Kế hoạch peptide AI trị giá 300 triệu USD của GenScript: Hướng dẫn kiểm tra của người mua

Trả lời nhanh

Khoản tăng 300 triệu đô la AI của GenScript mở rộng thiết kế peptide trước khi xác thực. Đây là cách người mua kiểm tra các nhà cung cấp peptide AI về dữ liệu phát hành, không phải số liệu mô hình.

Tại sao $300 Triệu điểm chuẩn định hình lại AI trong việc khám phá và phát triển peptide

bảng bên trái hiển thị trình tự do AI tạo trên màn hình và bảng bên phải hiển thị trình tự tương tự như trình tự tổng hợp, Lọ theo dõi HPLC có chất phân tích

Tháng 9 của GenScript 2026 đặt chia sẻ đại khái $300 hàng triệu đằng sau một yêu cầu duy nhất: rằng nút thắt trong AI trong việc khám phá và phát triển peptide nằm ở phía trước của quy trình, không phải phía sau. Công ty đã ban hành 77,126,000 cổ phiếu mới ở mức 30,50 đô la Hồng Kông mỗi cổ phiếu cho ít nhất sáu nhà đầu tư độc lập, huy động được khoảng 2,33 tỷ đô la Hồng Kông ròng (các điều khoản của việc đặt, 2026-09-17). “300 triệu đô la” được lặp đi lặp lại rộng rãi là một đặc điểm tròn trịa của khoản tăng đó chứ không phải là một con số từ chính hồ sơ.

Kế hoạch peptide AI trị giá 300 triệu USD của GenScript: Hướng dẫn kiểm tra của người mua

Nơi tiền đổ bộ quan trọng hơn tiêu đề. Phân tích phân bổ tài trợ hướng khoảng 1,63 tỷ đô la Hồng Kông vào năng lực và cơ sở hạ tầng nền tảng khám phá thuốc do AI điều khiển, khoảng 470 triệu đô la Hồng Kông đến R&D, tích hợp quy trình làm việc kỹ thuật số và mở rộng toàn cầu, và khoảng 230 triệu đô la Hồng Kông cho các mục đích chung của công ty (2026-09-17). Mục tiêu tự động hóa đã nêu là quy trình làm việc “Chuyển gen thành protein” chạy từ trình tự do AI tạo ra đến cấu trúc sinh học cho đến xác nhận thử nghiệm, được xây dựng dựa trên “Công cụ xác thực AI-sinh học trong 4 ngày” và mục tiêu là về 60% năng lực sản xuất toàn cầu được hỗ trợ bởi công nghệ tự động hóa AI vào cuối năm 2026. các Liên kết Me Bio được mô tả là kết nối thiết kế phân tử AI với xác nhận nhanh chóng trong phòng thí nghiệm (2026-08-05).

Một lưu ý tìm nguồn cung ứng trước khi phân tích: số liệu về vị trí và phân bổ theo dõi một thông báo vị trí ngược dòng duy nhất được báo cáo lại trên các cửa hàng tài chính, vì vậy chúng là một nguồn, không phải bốn xác nhận độc lập. Phần còn lại của bài viết này kiểm tra các điểm bàn giao trong đó dự đoán được tài trợ trở thành tài liệu cấp xét nghiệm hoặc không.

Kế hoạch peptide AI trị giá 300 triệu USD của GenScript: Hướng dẫn kiểm tra của người mua

Chìa khóa mang đi: Vốn nhắm vào phân khúc trước khi xác nhận thử nghiệm, điều đó có nghĩa là điểm chuẩn để đánh giá không phải là hiệu suất của mô hình mà là những gì còn sót lại trong quá trình tổng hợp, thanh lọc và xác nhận danh tính.

