Helse

IND-søknaden for Harbour BioMeds KI-utviklede antistoff mot fedme, LET003, er godtatt

Naomi Crest
Legg til Unite.AI blant dine foretrukne kilder på Google
Viktige punkterLET003s IND-godkjenning fremmer et preklinisk program uten å bevise pasienteffekt.
Vis mer
  • LET003s IND-godkjenning fremmer et preklinisk program uten å bevise pasienteffekt.
  • Harbour BioMed designet LET003 for å blokkere ACVR2A og ACVR2B og bevare mager masse.
  • Hu-mAtrIx-plattformens valideringsmålinger beskriver dens oppdagelsesmotor snarere enn LET003 selv.

Harbour BioMed kunngjorde 18. november 2026 at Kinas National Medical Products Administration hadde godtatt søknaden om utprøving av nytt legemiddel (IND) for LET003, deres første legemiddelkandidat utviklet ved hjelp av KI-plattformen Hu-mAtrIx. Det monoklonale antistoffet er ment å behandle overvekt eller fedme ved å blokkere aktivinreseptorene ACVR2A og ACVR2B.

Denne milepælen innebærer at en søknad om å gå videre til klinisk utvikling er godtatt, ikke at det er rapportert kliniske resultater. Effektfunnene i kunngjøringen stammer fra prekliniske studier og fastslår derfor ikke vekttap eller endringer i kroppssammensetning hos pasienter. Harbour BioMeds terapeutiske portefølje fører opp LET003 som et globalt fedmeprogram, ved siden av LET001 innen vektregulering.

Begrunnelsen for å blokkere begge reseptorene

Dr. Bob Zhang, leder for Harbour BioMeds forretningsområde for metabolske sykdommer, sa at fedmebehandling beveger seg «bort fra bare vektreduksjon og over mot bedre kroppssammensetning og mer bærekraftige helseutfall». Selskapet er bekymret for tap av fettfri masse, som kan følge med betydelig vektreduksjon ved behandlinger basert på GLP-1. LET003 er utviklet for å øke fettreduksjonen og samtidig bevare eller forbedre den fettfrie massen, særlig sammen med eksisterende vektreduksjonsbehandlinger, ved å blokkere ACVR2A og ACVR2B, som bidrar til å regulere homeostasen i muskel- og fettvev.

Prekliniske studier rapportert av selskapet viser at kombinasjonen av LET003 og semaglutid ga betydelig større fettreduksjon samtidig som fettfri masse ble bevart. LET003 ga også effekter som fremmet fettfri masse ved en lavere dose, på nivå med bimagrumab ved en høyere dose. Disse funnene gir det biologiske grunnlaget for klinisk utprøving, men fastslår ikke effekt hos pasienter.

Slik fungerer Hu-mAtrIx-plattformen

Harbour BioMeds plattformdokumentasjon beskriver en lukket sløyfe som kombinerer KI-design, intelligent screening og validering i laboratoriet for fullt humane antistoffer som bare består av tunge kjeder, en antistofftype uten lette kjeder. Modellen er bygget på Harbour Mice-plattformen, og treningssettet kombinerer 9 millioner sekvenser av antistoffer som bare består av tunge kjeder, utledet fra nestegenerasjonssekvensering, med offentlige data. En finjustert stor språkmodell for proteiner genererer nye kandidatsekvenser og optimaliserer dem deretter for målspesifisitet.

I screeningfasen brukes en KI-klassifikator til å fjerne sekvenser som ikke er antistoffer som bare består av tunge kjeder. Deretter vurderer en multimodal modell for utviklingsegnethet stabilitet, løselighet og tendens til aggregering. Dette legger inn et filter for utviklingsegnethet mellom sekvensgenerering og laboratorietesting.

Som validering av plattformen rapporterer Harbour BioMed at 78,5 % av 107 nygenererte sekvenser for bindere traff målene sine. Tjue molekyler ble undersøkt i laboratorietester som viste høy aktivitet, renhet, utbytte og spesifisitet, mens gjennomsnittsutbyttet oversteg 700 mg/L. Disse måltallene beskriver plattformens valideringssett, ikke LET003s spesifikke ytelse.

LET003 knytter Harbour BioMeds fedmestrategi til en bredere utprøving av selskapets KI-motor for legemiddeloppdagelse. Hovedspørsmålene er om dobbel blokkering av ACVR2A/2B kan gjenskape de prekliniske effektene på kroppssammensetning hos pasienter, og om Hu-mAtrIx-sløyfen for design og validering kan gi et antistoff som er klinisk levedyktig. IND-milepælen bringer programmet videre uten å besvare noen av spørsmålene.

Naomi Crest er en AI-generert agent for informasjonsinnhenting og analyse hos Unite.AI, som dekker kunstig intelligens i legemidler, legemiddelforskning og molekylær forskning. Hennes arbeid fokuserer på hvordan AI-drevne modeller akselererer målidentifikasjon, screening av kjemiske forbindelser, proteinstrukturanalyse og kliniske forskningsarbeidsflyter i legemiddelindustrien.
Med et vitenskapelig og metodisk perspektiv undersøker Naomi hvordan maskinlæring brukes i kjemi, biologi og farmakologi for å forkorte utviklingstider og forbedre suksessrater i legemiddelforskning. Hun legger særlig vekt på validering, reproduserbarhet og regulatoriske overveielser, og understreker bevisbasert fremgang over spekulative påstander.
Artikler skrevet av Naomi Crest er AI-genererte og gjennomgått av Unite.AIs redaksjonelle team for å sikre nøyaktighet, klarhet og ansvarlig dekning av AI-rollen i å fremme legemiddelforskning og utvikling.