Fonlama
INFevo, Yapay Zekâ Destekli Sanal Hücre Araştırmalarını Genişletmek İçin Pre-A Turunda 100 Milyon RMB’den Fazla Fon Topladı

Öne çıkan noktalarINFevo, hipotez ile deney arasındaki döngüyü kapatmak için sanal hücre tahminini…
Daha fazla göster
- INFevo, hipotez ile deney arasındaki döngüyü kapatmak için sanal hücre tahminini otomatik ıslak laboratuvar doğrulamasıyla eşleştirir.
- Karl Workbench'in en üst sıradaki SciAgentArena derecesi, geniş bilimsel liderlik yerine yalnızca iki omik kategorisinde DeepSeek'i kapsar.
- Belirleyici test, kıyaslama sonuçlarının hasta kaynaklı organoidlerde ve ilaç şirketi iş akışlarında tekrarlanabilir performansa dönüşüp dönüşmediğidir.
INFevo, yapay zekâ destekli sanal hücre modellerini ve otomatik deney sistemlerini geliştirmek amacıyla 16 Kasım 2026’da Pre-A turunda 100 milyon RMB’den fazla fon topladığını duyurdu; bu bilgi yatırımcı Xinglian Capital’in duyurusunda yer aldı. Fon, ilaç şirketleri, hastaneler ve araştırma kurumlarıyla daha kapsamlı iş birliklerine de destek sağlayacak.
Tura Xinglian Capital, Prosperity7 Ventures, Huagai Capital, Huakong Fund ve DT Capital katıldı. Mevcut yatırımcılar Shunwei Capital, HSG ve Songhe Capital de ek yatırım yaptı. Bu finansman, Haziran 2026’da alınan on milyonlarca yuanlık melek yatırım turunun ardından geldi ve INFevo’nun beş ay içindeki ikinci finansman turu oldu. Xinglian, bunu Çin’deki bir sanal hücre şirketinin tek turda aldığı rekor finansman olarak nitelendirdi.
Sanal Hücreleri Otomatik Deneylerle Birleştirmek
INFevo’nun sanal hücre yaklaşımı, laboratuvar deneylerinden önce hücrelerin ilaçlara veya genetik müdahalelere vereceği tepkileri tahmin etmek üzere tasarlandı. Böylece araştırmacılar olası hedefleri karşılaştırabilir, aday molekülleri sıralayabilir ve laboratuvar kapasitesini daha umut verici araştırma sorularına ayırabilir. INFevo’yu bünyesinde geliştiren XtalPi, 16 Temmuz 2026 tarihli duyurusunda moleküler tasarım ve otomatik sentez yeteneklerinin bu tahminleri nasıl tamamlayabileceğini anlattı. Böylece molekül üretiminden hücresel tepki tahminine, oradan da deneysel doğrulamaya uzanan bir süreç oluşturuluyor.
OCOO-T makalesi, standart Transformer katman yapısının doğrudan sürekli gen ekspresyonu profilleri üzerinde çalıştığı yalın bir akış eşleme modelini tanımlıyor. Tahmin, sürekli zamanlı gürültü giderme problemi olarak formüle edilirken müdahale, doz ve hücre hattı ya da hücre tipi bilgileri uyarlamalı katman normalizasyonu ve bağlam içi belirteçler aracılığıyla modele ekleniyor.
Yazarlar, kimyasal, genetik ve sitokin müdahalelerini kapsayan Tahoe100M, Replogle ve PBMC kıyaslamalarında son teknoloji düzeyinde sonuçlar elde ettiklerini bildiriyor. Model, hücresel bağlamları parçalara ayırıp yeniden birleştirerek uzun transkripsiyon profillerine de ölçeklenebiliyor.
INFevo, tek bir modelin ötesine geçerek kendi ifadesiyle özyinelemeli bilimsel keşif yaklaşımını geliştiriyor. Bu yaklaşım, bilimsel soruları, hipotezleri, analiz yöntemlerini ve deney sonuçlarını saklayarak bunların sonraki hipotezlere, deney tasarımlarına ve aday seçimine yön vermesini sağlıyor. Otomatik ıslak laboratuvar sistemi hücre kültürü, müdahale ve çoklu omik ölçümleri kapsıyor. Model tahminleri deneylerin seçilmesine yardımcı olurken elde edilen veriler de bu tahminleri sınayıp sonraki model iyileştirmelerini besliyor.
