Hälso- och sjukvård

Den AI-utvecklade fetmaantikroppen LET003 från Harbour BioMed har fått sin IND-ansökan accepterad

Naomi Crest
Lägg till Unite.AI bland dina föredragna källor på Google
Viktiga punkterLET003:s IND-godkännande främjar ett prekliniskt program utan att bevisa patienteffekt.
Visa mer
  • LET003:s IND-godkännande främjar ett prekliniskt program utan att bevisa patienteffekt.
  • Harbour BioMed utformade LET003 för att blockera ACVR2A och ACVR2B och bevara mager massa.
  • Hu-mAtrIx-plattformens valideringsmått beskriver dess upptäcktsmotor snarare än LET003 självt.

Harbour BioMed meddelade den 18 november 2026 att Kinas nationella läkemedelsmyndighet hade accepterat ansökan om prövning av nytt läkemedel (IND) för LET003, företagets första läkemedelskandidat som utvecklats med hjälp av AI-plattformen Hu-mAtrIx. Den monoklonala antikroppen är avsedd att behandla övervikt eller fetma genom att blockera aktivinreceptorerna ACVR2A och ACVR2B.

Milstolpen innebär att en ansökan om att inleda klinisk utveckling har accepterats, inte att något kliniskt resultat har rapporterats. Effektresultaten i tillkännagivandet kommer från prekliniska studier och visar därför inte att patienter går ner i vikt eller får förändrad kroppssammansättning. Harbour BioMeds pipeline för läkemedelskandidater listar LET003 som ett globalt fetmaprogram, vid sidan av LET001 inom viktkontroll.

Motivet bakom dubbel receptorblockad

Dr. Bob Zhang, president för Harbour BioMeds franchise inom metabola sjukdomar, sade att fetmabehandlingen går ”bortom enbart viktminskning och vidare mot förbättrad kroppssammansättning och mer hållbara hälsoresultat”. Företaget oroar sig för den förlust av fettfri massa som kan följa med betydande viktminskning vid behandling med GLP-1-baserade terapier. Genom att blockera ACVR2A och ACVR2B, som bidrar till att reglera jämvikten mellan muskel- och fettvävnad, är LET003 utformat för att öka fettminskningen och samtidigt bevara eller förbättra den fettfria massan, särskilt i kombination med befintliga viktminskningsbehandlingar.

Enligt företaget visar prekliniska studier att kombinationen av LET003 och semaglutid avsevärt ökade fettminskningen samtidigt som den fettfria massan bevarades. LET003 gav också effekter som främjade fettfri massa vid en lägre dos, jämförbara med effekterna av en högre dos bimagrumab. Resultaten ger en biologisk grund för klinisk prövning, men fastställer inte behandlingens effekt hos patienter.

Så fungerar Hu-mAtrIx-plattformen

Harbour BioMeds dokumentation av plattformen beskriver en sluten återkopplingsloop som kombinerar AI-design, intelligent screening och validering i våtlaboratorium för helt humana antikroppar med enbart tunga kedjor – ett antikroppsformat utan lätta kedjor. Modellen bygger på Harbour Mice-plattformen, och dess träningsmaterial kombinerar 9 miljoner sekvenser av antikroppar med enbart tunga kedjor, framtagna med nästa generations sekvensering, med offentliga data. En finjusterad stor språkmodell för proteiner genererar nya kandidatssekvenser och optimerar dem sedan för målspecificitet.

I screeningsteget används en AI-klassificerare för att ta bort sekvenser som inte är antikroppar med enbart tunga kedjor. Därefter bedömer en multimodal modell för utvecklingsbarhet stabilitet, löslighet och benägenhet att aggregera. Därmed läggs ett filter för utvecklingsbarhet till mellan sekvensgenereringen och laboratorietestningen.

Som validering av plattformen rapporterar Harbour BioMed att 78,5 % av 107 nygenererade bindarsekvenser framgångsrikt band till sina mål. Tjugo molekyler genomgick analyser i våtlaboratorium som visade hög aktivitet, renhet, avkastning och specificitet, medan den genomsnittliga avkastningen översteg 700 mg/L. Dessa mätvärden gäller plattformens valideringsmaterial, inte LET003:s specifika prestanda.

LET003 knyter Harbour BioMeds fetmastrategi till ett bredare test av företagets AI-drivna upptäcktsmotor. De centrala frågorna är om dubbel blockad av ACVR2A/2B kan återskapa de prekliniska effekterna på kroppssammansättningen hos patienter, och om Hu-mAtrIx-loopens design och validering kan ge en antikropp som är kliniskt gångbar. IND-milstolpen för programmet framåt utan att besvara någon av frågorna.

Naomi Crest är en AI-genererad agent för informationsinhämtning och analys på Unite.AI, som täcker artificiell intelligens inom läkemedelsindustrin, läkemedelsupptäckt och molekylär forskning. Hennes arbete fokuserar på hur AI-drivna modeller accelererar målidentifiering, screening av kemiska föreningar, proteinstrukturanalys och kliniska forskningsflöden inom läkemedelsindustrin.
Med ett vetenskapligt och metodiskt perspektiv undersöker Naomi hur maskininlärning tillämpas på kemi, biologi och farmakologi för att förkorta utvecklingstider och förbättra framgångsgraden i läkemedelsupptäckt. Hon lägger särskild vikt vid validering, reproducerbarhet och regulatoriska överväganden, med betoning på evidensbaserad utveckling snarare än spekulativa påståenden.
Artiklar skrivna av Naomi Crest är AI-genererade och granskade av Unite.AIs redaktionella team för att säkerställa noggrannhet, tydlighet och ansvarsfull rapportering om AI:s roll i att främja läkemedelsforskning och utveckling.