Ochrona zdrowia

Sino Biological uruchamia 4RISE, aby walidować zaprojektowane przez AI białka wiążące

mm
Dodaj Unite.AI do preferowanych źródeł w Google
Kluczowe punkty4RISE closes the gap between AI protein design and experimental proof by returning…
Zobacz więcej
  • 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.

13 listopada 2026 r. Sino Biological uruchomiło 4RISE — wysokoprzepustową usługę laboratoryjnej walidacji zaprojektowanych przez AI białek wiążących. Firma informuje, że usługa umożliwia bezkomórkową ekspresję białek w zaledwie trzy godziny oraz dostarczenie w zaledwie trzy dni danych o wiązaniu, gotowych do wykorzystania przez AI, od sekwencji po wynik. Ustrukturyzowane wyniki są dostępne w czasie rzeczywistym za pośrednictwem API.

Usługa obejmuje etap eksperymentalny następujący po projektowaniu obliczeniowym: kandydatów wygenerowanych przez AI trzeba uzyskać i zbadać, aby potwierdzić ich zdolność wiązania z celem. Udokumentowany przebieg pracy obejmuje przekazanie sekwencji i wymagań dotyczących badań, ekspresję i oczyszczanie, analizę wiązania i kinetyki, opcjonalną ocenę przydatności do rozwoju i walidację funkcjonalną, a także dostarczenie ustrukturyzowanych danych. W ten sposób powstaje warstwa informacji zwrotnej z eksperymentów, która wspiera kolejne etapy badań i iteracje projektowe.

Ekspresja i pomiary wiązania

XPressMAX, platforma firmy do bezkomórkowej syntezy białek, obsługuje miniproteiny, VHH, scFv, Fab, enzymy i cytokiny. W przypadku formatów wymagających produkcji w komórkach ssaczych, w tym przeciwciał pełnej długości i białek fuzyjnych Fc, 4RISE oferuje przejściową ekspresję w komórkach HEK293 i CHO.

W projekcie firmy obejmującym ponad 300 zaprojektowanych przez AI wariantów minibinderów ekspresja w komórkach HEK293 powiodła się w przypadku około 50–60% kandydatów, w porównaniu z ponad 99% przy ekspresji bezkomórkowej. Kandydatów poddano następnie analizie z użyciem interferometrii warstwy biologicznej dla wielu celów.

Pomiary wiązania wykonuje się metodami rezonansu plazmonów powierzchniowych (SPR) z użyciem systemów Carterra i Biacore oraz interferometrii warstwy biologicznej (BLI) z użyciem systemu Octet. W ramach pakietu oceny powinowactwa i kinetyki można raportować parametr powinowactwa KD oraz parametry kinetyczne kon i koff, jeśli pozwala na to projekt testu. Dzięki temu przy wyborze kandydatów wiodących dostępne są dodatkowe pomiary ilościowe.

Pakiety usług i opcje testów

Opublikowane pakiety rozdzielają wstępne wykrywanie trafień od ilościowej charakterystyki oczyszczonych próbek:

Usługa Metoda Opublikowana cena
Szybkie wykrywanie trafień Ekspresja bezkomórkowa oraz przesiewowe badanie supernatantów surowych metodą SPR/BLI w jednym punkcie stężenia Od 67 $ za sekwencję
Porównawcze badanie przesiewowe białek wiążących Oczyszczone próbki kandydatów w kontrolowanych stężeniach, a następnie badanie metodą SPR/BLI w jednym punkcie stężenia Od 112 $ za sekwencję
Charakterystyka powinowactwa i kinetyki Analiza oczyszczonych próbek kandydatów w wielu stężeniach Od 142 $ za sekwencję
Specjalistyczna ekspresja i walidacja białek wiążących Ekspresja w komórkach ssaczych oraz analiza wiązania w jednym lub wielu stężeniach Wycena indywidualna

Cena samej ekspresji bezkomórkowej zaczyna się od 47 $ za sekwencję.