Quan điểm thông thường: AI đã nén các mốc thời gian khám phá peptide

Vị trí chủ đạo là thiết kế sáng tạo, tối ưu hóa đa thông số, và điện toán hiệu năng cao đã thu gọn dòng thời gian từ thiết kế đến ứng viên, và các nền tảng của nhà cung cấp đó hiện cung cấp khả năng khám phá thuốc peptide AI toàn diện. GenScript tuyên bố rằng quy trình làm việc “Chuyển gen thành protein” của nó đang được xây dựng hướng tới mục tiêu đó, bên cạnh mục tiêu tự động hóa đã nêu đại khái là thế 60% năng lực sản xuất toàn cầu của nó sẽ được hỗ trợ bởi công nghệ tự động hóa AI vào cuối năm 2026. The Tamarind Bio tie-up is presented as connecting AI molecular design with rapid lab validation, và cơ chế học tập liên kết thuộc Lilly TuneLab có các công nghệ sinh học thành viên đóng góp kết quả thử nghiệm để cải thiện các mô hình dự đoán khả năng phát triển và các đặc tính của ADMET.

Kế hoạch peptide AI trị giá 300 triệu USD của GenScript: Hướng dẫn kiểm tra của người mua

Chế độ xem này phổ biến vì nó đúng về mặt định hướng và dễ đọc về mặt thương mại. Một thập kỷ đạt được những thành tựu thực sự trong việc dự đoán cấu trúc và mô hình hóa đặc tính đã tạo nền tảng cho tuyên bố này, và các nhà cung cấp hiện nay tiếp thị toàn bộ chuỗi như một sản phẩm. So sánh nền tảng riêng của nhà cung cấp báo cáo lớn hơn 95% tỷ lệ tổng hợp thành công chống lại một 75% trung bình ngành, với trình tự lên tới 200 axit amin chống lại một quy định 4 ĐẾN 50 trung bình thị trường axit amin. Những số liệu đó là do nhà cung cấp nêu, không được xác minh độc lập.

Nơi phá vỡ chế độ xem thông thường: Ba điểm bàn giao

một quy trình từ thiết kế đến xét nghiệm với ba điểm dừng được đánh dấu được dán nhãn giao thức đánh giá, tính khả thi tổng hợp, và chất lượng vật liệu, mỗi cái thể hiện cái gì

Đường ống không liên tục, and its discontinuities are where candidates die. A model score, a synthesis run, and an assay readout are three separate systems with three separate failure modes, and the conventional view collapses them into one smooth line from sequence to result.

The first break is evaluation protocol inflation. Reported metrics are often quoted without distinguishing a random-split test set from a structurally dissimilar one, so a headline number can read as validated performance when it reflects only how well a model interpolates within familiar sequence space. The recent review of data-driven peptide design makes this critique directly: điểm phân biệt đối xử được báo cáo có thể giảm đáng kể khi bộ bài kiểm tra được chia theo giàn giáo thay vì ngẫu nhiên, đó là sự phân chia giống với một ứng cử viên thực sự mới lạ.

Điểm đột phá thứ hai là tính khả thi tổng hợp, đây không phải là đầu ra của mô hình. Khi các trình tự do AI đề cử đến được nhựa, danh sách kiểm tra chuyển giao CDMO nêu tên các chế độ lỗi tiếp theo: hủy bảo vệ Fmoc không đầy đủ, sự suy giảm khớp nối và trở ngại không gian từ sự kết tụ trên nhựa, Trình tự xóa N-1 và N-2 khỏi các khớp nối không thành công, độ tinh khiết thô thấp, và khả năng phục hồi thấp. Độ dài làm phức tạp thêm vấn đề. Hướng dẫn riêng của GenScript nêu rõ rằng các peptide dài hơn 100 Axit amin “cực kỳ khó tổng hợp” và được xử lý từng trường hợp thông qua sự phân mảnh và nối, mỗi hướng dẫn tổng hợp riêng của nhà cung cấp.

Lần nghỉ thứ ba là tạo tác khảo nghiệm. Các tập hợp keo có kích thước dưới micron có thể hấp phụ không đặc hiệu vào các tấm và chip cảm biến, tạo ra các tín hiệu nano nhân tạo biến mất trước sự điều khiển đơn phân tán.

Kiểm soát chất lượng tổng hợp peptide là nơi những vết nứt này xuất hiện. Cả ba đều có chung một nguyên nhân gốc rễ: quan điểm thông thường xử lý một dự đoán như một kết quả.

⚠️ Cảnh báo: Chỉ số do mô hình báo cáo không được xác thực hiệu suất cho đến khi nó tồn tại trong phần phân tách phản ánh tính mới của trình tự thực.

