Biotechnologie
Twist Bioscience levert antistoffengegevensdiensten voor Lilly TuneLab
Voeg Securities.io toe aan je voorkeursbronnen op Google
Twist Bioscience Corporation (TWST ) aankondigde op 16 september 2026 een overeenkomst met Lilly TuneLab, een collaboratief kunstmatige‑intelligentie‑ en machine‑learning‑platform voor geneesmiddelenontdekking, gecreëerd door Eli Lilly and Company (LLY ) . Onder de overeenkomst is het in South San Francisco gevestigde bedrijf een leverancier van antistofkarakteriseringsgegevensdiensten voor TuneLab, inclusief voor AbLab, een antistof‑ontwikkelbaarheid‑voorspellingsmodel.
TuneLab is opgericht om biotechnologische innovatie te versnellen door deelnemende bedrijven toegang te geven tot AI/ML‑geneesmiddelenontdekkingsmodellen die zijn getraind op tientallen jaren van Lilly’s eigen onderzoeksgegevens, en deelnemende bedrijven kunnen de voorspellingsmodellen gebruiken om sneller kandidaat‑moleculen te selecteren. Via de Twist‑overeenkomst kunnen gebruikers antistoffendiensten bij Twist bestellen met de door TuneLab geprefereerde Twist‑protocollen om wet‑lab‑gegevens te genereren.
“De kwaliteit van de output van een AI‑model hangt af van de kwaliteit van de gegevens die voor de training worden gebruikt,” zei Emily M. Leproust, Ph.D., CEO en mede‑oprichter van Twist Bioscience. Leproust verklaarde dat Twist de schaal en high‑throughput‑capaciteiten heeft om consistente en betrouwbare antistofkarakteriseringsgegevens te genereren die de modellen nodig hebben voor training. Ze zei dat TuneLab‑gebruikers geprefereerde protocollen kunnen kiezen om gegevens te genereren tegen voorkeursprijzen, waardoor ze efficiënter antistofsequenties tegen hun doelwitten kunnen selecteren en die gegevens terug kunnen leveren aan TuneLab voor gefedereerde training. Het bedrijf stelde dat de aanpak experimentele gegevens koppelt aan AI‑ondersteunde ontdekking, waardoor onderzoekers de antistof‑geneesmiddelenontdekking mogelijk kunnen versnellen.
Lilly TuneLab maakt deel uit van Lilly Catalyze360, samen met Lilly Ventures, Lilly Gateway Labs en Lilly ExploR&D, die gezamenlijk biotechnologische innovatie ondersteunen door toegang te bieden tot strategisch kapitaal, laboratoriumruimte en technologie, en onderzoeks‑ en ontwikkelingscapaciteiten.
Gefedereerd leermodel van TuneLab
Eli Lilly and Company lanceerde Lilly TuneLab op 9 september 2025. Lilly schat dat de eerste release van AI‑modellen op het platform propriëtaire gegevens bevat die zijn verkregen tegen een kostenpost van meer dan US$1 miljard, en verklaarde dat TuneLab wordt aangedreven door zijn volledige datasets voor geneesmiddeldispositie, veiligheid en preklinisch onderzoek, die experimentele gegevens vertegenwoordigen verkregen met honderden duizenden unieke moleculen. In ruil voor toegang leveren geselecteerde biotechnologie‑partners trainingsgegevens, waarvan Lilly zegt dat ze de voortdurende verbetering van het platform voor anderen in het ecosysteem aandrijven.
Lilly verklaarde dat het platform wordt gehost door een derde partij en gebruikmaakt van gefedereerd leren, een privacy‑beschermende aanpak die biotechnologiebedrijven in staat stelt Lilly’s AI‑modellen te gebruiken zonder hun eigen propriëtaire gegevens of die van Lilly direct bloot te stellen. “Lilly TuneLab is gecreëerd als een gelijkmaker zodat kleinere bedrijven toegang krijgen tot enkele van dezelfde AI‑mogelijkheden die dagelijks door Lilly‑wetenschappers worden gebruikt,” zei Daniel Skovronsky, M.D., Ph.D., chief scientific officer van Lilly en president van Lilly Research Laboratories en Lilly Immunology. Nisha Nanda, Ph.D., groeps‑vice‑president en hoofd van Lilly Catalyze360, verklaarde dat de meeste kleine biotechs geen toegang hebben tot de grootschalige, hoogwaardige gegevens die nodig zijn om effectieve modellen te trainen.
Volgens de officiële TuneLab‑site worden de propriëtaire fundamentele AI/ML‑modellen van het platform getraind op meer dan 500.000 preklinische datapunten die in meer dan 20 jaar zijn verzameld, inclusief in‑vivo en in‑vitro farmacokinetische en toxicologische gegevens, en hebben ze een brede toepasbaarheid voor kleine moleculen en antistof‑gebaseerde therapieën. De site meldt dat TuneLab wordt gehost door Rhino Federated Computing, een softwarebedrijf van derden waarvan het gefedereerde leerplatform is gebouwd op NVIDIA’s NV FLARE‑framework. Volgens de op de site beschreven workflow wordt een globaal model van een centrale orkestratieserver naar elke deelnemende bedrijfsnode gedistribueerd en getraind op lokale gegevens; alleen modelupdates, zoals wiskundige gewichten en parameters, worden teruggestuurd naar de centrale server, die de updates aggregeert om het globale model te verbeteren.
De site stelt ook minimale datacontributies voor lidmaatschap vast: bedrijven die kleine moleculen ontwikkelen, moeten minimaal 1.000 experimentele meetwaarden leveren (gedefinieerd als één molecuul waargenomen in een wet‑lab‑experiment om een eigenschap te meten), terwijl antistofbedrijven minimaal één gemeten eigenschap of eindpunt moeten bijdragen met 125 sequenties.
Antistofproductiecapaciteit van Twist
Op haar antistofproductie‑ en karakteriseringspagina stelt Twist dat ze antistoffen produceert met een industriële capaciteit van meer dan 6.000 IgG’s per week, met doorlooptijden vanaf 10 werkdagen voor HEK293‑expressie en 13 werkdagen voor CHO‑expressie, en een totale doorlooptijd van 10 tot 15 werkdagen voor HEK293 en 13 tot 18 werkdagen voor CHO. Het bedrijf vermeldt gemiddelde opbrengsten van ongeveer 180 microgram per 1 mL voor HEK293 en ongeveer 93 microgram per 1 mL voor CHO, geautomatiseerde lijnen die van tientallen tot duizenden antistoffen per bestelling produceren, en een startprijs van $102 per gezuiverde IgG voor beide celregels.
Twist stelt dat het karakteriseringsdata levert in zo weinig als 15 werkdagen. Zijn bindingsbeoordelingsdiensten omvatten affiniteitsrangschikking via Carterra LSA (SPR) of Octet (BLI), epitoop‑binning, en bevestiging van binding via ELISA of flowcytometrie op cellen. Ontwikkelbaarheidsprofilering omvat thermische stabiliteitsmeting via nanoDSF, aggregatie‑ en oplosbaarheidsanalyse met aSEC, AC‑SINS en DLS, en polyreactiviteit‑ en CIC‑screenings. Geavanceerde karakterisering omvat intacte massaspectrometrie, endotoxinetesten en cross‑reactiviteitsbeoordeling over verschillende diersoorten.
Twist positionert de dienst voor AI/ML‑modeltraining en stelt dat het hoogwaardige, modelklare datasets levert op industriële schaal om ontdekkingspijplijnen te voeden, en dat de infrastructuur bestellingen ondersteunt variërend van enkele kandidaten tot duizenden antilichamen voor modeltraining.
