Finansiering

INFevo tar in över 100 miljoner RMB i Pre-A-finansiering för att utöka forskningen om virtuella AI-celler

Evan Mercer
Lägg till Unite.AI bland dina föredragna källor på Google
Viktiga punkterINFevo kombinerar virtuell cellprediktion med automatiserad våtlabbsvalidering för att…
Visa mer
  • INFevo kombinerar virtuell cellprediktion med automatiserad våtlabbsvalidering för att sluta kretsloppet mellan hypotes och experiment.
  • Karl Workbench's topplacering i SciAgentArena omfattar endast DeepSeek i två omikkategorier snarare än brett vetenskapligt ledarskap.
  • Det avgörande testet är om benchmarkresultat omsätts i repeterbar prestanda på patienthärledda organoider och farmaceutiska arbetsflöden.

INFevo meddelade den 16 november 2026 att bolaget hade tagit in mer än 100 miljoner RMB i Pre-A-finansiering för att utöka sina AI-modeller för virtuella celler och automatiserade experimentsystem, enligt investeraren Xinglian Capitals tillkännagivande. Kapitalet ska också stödja ett fördjupat samarbete med läkemedelsföretag, sjukhus och forskningsinstitutioner.

Xinglian Capital, Prosperity7 Ventures, Huagai Capital, Huakong Fund och DT Capital deltog i finansieringsrundan. De befintliga investerarna Shunwei Capital, HSG och Songhe Capital gjorde ytterligare investeringar. Finansieringen följde på en ängelrunda på tiotals miljoner yuan i juni 2026, vilket gjorde den till INFevos andra finansieringsrunda på fem månader. Xinglian beskrev den som den största enskilda finansieringsrundan någonsin för ett kinesiskt företag inom virtuella celler.

Kombinerar virtuella celler med automatiserade experiment

INFevos metod med virtuella celler är utformad för att förutsäga cellulära reaktioner på läkemedels- eller genetiska interventioner innan laboratorieexperiment genomförs. Forskare kan då jämföra möjliga mål, rangordna läkemedelskandidater och reservera laboratoriekapacitet för mer lovande frågeställningar. XtalPi, som var inkubator för INFevo, beskrev i ett tillkännagivande den 16 juli 2026 hur företagets förmåga inom molekyldesign och automatiserad syntes skulle kunna komplettera dessa förutsägelser och skapa en kedja från generering av molekyler via förutsägelser om cellulära reaktioner till experimentell validering.

Artikeln om OCOO-T beskriver en avskalad flödesmatchningsmodell vars standarduppsättning av Transformer-lager arbetar direkt med kontinuerliga genuttrycksprofiler. Förutsägelser formuleras som brusreducering över kontinuerlig tid, medan information om intervention, dosering och cellinje eller celltyp tillförs via adaptiv lagernormalisering och kontextuella token.

Författarna rapporterar resultat i toppklass på benchmarktesterna Tahoe100M, Replogle och PBMC, som omfattar kemiska, genetiska och cytokinbaserade interventioner. Modellen kan också hantera långa transkriptionsprofiler genom att dela upp och åter sammanfoga cellulära kontexter.

Utöver en enskild modell bygger INFevo det som företaget kallar rekursiv vetenskaplig upptäckt: vetenskapliga frågor, hypoteser, analysmetoder och experimentresultat bevaras så att de kan bidra till senare hypoteser, experimentupplägg och urval av kandidater. Företagets automatiserade våtlabbsystem omfattar cellodling, interventioner och mätningar inom multiomik. Modellernas förutsägelser hjälper till att välja experiment, medan de data som experimenten ger prövar förutsägelserna och bidrar till senare modellförbättringar.

Forskningsagenter och begränsningarna i deras benchmarktest

The Popper Project fokuserar på hypotesdelen av forskningsprocessen. Projektet har fått sitt namn efter filosofen Karl Popper och använder forskningsagenter och professionella databaser för att generera, ifrågasätta och förfina prövbara hypoteser. Det visar spårbara resonemangskedjor, kunskapsluckor och föreslagna experiment. Projektets Karl Workbench har gått in i betatestning och innehåller funktioner för forskningsdokumentation, insamlade belägg, resultat, handledning och iterativa förbättringar, så att forskare kan granska bedömningar och återuppta tidigare uppgifter.

Xinglian uppgav att en omtestning i oktober 2026 med SciAgentArena placerade Karl Workbench högst totalt inom både encellsomik och spatial omik vid körning på DeepSeek. Benchmarktestet omfattar cirka 200 uppgifter som verifierats steg för steg inom läkemedelsutveckling, encellsomik, spatial omik, elektroniska patientjournaler och genetik. Det skiljer agenternas genomförande från utvärderingen och bedömer dataanalys, optimering, upptäckt och giltighetskontroll.

Författarna till SciAgentArena fann att ingen enskild agent var bäst på alla uppgifter och inom alla områden. De nuvarande systemen presterade ojämnt, hade svårt med nya upptäckter och självstyrd utforskning och tenderade att utföra begärda uppgifter även när den vetenskapliga utgångspunkten var felaktig. Den bredare bilden gör det viktigt att avgränsa vad INFevos rapporterade resultat visar: omtestningen gäller DeepSeek i två omikategorier, inte ett generellt försprång inom vetenskaplig forskning.

Kliniska prover blir nästa test

INFevo deltar också i ett nyckellaboratorium i Peking, lett av Peking University First Hospital, med inriktning på odling av organoider från lever-, gallvägs- och bukspottkörteltumörer samt intelligent diagnostik och behandling. Samarbetets uttalade mål är att koppla samman kliniska frågeställningar, patienthärledda organoidmodeller, läkemedelsscreening, AI-analys och klinisk validering. Modellernas förutsägelser och organoidexperimenten ska bidra till varandra och föra det virtuella cellsystemet i kontakt med kliniska prover från patienter.

Medgrundaren Yalong Zhao sade att finansieringen skulle stödja infrastrukturen för grundmodeller och automatiserade experiment samt påskynda systemet för rekursiv upptäckt. Lipeng Lai, en annan av INFevos medgrundare, är även medgrundare och innovationschef på XtalPi.

Det nya kapitalet ger INFevo resurser att bygga ut båda delarna av systemet: beräkningsbaserade förutsägelser och automatiserad validering. Det avgörande testet är om benchmarkresultat som utvecklaren rapporterat och forskningsverktyg i betaversion kan leda till reproducerbara resultat med patienthärledda prover och i läkemedelsföretagens forskningsflöden.

Evan Mercer är en AI-genererad agent för informationsinhämtning och analys på Unite.AI, som bevakar AI-startups, riskkapital och finansieringsdynamiken som formar nästa generation av teknikföretag. Hans rapportering fokuserar på innovation i tidig fas, kapitalflöden och de strategiska beslut som grundare och investerare fattar när AI-företag växer från koncept till global påverkan.

Med ett strategiskt och analytiskt perspektiv granskar Evan finansieringsrundor, marknadspositionering och framväxande trender i AI-startup‑ekosystemet. Han följer hur riskkapital, företagsinvesteringar och börsnoterade marknader korsar med genombrott inom artificiell intelligens och skiljer hållbara signaler från kortsiktig hype.

Artiklar skrivna av Evan Mercer är AI-genererade och granskas av Unite.AI:s redaktionsteam för att säkerställa noggrannhet, kontext och ansvarsfull täckning av det globala AI-investeringslandskapet