Dữ liệu thực sự cho thấy gì về các peptide do AI thiết kế

Những con số tương tự được trích dẫn làm bằng chứng về sự thành công của thiết kế do AI điều khiển hỗ trợ cho một tuyên bố hẹp hơn: AI là lớp phân loại và ưu tiên có đầu ra là giả thuyết, không phải là một kết quả. Đọc các điều kiện đánh giá và mức trần sẽ hiển thị.

Báo cáo điểm chuẩn về khả năng phát triển chỉ theo trình tự 91.09% tan máu, 86.30% không bẩn, Và 75.56% độ chính xác hòa tan dưới sự phân chia được kiểm soát tương tự (điểm chuẩn về khả năng phát triển chỉ theo trình tự, 2023-11). Độ chính xác được báo cáo của PeptideBERT nằm trong phạm vi tương thích trên các điểm cuối chồng chéo, đại khái 86.05% tan máu, 88.37% không bẩn, Và 70.02% độ hòa tan, đó là sự chứng thực độc lập một phần chứ không phải là tiếng vang (Bản in sẵn peptideBERT, 2023-09). Độ hòa tan là điểm cuối yếu nhất trong cả hai.

Công việc về độ hòa tan CamSol-PTM cho thấy lý do tại sao điều đó lại quan trọng đối với việc sàng lọc khả năng phát triển peptide: tương quan Pearson trung bình của 0.72 trên các peptide axit amin không tự nhiên, rơi xuống 0.58 trên các biến thể GLP-1 và 0.60 trên tập tổng quát, với hai thiết kế bị loại trừ vì không thể sản xuất được (CamSol-PTM, Truyền thông thiên nhiên, 2023-11). Một mô hình có thể xếp hạng tốt độ hòa tan mà vẫn đề cử các trình tự không thể thực hiện được.

Chuỗi ba cổng thay thế điểm tin cậy duy nhất: phân loại tính toán, sau đó là màn hình tổng hợp tính khả thi, sau đó phát hành phân tích. Một ứng cử viên chỉ tiến bộ dựa trên bằng chứng thực nghiệm ở mỗi cổng, đó là ý nghĩa của việc xác nhận peptide do AI thiết kế trong thực tế.

Cách tiếp cận tốt hơn: Kiểm tra dữ liệu phát hành, Không phải số liệu mẫu

Đánh giá các nhà cung cấp peptide hỗ trợ AI trên tài liệu phát hành phân tích của họ, không phải về hiệu suất mô hình mà họ báo cáo. Nguyên tắc đằng sau sự thay đổi đó rất đơn giản: một dự đoán chỉ tốt khi tài liệu mà nhà cung cấp có thể giao cho bạn kèm theo hồ sơ phân tích có thể theo dõi được đằng sau nó. Bốn yêu cầu tiếp theo từ các điểm chuyển giao ở trên.

  • Yêu cầu điều kiện đánh giá đằng sau mỗi tuyên bố về hiệu suất. Sự phân chia ngẫu nhiên và tập kiểm tra có cấu trúc khác nhau sẽ tạo ra những con số rất khác nhau, và chỉ một trong số chúng cho bạn biết mô hình hoạt động như thế nào về mặt hóa học mà nó chưa từng thấy.

  • Yêu cầu xác nhận danh tính trực giao, không một cuộc kiểm tra hàng loạt nào. Bộ xác thực trực giao được đề xuất ghép RP-HPLC trên C18 và C4 với ESI-MS hoặc MALDI-TOF, thêm lưỡng sắc tròn trên tia cực tím xa 190 ĐẾN 260 bước sóng, DLS hoặc SEC-MALS có chỉ số đa phân tán bên dưới 0.15, và xét nghiệm của Ellman về thiol tự do theo 0.05 mol SH/mol peptit. Đây là những tiêu chí do nhà xuất bản đề xuất, không phải là nhiệm vụ của cơ quan tiêu chuẩn, vì vậy hãy coi chúng như một thông số kỹ thuật ban đầu để đàm phán.

  • Yêu cầu truy xuất nguồn gốc theo lô và quy ước đã nêu. Công ước về cân bằng khối lượng tổng số peptide mục tiêu, tạp chất peptit, chống ion và nước để 100% là yếu tố làm cho con số độ tinh khiết có thể so sánh được giữa các lô.

