Bioteknik
Twist Bioscience ska tillhandahålla antikroppsdatatjänster för Lilly TuneLab

Twist Bioscience Corporation (TWST ) meddelade den 16 september 2026 ett avtal med Lilly TuneLab, en samarbetsinriktad plattform för artificiell intelligens och maskininlärning inom läkemedelsupptäckt som skapats av Eli Lilly and Company (LLY ) . Under avtalet är det i South San Francisco baserade företaget en leverantör av antikroppskarakteriseringsdatatjänster för TuneLab, inklusive för AbLab, en modell för förutsägelse av antikroppsutvecklingsbarhet.
TuneLab skapades för att påskynda bioteknikinnovation genom att möjliggöra för deltagande företag att få tillgång till AI/ML‑modeller för läkemedelsupptäckt som tränats på årtionden av Lillys proprietära forskningsdata, och deltagande företag kan använda förutsägelsemodellerna för att snabbare välja ut kandidatmolekyler. Genom Twist‑avtalet kommer användare att kunna beställa antikroppstjänster från Twist med TuneLabs föredragna Twist‑protokoll för att generera våta‑lab‑data.
”Kvaliteten på en AI‑modells resultat beror på kvaliteten på de data som används för att träna den,” sade Emily M. Leproust, Ph.D., VD och medgrundare av Twist Bioscience. Leproust sade att Twist har skala och höggenomströmning för att generera den konsekventa och pålitliga antikroppskarakteriseringsdata som modellerna behöver för träning. Hon sade att TuneLab‑användare kan välja föredragna protokoll för att generera data med föredragna priser, vilket hjälper dem att mer effektivt välja antikroppssekvenser mot sina mål och bidra med dessa data tillbaka till TuneLab för federerad träning. Företaget sade att tillvägagångssättet kopplar experimentella data till AI‑stödd upptäckt, vilket kan låta forskare påskynda antikroppsmedicinsupptäckt.
Lilly TuneLab är en del av Lilly Catalyze360, tillsammans med Lilly Ventures, Lilly Gateway Labs och Lilly ExploR&D, som gemensamt stödjer bioteknikinnovation genom att erbjuda tillgång till strategiskt kapital, laboratorieutrymme och teknik samt forsknings‑ och utvecklingskapacitet.
TuneLabs federerade inlärningsmodell
Eli Lilly and Company lanserade Lilly TuneLab den 9 september 2025. Lilly uppskattar att den första releasen av AI‑modeller på plattformen inkluderar proprietära data som erhållits till en kostnad på över US$1 miljard, och sade att TuneLab drivs av dess fullständiga dataset för läkemedelsdisposition, säkerhet och prekliniska studier som representerar experimentella data insamlade med hundratusentals unika molekyler. I utbyte mot åtkomst bidrar utvalda biotekpartner med träningsdata, vilket Lilly sade driver en kontinuerlig förbättring av plattformen för andra i ekosystemet.
Lilly sade att plattformen hostas av en tredje part och använder federerad inlärning, ett integritetsskyddande tillvägagångssätt som möjliggör för biotechs att använda Lillys AI‑modeller utan att direkt exponera deras proprietära data eller Lillys. ”Lilly TuneLab skapades för att vara en jämnare så att mindre företag kan få tillgång till några av samma AI‑funktioner som används dagligen av Lilly‑forskare,” sade Daniel Skovronsky, M.D., Ph.D., Lillys chef för vetenskapliga frågor och president för Lilly Research Laboratories och Lilly Immunology. Nisha Nanda, Ph.D., gruppvicepresident och chef för Lilly Catalyze360, sade att de flesta små biotechs saknar tillgång till den storskaliga, högkvalitativa data som behövs för att träna effektiva modeller.
Enligt den officiella TuneLab‑sidan tränas plattformens proprietära grundläggande AI/ML‑modeller på mer än 500 000 prekliniska datapunkter som samlats in under mer än 20 år, inklusive in vivo- och in vitro-farmakokinetiska och toxikologiska data, och har bred tillämpning för små molekyler och antikroppsbaserade terapeutika. Sidan uppger att TuneLab hostas av Rhino Federated Computing, ett tredjepartsprogramvaruföretag vars federerade inlärningsplattform är byggd på NVIDIAs NV FLARE‑ramverk. Enligt arbetsflödet som beskrivs på sidan distribueras en global modell från en central orkestreringsserver till varje deltagande företags nod och tränas på lokala data; endast modelluppdateringar, såsom matematiska vikter och parametrar, överförs tillbaka till den centrala servern, som samlar in uppdateringarna för att förbättra den globala modellen.
Sidan anger också miniminivåer för datatillskott för medlemskap: företag som arbetar med små molekyler ombeds bidra med minst 1 000 experimentella avläsningar (definierat som en molekyl observerad i ett vått‑lab‑experiment för att mäta en egenskap), medan antikroppsföretag ombeds bidra med minst en uppmätt egenskap eller endpoint med 125 sekvenser.
Twists kapacitet för antikroppsproduktion
På sin sida för antikroppsproduktion och -karakterisering anger Twist att de producerar antikroppar med en industriell kapacitet på över 6 000 IgG per vecka, med ledtider som börjar på 10 arbetsdagar för HEK293‑expression och 13 arbetsdagar för CHO‑expression, samt en total ledtid på 10–15 arbetsdagar för HEK293 och 13–18 arbetsdagar för CHO. Företaget listar genomsnittliga avkastningar för 1 mL på cirka 180 µg för HEK293 och cirka 93 µg för CHO, automatiserade linjer som producerar från tiotal till tusentals antikroppar per beställning, samt ett startpris på $102 per ren IgG för båda celllinjerna.
Twist uppger att de levererar karakteriseringsdata på så lite som 15 arbetsdagar. Deras bindningsbedömningstjänster inkluderar affinitetsrankning via Carterra LSA (SPR) eller Octet (BLI), epitope‑binning samt bindningsbekräftelse genom ELISA eller flödescytometri på celler. Utvecklingsprofilering omfattar mätning av termisk stabilitet via nanoDSF, aggregerings‑ och löslighetsanalys med aSEC, AC‑SINS och DLS samt polyreaktivitets‑ och CIC‑screeningar. Avancerad karakterisering innefattar intakt masspektrometri, endotoxintestning och korsreaktivitetsbedömning över artsspecifika modeller.
Twist placerar tjänsten för AI/ML‑modellträning och påstår att de levererar högupplösta, modellklara dataset i industriell skala för att driva upptäcktspipeline‑arbeten, samt att deras infrastruktur stödjer beställningar från några få kandidater till tusentals antikroppar för modellträning.












