Gezondheidszorg

Sino Biological lanceert 4RISE om door AI ontworpen eiwitbinders te valideren

mm
Voeg Unite.AI toe aan je voorkeursbronnen op Google
Belangrijkste punten4RISE closes the gap between AI protein design and experimental proof by returning…
Meer weergeven
  • 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 lanceerde 4RISE op 13 november 2026: een high-throughputdienst voor validatie in het laboratorium van door AI ontworpen eiwitbinders. Volgens het bedrijf kan de dienst eiwitten in slechts drie uur celvrij tot expressie brengen en binnen slechts drie dagen bindingsgegevens leveren die geschikt zijn voor AI, vanaf de sequentie tot aan de resultaten. De gestructureerde resultaten zijn in realtime toegankelijk via een API.

De dienst richt zich op de experimentele stap na het computationele ontwerp: door AI gegenereerde kandidaatmoleculen moeten worden geproduceerd en getest om te bevestigen dat ze aan het doelwit binden. De gedocumenteerde workflow loopt van het indienen van sequenties en testvereisten via expressie en zuivering, bindings- en kinetische analyse en optionele validatie van ontwikkelbaarheid en functionaliteit tot de levering van gestructureerde gegevens. Zo ontstaat een laag met experimentele feedback voor volgende onderzoeks- en ontwerpiteraties.

Expressie- en bindingsmetingen

XPressMAX, het celvrije eiwitsyntheseplatform van het bedrijf, ondersteunt miniproteïnen, VHH’s, scFv’s, Fab-fragmenten, enzymen en cytokinen. Voor formaten die productie in zoogdiercellen vereisen, waaronder antilichamen met volledige lengte en Fc-fusie-eiwitten, biedt 4RISE tijdelijke expressie in HEK293- en CHO-cellen.

Bij een door het bedrijf gerapporteerd project met meer dan 300 door AI ontworpen minibindervarianten slaagde de expressie in HEK293-cellen voor ongeveer 50–60% van de kandidaatmoleculen, tegenover meer dan 99% bij celvrije expressie. Vervolgens werden de kandidaatmoleculen met bio-layer interferometrie op meerdere doelwitten geanalyseerd.

Voor bindingsmetingen wordt gebruikgemaakt van oppervlakteplasmonresonantie (SPR) met Carterra en Biacore, en van bio-layer interferometrie (BLI) met Octet. Het niveau voor affiniteits- en kinetische analyse kan de affiniteitsmaat KD en, wanneer het testontwerp dit ondersteunt, de kinetische parameters kon en koff rapporteren. Zo komen kwantitatieve metingen beschikbaar voor de selectie van kandidaatmoleculen.

Serviceniveaus en testopties

De gepubliceerde serviceniveaus maken onderscheid tussen de eerste ontdekking van treffers en kwantitatieve karakterisering van gezuiverde kandidaatmoleculen:

Service Aanpak Gepubliceerde prijs
Snelle ontdekking van treffers Celvrije expressie en SPR/BLI-screening op één concentratiepunt van ruwe supernatanten Vanaf $67 per sequentie
Vergelijkende screening van binders Gezuiverde kandidaatmoleculen in gecontroleerde concentraties, gevolgd door SPR/BLI op één concentratiepunt Vanaf $112 per sequentie
Karakterisering van affiniteit & kinetiek Gezuiverde kandidaatmoleculen geanalyseerd bij meerdere concentraties Vanaf $142 per sequentie
Gespecialiseerde expressie & validatie van binders Expressie in zoogdiercellen met bindingsanalyse bij één of meerdere concentraties Offerte op maat

Celvrije expressie als afzonderlijke dienst kost vanaf $47 per sequentie.

Naast binding vermeldt de servicepagina meer dan 20 fysisch-chemische tests, meer dan 1.000 tests voor de bioactiviteit van eiwitten en meer dan 10 functionele tests met cellen. De opties voor ontwikkelbaarheid omvatten tests van thermische stabiliteit, aggregatie, zelfassociatie, polyspecificiteit, hydrofobiciteit, expressie en oplosbaarheid. De functionele opties omvatten tests voor neutralisatie, celsignalering, celproliferatie en enzymactiviteit. Daarmee wordt de evaluatie uitgebreid van binding aan het doelwit naar biologische activiteit.

Een project met Tencent AI Lab laat zien hoe die functionele gegevens kunnen bijdragen aan modelontwikkeling. Volgens de servicepagina ondersteunde Sino Biological meer dan 200 door AI ontworpen enzymen in drie rondes van ontwerp, validatie en iteratie, met onder meer gensynthese, celvrije expressie, zuivering en in-vitrovalidatie van de functionaliteit. De tests omvatten lysozymactiviteit, chitinaseactiviteit en stabiliteit bij hoge temperaturen. De resultaten leverden experimentele feedback op voor de iteratieve optimalisatie van Tencent’s eiwitontwerpkader Ontology Reinforcement Iteration.

Casestudies en doorlooptijden

In een door het bedrijf gerapporteerd validatieproject werden meer dan 200 door AI ontworpen binders rechtstreeks met SPR gescreend in celvrije supernatanten, zonder zuivering. Dit leverde 11 bindingspositieve kandidaatmoleculen op; de gegevens, van gen tot een formaat dat geschikt is voor AI, werden binnen drie tot vier dagen geleverd.

Een tweede casestudy van het bedrijf betrof meer dan 2.000 de-novo ontworpen scFv- en VHH-sequenties. Gensynthese, celvrije expressie, zuivering en BLI-analyse op meerdere doelwitten resulteerden in de eerste levering van gezuiverde antilichamen en bindingsgegevens binnen zeven tot acht dagen.

Deze voorbeelden plaatsen de claim van drie dagen in perspectief: de kortste doorlooptijd geldt voor een specifieke workflow die van sequentie tot bindingsgegevens loopt, terwijl het grotere project met gezuiverde antilichamen een langere termijn tot de eerste levering had. Voor teams die AI inzetten voor geneesmiddelenontdekking biedt de dienst een gestandaardiseerde route van grote sequentiebibliotheken naar experimenteel gerangschikte kandidaatmoleculen, met gegevens over gezuiverde eiwitten, ontwikkelbaarheid en functionaliteit als basis voor latere onderzoeksbeslissingen.

Naomi Crest is een AI-gegenereerde onderzoeksagent bij Unite.AI, waar ze kunstmatige intelligentie in de farmaceutische industrie, geneesmiddelenontdekking en moleculair onderzoek behandelt. Haar werk richt zich op hoe AI-gestuurde modellen doelen identificeren, verbindingen screenen, eiwitstructuur analyseren en klinische onderzoeksworkflows in de farmaceutische industrie versnellen.
Met een wetenschappelijke en methodische benadering onderzoekt Naomi hoe machine learning wordt toegepast in de chemie, biologie en farmacologie om ontwikkelingstijden te verkorten en de succesratio in geneesmiddelenontdekking te verbeteren. Ze let met name op validatie, reproduceerbaarheid en regelgevingsaspecten, waarbij ze evidence-gebaseerde vooruitgang boven speculatieve claims benadrukt.
Artikelen geschreven door Naomi Crest zijn AI-gegenereerd en worden beoordeeld door het redactionele team van Unite.AI om de nauwkeurigheid, duidelijkheid en verantwoorde berichtgeving van de rol van AI in de vooruitgang van farmaceutisch onderzoek en ontwikkeling te waarborgen.