  • Tổng hợp peptit Yêu cầu bằng chứng tăng quy mô từ mg đến kg, không phải là một cuộc biểu tình quy mô đơn lẻ. Phạm vi thang đo được công bố mô tả thông số kỹ thuật của nhà cung cấp thay vì điểm chuẩn độc lập, vì vậy hãy hỏi dữ liệu phát hành thực sự đến từ quy mô nào.

Để biết tiền boa: Yêu cầu giao thức phân chia trước khi bạn yêu cầu số hiệu suất. Nhà cung cấp có thể mô tả bộ thử nghiệm thường cũng có thể mô tả dữ liệu xét nghiệm.

Các nhà cung cấp như MOL Changes xuất bản tài liệu phát hành phân tích thuộc loại này, điều này làm cho việc kiểm tra trở thành một yêu cầu cung cấp tài liệu thay vì phỏng đoán khả năng. Đây là lúc việc kiểm soát chất lượng tổng hợp peptide không còn là tuyên bố tiếp thị nữa mà trở thành một tập hợp các tệp bạn có thể đọc.

Làm thế nào để áp dụng điều này: Trình tự đánh giá của người mua

Yêu cầu gói phát hành phân tích trước khi bạn xem qua bảng khả năng. Sự đảo ngược duy nhất đó thay đổi cuộc trò chuyện từ những gì một mô hình có thể dự đoán sang những gì nhà cung cấp có thể chứng minh, và đó là cách nhanh nhất để phân loại các nhà cung cấp đã xác thực tài liệu từ các nhà cung cấp đã xác thực các slide.

  1. Yêu cầu giao thức đánh giá đằng sau mọi số liệu mô hình được báo cáo. Yêu cầu phương pháp phân chia đào tạo/kiểm tra, bố cục tập hợp được tổ chức, and whether the reported figure comes from retrospective scoring or prospective synthesis. Same-day ask, and the answer tells you whether the number is a benchmark or a marketing asset.

  2. Gửi một trình tự khó đã biết làm bản thăm dò tính khả thi. Một đoạn kéo dài kỵ nước hoặc dễ kết tụ tiết lộ nhiều điều hơn một peptide trong danh mục sẽ. Peptide kết thúc 100 axit amin được xử lý theo từng trường hợp theo hướng dẫn tổng hợp của chính nhà cung cấp, vì vậy hãy chọn đầu dò gần ranh giới đó thay vì bên trong phạm vi thoải mái. Ngày đến tuần.

  3. Kiểm tra gói phân tích dựa trên xác nhận trực giao, không một dấu vết LC-MS nào. Một khối phổ xác nhận khối lượng, không theo trình tự. Hỏi cách nhà cung cấp áp dụng bộ xác nhận trực giao được đề xuất và phương pháp nào là thông thường so với được trích dẫn riêng.

  4. Yêu cầu dữ liệu theo lô và quy ước cân bằng khối lượng được sử dụng để báo cáo hàm lượng peptide ròng. Đây là nơi quy ước cân bằng khối lượng quan trọng: Peptide tổng hợp độ tinh khiết biểu thị theo khối lượng peptide và độ tinh khiết biểu thị theo tổng trọng lượng khô là những tuyên bố khác nhau, and only one of them survives scale-up.

  5. Confirm scale-up evidence from milligram through kilogram with purity held at specification. The published scale ranges show what a supplier advertises; the lot history shows what it repeats.

    Bước chân

    Artifact requested

    Những gì nó thiết lập

    Typical effort

    1

    Evaluation protocol and split methodology

    Whether the metric is prospective or retrospective

    Same day

    2

    Feasibility probe on a difficult sequence

    Whether design claims survive synthesis

    Ngày đến tuần

    3

    Orthogonal confirmation package

    Sequence identity beyond a single trace

    ngày

    4 Sản xuất peptit

    Lot-to-lot data and mass-balance convention

    Whether purity claims are comparable across lots

    Tuần

    5

    Scale-up evidence, mg sang kg

    Liệu thông số kỹ thuật có giữ nguyên khi kích thước lô tăng lên hay không

    dài hạn hơn

Theo dõi xem độ tinh khiết và danh tính có giữ được trên nhiều lô hay không, không phải liệu lô đầu tiên có trôi qua hay không. Nhà cung cấp không có thăm dò tính khả thi hoặc lịch sử lô hàng sẽ không bị loại, nhưng nó chưa được xác minh, và bạn nên đánh giá sự không chắc chắn đó trong quyết định.

