Twist Bioscience skal levere antistoffdatatjenester for Lilly TuneLab

Twist Bioscience Corporation (TWST ) kunngjorde den 16. september 2026 en avtale med Lilly TuneLab, en samarbeidsbasert kunstig intelligens‑ og maskinlæringsplattform for legemiddelforskning opprettet av Eli Lilly and Company (LLY ) . I henhold til avtalen er selskapet med base i South San Francisco en leverandør av antistoffkarakteriseringsdatatjenester for TuneLab, inkludert for AbLab, en modell for prediksjon av antistoffutviklingsdyktighet.

TuneLab ble opprettet for å akselerere bioteknologisk innovasjon ved å gjøre det mulig for deltakende selskaper å få tilgang til AI/ML‑legemiddelforskningsmodeller som er trent på tiår med Lillys proprietære forskningsdata, og deltakende selskaper kan bruke prediksjonsmodellene til raskere å velge ut kandidatmolekyler. Gjennom Twist‑avtalen vil brukerne kunne bestille antistofftjenester fra Twist ved å bruke TuneLabs foretrukne Twist‑protokoller for å generere våt‑lab‑data.

\”Kvaliteten på en AI‑modells output avhenger av kvaliteten på dataene som brukes til å trene den\”, sa Emily M. Leproust, Ph.D., administrerende direktør og medgründer av Twist Bioscience. Leproust sa at Twist har skalaen og høy‑gjennomstrømmingskapasiteten til å generere konsistente og pålitelige antistoffkarakteriseringsdata som modellene trenger for trening. Hun sa at TuneLab‑brukere kan velge foretrukne protokoller for å generere data med foretrukket pris, noe som hjelper dem med å mer effektivt velge antistoffsekvenser mot sine mål og bidra med disse dataene tilbake til TuneLab for federert trening. Selskapet sa at tilnærmingen knytter eksperimentelle data til AI‑drevet oppdagelse, og gjør det mulig for forskere å potensielt akselerere oppdagelsen av antistofflegemidler.

Lilly TuneLab er en del av Lilly Catalyze360, sammen med Lilly Ventures, Lilly Gateway Labs og Lilly ExploR&D, som sammen støtter bioteknologisk innovasjon ved å gi tilgang til strategisk kapital, laboratorieplass og teknologi, samt forsknings‑ og utviklingskapasiteter.

TuneLabs federerte læringsmodell

Eli Lilly and Company lanserte Lilly TuneLab den 9. september 2025. Lilly anslår at den første utgivelsen av AI‑modeller på plattformen inkluderer proprietære data innhentet til en kostnad på over 1 milliard USD, og sa at TuneLab drives av sine komplette datasett for legemiddelfordeling, sikkerhet og prekliniske studier som representerer eksperimentelle data innhentet med hundretusener av unike molekyler. Til gjengjeld for tilgang bidrar utvalgte biotek‑partnere med treningsdata, noe som ifølge Lilly gir kontinuerlig forbedring av plattformen for andre i økosystemet.

Lilly sa at plattformen hostes av en tredjepart og bruker federert læring, en personvern‑bevarende tilnærming som gjør det mulig for biotek‑selskaper å bruke Lillys AI‑modeller uten å direkte eksponere sine proprietære data eller Lillys. «Lilly TuneLab ble opprettet for å være en jevner slik at mindre selskaper kan få tilgang til noen av de samme AI‑kapasitetene som brukes hver dag av Lilly‑forskerne», sa Daniel Skovronsky, M.D., Ph.D., Lillys chief scientific officer og president for Lilly Research Laboratories og Lilly Immunology. Nisha Nanda, Ph.D., grupprådgiver og leder for Lilly Catalyze360, sa at de fleste små biotek‑selskaper mangler tilgang til de store, høykvalitetsdataene som trengs for å trene effektive modeller.

Ifølge det offisielle TuneLab‑nettstedet er plattformens proprietære grunnleggende AI/ML‑modeller trent på over 500 000 prekliniske datapunkter samlet inn over mer enn 20 år, inkludert in‑vivo og in‑vitro farmakokinetiske og toksikologiske data, og har bred anvendelse for små molekyler og antistoffbaserte terapeutika. Nettstedet oppgir at TuneLab hostes av Rhino Federated Computing, et tredjeparts programvareselskap hvis federerte læringsplattform er bygget på NVIDIAs NV FLARE‑rammeverk. I henhold til arbeidsflyten beskrevet på nettstedet distribueres en global modell fra en sentral orkestreringsserver til hver deltakende selskapsnode og trenes på lokale data; kun modelloppdateringer, som matematiske vekter og parametere, sendes tilbake til den sentrale serveren, som samler oppdateringene for å forbedre den globale modellen.

Nettstedet fastsetter også minimumskrav for datakontribusjon for medlemskap: selskaper som jobber med små molekyler blir bedt om å bidra med minst 1 000 eksperimentelle avlesninger (definert som ett molekyl observert i et våt‑lab‑eksperiment for å måle en egenskap), mens antistoff‑selskaper blir bedt om å bidra med minst én målt egenskap eller endepunkt med 125 sekvenser.

Twists kapasitet for antistoffproduksjon

På sin side for antistoffproduksjon og karakterisering oppgir Twist at de produserer antistoffer med en industriell kapasitet på over 6 000 IgG per uke, med leveringstider fra 10 arbeidsdager for HEK293‑ekspresjon og 13 arbeidsdager for CHO‑ekspresjon, og total leveringstid på 10 til 15 arbeidsdager for HEK293 og 13 til 18 arbeidsdager for CHO. Selskapet oppgir gjennomsnittlige 1 mL‑avkastninger på omtrent 180 mikrogram per HEK293‑prøve og omtrent 93 mikrogram per CHO‑prøve, automatiserte linjer som produserer fra titalls til tusenvis av antistoffer per bestilling, og en startpris på $102 per renset IgG for begge cellelinjer.

Twist oppgir at de leverer karakteriseringsdata på så få som 15 arbeidsdager. Deres tjenester for bindingsvurdering inkluderer affinitetsrangering via Carterra LSA (SPR) eller Octet (BLI), epitop‑binning og bindingsbekreftelse gjennom ELISA eller flowcytometri på celler. Profilering av utviklingsmuligheter omfatter måling av termisk stabilitet via nanoDSF, aggregasjons‑ og løselighetsanalyse ved bruk av aSEC, AC‑SINS og DLS, samt polyreaktivitets‑ og CIC‑skjermer. Avansert karakterisering inkluderer massespektrometri av intakte prøver, endotoksintesting og tverrreaktivitetsvurdering på tvers av artsmodeller.

Twist posisjonerer tjenesten for AI/ML-modelltrening, og sier at den leverer datasett med høy nøyaktighet, klare for modellbruk, i industriell skala for å drive oppdagelses‑pipelines, og at infrastrukturen støtter bestillinger fra noen få kandidater til tusenvis av antistoffer for modelltrening.