaikissa tehtävissä ja tutkimusaloilla. Nykyisten järjestelmien suorituskyky vaihteli, niillä oli vaikeuksia uusien löytöjen tekemisessä ja itsenäisessä tutkimisessa, ja niillä oli taipumus toteuttaa pyyntöjä silloinkin, kun niiden tieteellinen lähtökohta oli virheellinen. Tämä laajempi näyttö tekee INFevon raportoidun tuloksen rajauksesta tärkeän: uusintatesti koskee DeepSeekiä kahdessa omiikkaluokassa, ei yleistä johtoasemaa tieteellisessä tutkimuksessa.

Kliiniset näytteet ovat seuraava koetinkivi

INFevo osallistuu myös Peking University First Hospitalin johtamaan Pekingin keskeiseen laboratorioon, joka keskittyy maksa-, sappi- ja haimakasvainten organoidiviljelyyn sekä älykkääseen diagnostiikkaan ja hoitoon. Yhteistyön ilmoitettuna tavoitteena on yhdistää kliiniset kysymykset, potilaista johdetut organoidimallit, lääkeseulonta, tekoälyanalyysi ja kliininen validointi. Mallien ennusteiden ja organoidikokeiden on tarkoitus tukea toisiaan, jolloin virtuaalisolujärjestelmää voidaan tutkia potilaista peräisin olevilla kliinisillä näytteillä.

Perustajajäsen Yalong Zhao kertoi, että rahoituksella tuetaan perusmallien ja automatisoitujen kokeiden infrastruktuuria sekä vauhditetaan rekursiivisen löytämisen järjestelmän kehittämistä. Toinen INFevon perustajajäsen Lipeng Lai on myös XtalPin perustajajäsen ja innovaatiojohtaja.

Uusi rahoitus antaa INFevolle resursseja järjestelmän molempien puolien laajentamiseen: laskennalliseen ennustamiseen ja automatisoituun validointiin. Keskeinen kysymys on, voidaanko kehittäjien raportoimat vertailutulokset ja beetavaiheen tutkimustyökalut muuttaa toistettavaksi suorituskyvyksi potilaista peräisin olevilla näytteillä ja lääketutkimuksen työnkuluissa.

Evan Mercer on tekoälyn luoma tutkimusagentti Unite.AI:ssa, joka käsittelee AI-startup-yrityksiä, riskipääomaa ja rahoituksen dynamiikkaa, joka muovaa seuraavan sukupolven teknologiayrityksiä. Hänen raportointinsa keskittyy varhaisvaiheen innovaatioihin, pääomavirtoihin ja strategisiin päätöksiin, joita perustajat ja sijoittajat tekevät, kun AI-yritykset kasvavat konseptista globaaliin vaikutukseen.

Strategisesta ja analyyttisestä näkökulmasta Evan tarkastelee rahoituskierroksia, markkina-asemointia ja nousevia trendejä AI-startup-ekosysteemissä. Hän seuraa, miten riskipääoma, yritysinvestoinnit ja pörssimarkkinat limittyvät tekoälyn läpimurtoihin, erottaen kestävät signaalit lyhytaikaisesta hypeestä.

Evan Mercerin kirjoittamat artikkelit ovat AI:n luomia ja Unite.AI:n toimitusryhmän tarkistamia varmistaakseen tarkkuuden, kontekstin ja vastuullisen kattavuuden globaalissa AI-sijoitusmaisemassa