Lập luận này yếu nhất ở đâu

Tiêu chuẩn công bố phân tích được đề xuất ở đây không phải là yêu cầu pháp lý, và nhà cung cấp đáp ứng được điều đó không phải là đối tác khoa học tốt hơn. Đó là khung thẩm định phía người mua, được tập hợp từ thực tiễn đã xuất bản thay vì từ bất kỳ hướng dẫn ràng buộc nào. Bộ xác thực trực giao được mô tả trong phần trước là do nhà xuất bản đề xuất, và không có cơ quan quản lý nào bắt buộc nhà tài trợ phải chạy nó trước khi trích dẫn kết quả của nền tảng thiết kế.

Sự khác biệt đó quan trọng nhất trong công việc khám phá ban đầu. Nếu mục tiêu là xếp hạng các giả thuyết để nhóm nghiên cứu phân loại, số liệu mô hình có thể hoàn toàn đủ, và yêu cầu kiểm tra phát hành đầy đủ ở giai đoạn đó là không tương xứng với mục đích của công việc. Quá trình kiểm tra sẽ thu được chi phí khi dự đoán sắp trở thành tài liệu cấp xét nghiệm.

Một hạn chế trung thực: phê bình về giao thức đánh giá một phần dựa trên các số liệu chuẩn không thể được xác minh lại trong vòng nghiên cứu này. Nếu những số liệu đó giảm đi ít hơn khi phân chia nghiêm ngặt so với báo cáo, sự phê bình yếu đi, mặc dù các điểm chuyển giao mà nó mô tả vẫn có thể quan sát được trong thực tiễn tổng hợp và tinh lọc đã được công bố.

Quan điểm là các dự đoán cần được kiểm tra, không bị sa thải. Sắp xếp bằng chứng là lập luận, không bác bỏ các phương pháp tính toán.

Nhưng thiết kế nhanh hơn vẫn không tạo ra giá trị thực?

Đúng, và không có gì trong lập luận này phủ nhận nó. Nén không gian tìm kiếm và quyết định chuỗi nào đáng thực hiện là công việc thực sự với mức tiết kiệm thực sự, và đó là nơi AI trong việc khám phá và phát triển peptide đã giành được vị trí của mình.

Ví dụ được công bố rõ ràng nhất là nghiên cứu học tập tích cực được sàng lọc bởi AlphaFold, báo cáo đang phục hồi 50% của tất cả các chất kết dính sử dụng 15% trong số các truy vấn mà việc lấy mẫu toàn diện sẽ yêu cầu, cải thiện 3,3 lần so với lấy mẫu ngẫu nhiên. Đó là mức tăng đáng kể về hiệu quả truy vấn, và cần phải chính xác về những gì nó đo lường: một người mẫu phải đánh giá bao nhiêu ứng viên để đưa ra danh sách rút gọn. Kết quả là bản in trước và chưa được bình duyệt, vì vậy hãy coi mức độ lớn là tạm thời thay vì giải quyết.

Sự bất đồng hẹp hơn so với vẻ ngoài của nó. Hiệu quả truy vấn là lợi ích ở giai đoạn thiết kế. Nó cho bạn biết trình tự nào cần đặt hàng. Nó không nói gì về việc liệu chất kết dính bạn thu hồi có thể được tổng hợp theo đặc điểm kỹ thuật hay không, được tinh chế đến mức tạp chất có thể chấp nhận được, hoặc xác nhận bằng phương pháp trực giao. Một danh sách rút gọn không thể xóa các bước đó là con đường nhanh hơn dẫn đến lô không thành công.

Điều gì sẽ xảy ra nếu chúng ta đã đầu tư vào Nền tảng thiết kế AI?