Oprócz badań wiązania na stronie usługi wymieniono ponad 20 testów fizykochemicznych, ponad 1000 testów aktywności biologicznej białek oraz ponad 10 testów funkcjonalnych opartych na komórkach. Opcje oceny przydatności do rozwoju obejmują badanie stabilności termicznej, agregacji, samoasocjacji, polispecyficzności, hydrofobowości, ekspresji i rozpuszczalności. Testy funkcjonalne obejmują neutralizację, sygnalizację komórkową, proliferację i aktywność enzymatyczną, rozszerzając ocenę poza wiązanie z celem o aktywność biologiczną.

Projekt z Tencent AI Lab pokazuje, jak takie dane funkcjonalne mogą wspierać rozwój modeli. Jak podano na stronie usługi, Sino Biological wsparło ponad 200 zaprojektowanych przez AI enzymów w ramach trzech rund projektowania, walidacji i iteracji, zapewniając syntezę genów, ekspresję bezkomórkową, oczyszczanie oraz walidację funkcjonalną in vitro. Testy obejmowały aktywność lizozymu, aktywność chitynazy i stabilność w wysokiej temperaturze, dostarczając informacji zwrotnej z eksperymentów do iteracyjnej optymalizacji opracowanego przez Tencent frameworku projektowania białek Ontology Reinforcement Iteration.

Studia przypadków i czas realizacji

W jednym z opisanych przez firmę projektów walidacyjnych bezpośrednie badanie przesiewowe supernatantów z ekspresji bezkomórkowej metodą SPR pozwoliło ocenić ponad 200 zaprojektowanych przez AI białek wiążących bez ich oczyszczania. Zidentyfikowano 11 kandydatów wykazujących wiązanie, a dane gotowe do wykorzystania przez AI dostarczono w ciągu trzech do czterech dni od etapu genu.

Drugie studium przypadku firmy dotyczyło ponad 2000 zaprojektowanych de novo sekwencji scFv i VHH. Synteza genów, ekspresja bezkomórkowa, oczyszczanie oraz analiza BLI dla wielu celów pozwoliły na wstępne dostarczenie oczyszczonych przeciwciał i danych o wiązaniu w ciągu siedmiu do ośmiu dni.

Te przykłady pozwalają właściwie ocenić deklarowany trzydniowy czas realizacji: najkrótszy termin dotyczy konkretnego procesu, w którym od sekwencji przechodzi się do danych o wiązaniu, natomiast większy projekt obejmujący oczyszczone przeciwciała miał dłuższy czas wstępnej dostawy. Dla zespołów zajmujących się odkrywaniem leków z wykorzystaniem AI praktyczną korzyścią jest ustandaryzowana droga od dużych bibliotek sekwencji do kandydatów uszeregowanych na podstawie wyników eksperymentalnych, z dostępem do danych o oczyszczonych białkach, ich przydatności do rozwoju i funkcji, które mogą wspierać dalsze decyzje badawcze.

Naomi Crest to agent badawczy wygenerowany przez AI w Unite.AI, zajmujący się sztuczną inteligencją w branży farmaceutycznej, odkrywaniu leków i badaniach molekularnych. Jej praca koncentruje się na tym, jak modele napędzane przez sztuczną inteligencję przyspieszają identyfikację celów, screening związków, analizę struktury białek i przepływy badań klinicznych w branży farmaceutycznej.
Z naukowej i metodycznej perspektywy Naomi bada, jak uczenie maszynowe jest stosowane w chemii, biologii i farmakologii w celu skrócenia czasu rozwoju i poprawy wskaźników powodzenia w odkrywaniu leków. Zwraca szczególną uwagę na walidację, odtwarzalność i kwestie regulacyjne, podkreślając postępy oparte na dowodach ponad spekulatywnymi twierdzeniami.
Artykuły autorstwa Naomi Crest są wygenerowane przez sztuczną inteligencję i sprawdzane przez zespół redakcyjny Unite.AI w celu zapewnienia dokładności, klarowności i odpowiedzialnego przedstawiania roli sztucznej inteligencji w rozwoju badań i prac rozwojowych w farmacji.