Finansiering
INFevo henter over 100 millioner RMB i pre-A-finansiering for å utvide forskningen på virtuelle AI-celler

Viktige punkterINFevo kombinerer virtuell celleprediksjon med automatisert validering i våtlab for å…
Vis mer
- INFevo kombinerer virtuell celleprediksjon med automatisert validering i våtlab for å lukke sløyfen mellom hypotese og eksperiment.
- Karl Workbenchs topprangering i SciAgentArena dekker bare DeepSeek i to omikk-kategorier snarere enn bred vitenskapelig ledelse.
- Den avgjørende testen er om benchmarkresultater oversettes til repeterbar ytelse på pasientavledede organoider og farmasøytiske arbeidsflyter.
INFevo kunngjorde 16. november 2026 at selskapet hadde hentet inn mer enn 100 millioner RMB i pre-A-finansiering for å utvide modellene sine for virtuelle AI-celler og automatiserte eksperimentelle systemer, ifølge kunngjøringen fra investoren Xinglian Capital. Midlene skal også støtte et tettere samarbeid med legemiddelselskaper, sykehus og forskningsinstitusjoner.
Xinglian Capital, Prosperity7 Ventures, Huagai Capital, Huakong Fund og DT Capital deltok i finansieringsrunden. De eksisterende investorene Shunwei Capital, HSG og Songhe Capital investerte også mer. Finansieringen fulgte etter en engleinvestering på titalls millioner yuan i juni 2026, og var dermed INFevos andre finansieringsrunde på fem måneder. Xinglian beskrev den som den største enkeltstående finansieringsrunden noensinne for et kinesisk selskap innen virtuelle celler.
Virtuelle celler kombinert med automatiserte eksperimenter
INFevos tilnærming med virtuelle celler er utviklet for å forutsi celleresponser på legemidler eller genetiske inngrep før laboratorieforsøk. Forskere kan deretter sammenligne mulige mål, rangere kandidatstoffer og reservere kapasitet i våtlaboratoriet til mer lovende forskningsspørsmål. XtalPi, som var inkubator for INFevo, beskrev i en kunngjøring 16. juli 2026 hvordan selskapets evner innen molekyldesign og automatisert syntese kan supplere disse prediksjonene og skape en sammenhengende prosess fra generering av molekyler via prediksjon av celleresponser til eksperimentell validering.
OCOO-T-artikkelen beskriver en minimalistisk flytmatchingsmodell der en standard Transformer-stakk opererer direkte på kontinuerlige genuttrykksprofiler. Prediksjon formuleres som støyfjerning i kontinuerlig tid, mens informasjon om perturbasjon, dosering og cellelinje eller celletype tilføres gjennom adaptiv lagernormalisering og in-context-tokener.
Forfatterne rapporterer resultater på toppnivå på tvers av referansetestene Tahoe100M, Replogle og PBMC, som dekker kjemiske og genetiske perturbasjoner samt cytokinpåvirkning. Modellen kan også skaleres til lange transkripsjonsprofiler ved å dele opp og sette sammen igjen cellulære kontekster.
Utover én enkelt modell bygger INFevo det selskapet kaller rekursiv vitenskapelig oppdagelse: vitenskapelige spørsmål, hypoteser, analysemetoder og eksperimentelle resultater bevares slik at de kan danne grunnlag for senere hypoteser, forsøksdesign og utvelgelse av kandidater. Det automatiserte våtlaboratoriesystemet dekker cellekultur, perturbasjon og målinger av flere omikktyper. Modellprediksjoner bidrar til å velge eksperimenter, mens dataene som kommer ut av dem, tester prediksjonene og brukes til å forbedre senere modellversjoner.
Forskningsagenter og begrensningene ved referansetestene
The Popper Project retter seg mot hypotesedelen av forskningsprosessen. Prosjektet er oppkalt etter filosofen Karl Popper og bruker forskningsagenter og fagdatabaser til å generere, utfordre og videreutvikle hypoteser som kan testes. Det viser sporbare resonnementskjeder, kunnskapshull og foreslåtte eksperimenter. Karl Workbench er startet opp i betatesting og har funksjoner for forskningslogger, oppsamlet dokumentasjon, resultater, veiledning og trinnvis forbedring. Disse gjør det mulig for forskere å gjennomgå vurderinger og gjenoppta tidligere oppgaver.
Xinglian rapporterte at en ny test i oktober 2026 med SciAgentArena plasserte Karl Workbench øverst sammenlagt innen både enkeltcelle- og romlig omikk da verktøyet kjørte på DeepSeek. Referansetesten består av omtrent 200 oppgaver som er verifisert trinn for trinn, innen legemiddeloppdagelse, enkeltcelleomikk, romlig omikk, elektroniske pasientjournaler og genetikk. Den skiller agentenes utførelse fra evalueringen og vurderer dataanalyse, optimalisering, oppdagelse og kontroll av gyldighet.
Forfatterne av SciAgentArena fant at ingen enkelt agent utmerket seg på tvers av oppgaver og fagområder. Dagens systemer presterte ujevnt, hadde problemer med nye oppdagelser og selvstendig utforskning og hadde en tendens til å utføre forespørsler selv når det vitenskapelige premisset var ugyldig. Dette bredere bildet gjør omfanget av INFevos rapporterte resultat viktig: Den nye testen gjelder DeepSeek i to omikkategorier, ikke et generelt forsprang innen vitenskapelig forskning.
Kliniske prøver blir neste test
INFevo deltar også i et nøkkellaboratorium i Beijing, ledet av Peking University First Hospital, som arbeider med organoiddyrking av lever-, galleveis- og bukspyttkjertelsvulster samt intelligent diagnostikk og behandling. Det uttalte målet med samarbeidet er å knytte sammen kliniske problemstillinger, pasientavledede organoidmodeller, legemiddelscreening, AI-analyse og klinisk validering. Modellprediksjoner og organoidforsøk skal informere hverandre, slik at systemet for virtuelle celler prøves ut på kliniske prøver fra pasienter.
Medgründer Yalong Zhao sa at finansieringen skulle støtte grunnmodellen og infrastrukturen for automatiserte eksperimenter og sette fart på systemet for rekursiv oppdagelse. Lipeng Lai, en annen av INFevos medgründere, er også medgründer og innovasjonssjef hos XtalPi.
Den nye kapitalen gir INFevo ressurser til å utvide begge sidene av systemet: beregningsbaserte prediksjoner og automatisert validering. Den avgjørende prøven blir om resultatene fra referansetester som utvikleren har rapportert, og forskningsverktøyene i betaversjon, kan gi repeterbare resultater med pasientavledede prøver og i arbeidsflyter for legemiddelforskning.












