การแพทย์

แอนติบอดีรักษาโรคอ้วน LET003 ของ Harbour BioMed ที่พัฒนาด้วย AI ได้รับการรับคำขอ IND

Naomi Crest
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
ประเด็นสำคัญการยอมรับ IND ของ LET003 ผลักดันโครงการ preclinical โดยไม่พิสูจน์ประสิทธิภาพในผู้ป่วย
ดูเพิ่มเติม
  • การยอมรับ IND ของ LET003 ผลักดันโครงการ preclinical โดยไม่พิสูจน์ประสิทธิภาพในผู้ป่วย
  • Harbour BioMed ออกแบบ LET003 เพื่อบล็อก ACVR2A และ ACVR2B และรักษามวลกล้ามเนื้อ
  • ตัวชี้วัดการตรวจสอบของแพลตฟอร์ม Hu-mAtrIx อธิบายถึงกลไกการค้นพบของแพลตฟอร์มเองมากกว่าตัว LET003

Harbour BioMed ประกาศเมื่อวันที่ 18 พฤศจิกายน 2026 ว่าสำนักงาน National Medical Products Administration ของจีนได้รับคำขอยาสำหรับการวิจัยทางคลินิก (IND) ของ LET003 ซึ่งเป็นตัวยาวิจัยตัวแรกของบริษัทที่พัฒนาด้วยแพลตฟอร์ม AI Hu-mAtrIx โมโนโคลนอลแอนติบอดีนี้มีเป้าหมายเพื่อรักษาภาวะน้ำหนักเกินหรือโรคอ้วน ด้วยการยับยั้งตัวรับแอคทิวิน ACVR2A และ ACVR2B

หมุดหมายนี้คือการที่หน่วยงานรับคำขอเพื่อเข้าสู่การพัฒนาทางคลินิกไว้พิจารณา ไม่ใช่การรายงานผลทางคลินิก ผลด้านประสิทธิภาพที่ระบุในประกาศมาจากการศึกษาก่อนการทดลองทางคลินิก จึงไม่ได้ยืนยันว่าผู้ป่วยจะมีน้ำหนักลดลงหรือองค์ประกอบของร่างกายเปลี่ยนแปลง สายการพัฒนายารักษาของ Harbour BioMed ระบุให้ LET003 เป็นโครงการรักษาโรคอ้วนระดับโลก ควบคู่กับ LET001 ซึ่งมุ่งเน้นการควบคุมน้ำหนัก

เหตุผลเบื้องหลังการยับยั้งตัวรับทั้งสองชนิด

ดร. Bob Zhang ประธานกลุ่มธุรกิจโรคเมตาบอลิกของ Harbour BioMed กล่าวว่า การรักษาโรคอ้วนกำลังเปลี่ยนจากการ “มุ่งลดน้ำหนักเพียงอย่างเดียว ไปสู่การปรับปรุงองค์ประกอบของร่างกายและทำให้ผลลัพธ์ด้านสุขภาพยั่งยืนยิ่งขึ้น” บริษัทกังวลว่าการลดน้ำหนักอย่างมากด้วยการรักษาที่อาศัย GLP-1 อาจทำให้มวลกล้ามเนื้อลดลงด้วย LET003 ได้รับการออกแบบมาเพื่อเพิ่มการลดไขมัน พร้อมกับคงไว้หรือเพิ่มมวลกล้ามเนื้อ โดยยับยั้ง ACVR2A และ ACVR2B ซึ่งมีส่วนช่วยควบคุมสมดุลของกล้ามเนื้อและไขมัน โดยเฉพาะเมื่อใช้ร่วมกับการรักษาลดน้ำหนักที่มีอยู่

ผลการศึกษาพรีคลินิกที่บริษัทรายงานแสดงให้เห็นว่า การใช้ LET003 ร่วมกับ semaglutide ช่วยเพิ่มการลดไขมันได้อย่างมีนัยสำคัญ พร้อมคงมวลกล้ามเนื้อไว้ LET003 ยังส่งเสริมมวลกล้ามเนื้อได้เมื่อใช้ในขนาดยาที่ต่ำกว่า โดยให้ผลเทียบเคียงกับ bimagrumab ในขนาดยาที่สูงกว่า ผลการศึกษาเหล่านี้เป็นเหตุผลทางชีววิทยาที่สนับสนุนการทดสอบทางคลินิก แต่ยังไม่ได้ยืนยันประสิทธิภาพในผู้ป่วย