Araştırma Ajanları ve Kıyaslama Sınırları
The Popper Project, araştırma sürecinin hipotez oluşturma aşamasını ele alıyor. Adını filozof Karl Popper’dan alan proje, sınanabilir hipotezler üretmek, bunlara meydan okumak ve hipotezleri geliştirmek için araştırma ajanlarından ve uzmanlık veritabanlarından yararlanıyor; izlenebilir akıl yürütme zincirlerini, kanıt eksiklerini ve önerilen deneyleri gösteriyor. Karl Workbench beta testlerine başladı. Araştırma kayıtları, biriken kanıtlar, çıktılar, gözetim ve yinelemeli iyileştirme işlevleri sayesinde araştırmacılar değerlendirmeleri gözden geçirebiliyor ve daha önceki görevlere devam edebiliyor.
Xinglian’ın bildirdiğine göre, Ekim 2026’da SciAgentArena kullanılarak yapılan yeniden testte Karl Workbench, DeepSeek üzerinde çalıştırıldığında hem tek hücreli hem de mekânsal omik alanlarında genel sıralamada birinci oldu. Kıyaslama, ilaç keşfi, tek hücreli omikler, mekânsal omikler, elektronik sağlık kayıtları ve genetik alanlarında adım adım doğrulanmış yaklaşık 200 görevden oluşuyor. Değerlendirme, ajanların görevleri yürütmesini değerlendirme sürecinden ayrı tutuyor; veri analizini, optimizasyonu, keşfi ve geçerlilik denetimini ölçüyor.
SciAgentArena’nın yazarları, hiçbir ajanın tüm görev ve alanlarda öne çıkmadığını tespit etti. Mevcut sistemlerin performansı değişkenlik gösterdi; yeni keşiflerde ve kendi yönlendirdikleri araştırmalarda zorlandılar ve bilimsel dayanak geçersiz olsa bile istekleri yerine getirme eğilimi gösterdiler. Daha geniş kapsamlı bu bulgular, INFevo’nun bildirdiği sonucun sınırlarını önemli kılıyor: yeniden test, bilimsel araştırmaların tümünde genel bir üstünlük iddiasını değil, DeepSeek’in iki omik kategorisindeki performansını konu alıyor.
Klinik Örnekler Bir Sonraki Sınamayı Sağlıyor
INFevo ayrıca, karaciğer, safra yolları ve pankreas tümörlerine yönelik organoid kültürü ile akıllı tanı ve tedaviye odaklanan ve Peking University First Hospital’ın liderlik ettiği bir Pekin kilit laboratuvarı projesinde yer alıyor. İş birliğinin açıklanan amacı; klinik soruları, hastalardan elde edilen organoid modellerini, ilaç taramasını, yapay zekâ analizini ve klinik doğrulamayı birbirine bağlamak. Model tahminleri ile organoid deneylerinin birbirini beslemesi ve sanal hücre sisteminin hastalardan alınan klinik örneklerle buluşturulması hedefleniyor.
Kurucu ortak Yalong Zhao, finansmanın temel model ve otomatik deney altyapısını destekleyeceğini, ayrıca özyinelemeli keşif sisteminin geliştirilmesini hızlandıracağını söyledi. INFevo’nun diğer kurucu ortaklarından Lipeng Lai, aynı zamanda XtalPi’nin kurucu ortağı ve baş inovasyon sorumlusu.
Yeni sermaye, INFevo’ya sistemin her iki ayağını da geliştirmek için kaynak sağlıyor: hesaplamalı tahmin ve otomatik doğrulama. Asıl sınama, geliştiricilerin bildirdiği kıyaslama sonuçlarının ve beta aşamasındaki araştırma araçlarının, hastalardan alınan örneklerde ve ilaç araştırma süreçlerinde tekrarlanabilir performansa dönüşüp dönüşemeyeceği.