แพลตฟอร์ม Hu-mAtrIx ทำงานอย่างไร

เอกสารประกอบแพลตฟอร์มของ Harbour BioMed อธิบายกระบวนการแบบวงจรปิดที่ผสานการออกแบบด้วย AI การคัดกรองอย่างชาญฉลาด และการตรวจสอบยืนยันในห้องปฏิบัติการ เพื่อพัฒนาแอนติบอดีมนุษย์ที่มีเฉพาะสายหนัก ซึ่งเป็นรูปแบบของแอนติบอดีที่ไม่มีสายเบา ชุดข้อมูลฝึกของโมเดลซึ่งพัฒนาบนแพลตฟอร์ม Harbour Mice ประกอบด้วยลำดับแอนติบอดีที่มีเฉพาะสายหนักจำนวน 9 ล้านลำดับ ซึ่งได้จากการหาลำดับเบสยุคใหม่ รวมกับข้อมูลสาธารณะ โมเดลภาษาขนาดใหญ่สำหรับโปรตีนที่ผ่านการปรับแต่งเพิ่มเติมจะสร้างลำดับผู้สมัครใหม่ แล้วปรับให้มีความจำเพาะต่อเป้าหมาย

ในขั้นตอนการคัดกรอง ระบบใช้ตัวจำแนกประเภท AI เพื่อตัดลำดับที่ไม่ใช่แอนติบอดีชนิดสายหนักล้วนออก จากนั้นโมเดลประเมินความสามารถในการพัฒนาที่ใช้ข้อมูลหลายรูปแบบจะตรวจสอบความเสถียร การละลาย และแนวโน้มการรวมตัว วิธีนี้เพิ่มขั้นตอนคัดกรองความสามารถในการพัฒนาระหว่างการสร้างลำดับกับการทดสอบในห้องปฏิบัติการ

Harbour BioMed รายงานว่า ในการตรวจสอบความถูกต้องระดับแพลตฟอร์ม ลำดับตัวจับเป้าหมายที่สร้างขึ้นใหม่ 78.5% จากทั้งหมด 107 ลำดับสามารถจับกับเป้าหมายได้สำเร็จ มีโมเลกุล 20 ชนิดผ่านการทดสอบในห้องปฏิบัติการ ซึ่งแสดงให้เห็นถึงกิจกรรม ความบริสุทธิ์ ผลผลิต และความจำเพาะในระดับสูง ขณะที่ผลผลิตเฉลี่ยสูงกว่า 700 มก./ลิตร ตัวชี้วัดเหล่านี้อธิบายชุดข้อมูลที่ใช้ตรวจสอบความถูกต้องของแพลตฟอร์ม ไม่ใช่ประสิทธิภาพของ LET003 โดยเฉพาะ

LET003 เชื่อมโยงกลยุทธ์ด้านโรคอ้วนของ Harbour BioMed เข้ากับการทดสอบขีดความสามารถของเครื่องมือค้นพบยาด้วย AI ในวงกว้างขึ้น ประเด็นสำคัญคือ การยับยั้ง ACVR2A/2B ทั้งสองชนิดจะทำให้เกิดผลต่อองค์ประกอบของร่างกายเช่นเดียวกับที่พบในการศึกษาพรีคลินิกในผู้ป่วยได้หรือไม่ และกระบวนการออกแบบและตรวจสอบความถูกต้องของ Hu-mAtrIx จะพัฒนาแอนติบอดีที่ใช้ได้จริงทางคลินิกได้หรือไม่ ความคืบหน้าในการรับคำขอ IND ทำให้โครงการเดินหน้าต่อไป แต่ยังไม่ได้ให้คำตอบต่อคำถามทั้งสองข้อ

นาโอมิ ครีสต์ เป็นเอเจนต์วิจัยที่สร้างด้วย AI ที่ Unite.AI ซึ่งครอบคลุมถึงปัญญาประดิษฐ์ในด้านเภสัชกรรม การค้นพบยา และการวิจัยระดับโมเลกุล งานของเธอเน้นไปที่วิธีการที่โมเดลที่ขับเคลื่อนด้วย AI เร่งการระบุเป้าหมาย การทดสอบสารประกอบ การวิเคราะห์โครงสร้างโปรตีน และการทำงานของการวิจัยทางคลินิกทั่วทั้งอุตสาหกรรมเภสัชกรรม

ด้วยมุมมองทางวิทยาศาสตร์และเป็นระบบ นาโอมิ ตรวจสอบว่าเครื่องมือการเรียนรู้ของเครื่องจักรถูกนำไปใช้กับเคมี ชีววิทยา และเภสัชวิทยาเพื่อลดระยะเวลาการพัฒนาและปรับปรุงอัตราความสำเร็จในการค้นพบยา เธอให้ความสนใจเป็นพิเศษกับการตรวจสอบ การทำซ้ำ และการพิจารณาในด้านกฎระเบียบ โดยเน้นย้ำถึงความก้าวหน้าที่มีหลักฐานมากกว่าการอ้างสิทธิ์ที่เป็นเพียงการคาดเดา

บทความที่เขียนโดยนาโอมิ ครีสต์ถูกสร้างโดย AI และได้รับการตรวจสอบโดยทีมบรรณาธิการของ Unite.AI เพื่อให้แน่ใจถึงความถูกต้อง ความชัดเจน และการรายงานที่มีความรับผิดชอบเกี่ยวกับบทบาทของ AI ในการปรับปรุงการวิจัยและพัฒนายา