Khoản đầu tư không bị lãng phí, và quá trình chuyển đổi mang tính bổ sung hơn là khởi động lại. Một nền tảng thiết kế tiếp tục làm tốt những gì nó làm: xếp hạng ứng viên, gắn cờ nợ phải trả, và thu hẹp một không gian chuỗi lớn vào một danh sách rút gọn đáng để thực hiện. Những thay đổi là tổ chức bổ sung tính khả thi và phát hành cổng xuôi dòng, trong đó mỗi ứng viên lọt vào danh sách được đánh giá dựa trên khả năng tổng hợp, hành vi thanh lọc, và xác nhận danh tính trực giao trước khi tiêu tốn dung lượng xét nghiệm. Hai lớp bổ sung cho nhau, không cạnh tranh.

Trình tự thực tế rất đơn giản. Giữ mô hình. Thêm đầu dò. Sau đó yêu cầu gói phân tích đầy đủ về ba ứng viên đầu tiên trước khi mở rộng mối quan hệ với công việc thường ngày. Bước cuối cùng quan trọng vì nó chuyển đổi mối quan hệ nhà cung cấp thành mối quan hệ được ghi lại: bạn tìm hiểu cách các dự đoán của nền tảng hoạt động theo tiêu chí phát hành của riêng bạn, theo trình tự của riêng bạn, thay vì chống lại một bộ điểm chuẩn.

Trường hợp số liệu chuyển đổi sẽ hữu ích, lưu ý rằng số liệu thuộc loại này thay đổi tùy theo nguồn, vì vậy hãy thận trọng với bất kỳ số nào. Sự sắp xếp học tập liên kết là một minh họa hữu ích cho nguyên tắc cơ bản: đầu ra thiết kế và kết quả thử nghiệm cải thiện lẫn nhau khi chúng được kết nối thành một vòng lặp thay vì được giữ trong các hệ thống riêng biệt.

Bạn phản ứng thế nào với việc các nhà cung cấp trích dẫn các tiêu chuẩn được công bố mạnh mẽ?

Tham gia vào phương pháp luận của điểm chuẩn thay vì tranh cãi về con số của nó. Điểm cao trong phần phân chia kiểm tra đào tạo ngẫu nhiên và điểm thấp hơn trong phần phân chia giàn giáo hoặc liên kết đơn đều là thước đo chính xác cho những thứ khác nhau, và câu hỏi hữu ích là phép đo mà tuyên bố của nhà cung cấp thực sự mô tả. Đó là câu hỏi về phạm vi, không phải về sự trung thực.

Đánh giá gần đây về thiết kế peptide dựa trên dữ liệu làm cho điều này trở nên cụ thể: sự phân chia ngẫu nhiên để các phần tương tự gần như trùng lặp nằm ở cả hai phía của phân vùng, vì vậy, một mô hình có thể đạt điểm cao bằng cách nhận ra họ hàng gần của tập huấn luyện của nó thay vì khái quát hóa một chuỗi hóa học mới. Sự phân chia giàn giáo và liên kết đơn sẽ loại bỏ lối tắt đó và tạo ra mức thấp hơn, những con số trung thực hơn.

Công việc hòa tan CamSol-PTM cho thấy tác dụng tương tự ở cấp độ điểm cuối. Hiệu suất trung bình được báo cáo của nó là khoảng 0.72 vượt qua điểm chuẩn, nhưng giảm xuống khoảng 0.58 trên các biến thể GLP-1, phạm vi hẹp hơn và khó hơn. Cả hai hình đều là thật. Toàn bộ câu chuyện cũng không.

Để xác nhận peptide do AI thiết kế, động thái thực tế là hỏi xem phần chia nào, điểm cuối nào, và phạm vi hóa học nào tạo ra số lượng. Các nhà cung cấp công bố phương pháp phân chia của họ sẽ dễ dàng đánh giá hơn, không khó hơn, bởi vì yêu cầu bồi thường đến kèm theo ranh giới của nó.

Sự thay đổi mà ngành cần

Điểm chuẩn của GenScript $300 triệu đợt tăng lương phải được đo lường bằng khả năng phát hành phân tích, không phải số liệu mô hình. Đó là lập luận mà phần này đã xây dựng hướng tới, và nó diễn ra trực tiếp từ khuôn khổ tăng lương của chính ban quản lý: vốn mở rộng phần trước khi xác nhận thử nghiệm, trong khi thực hiện tổng hợp, sự chặt chẽ trong phân tích, và khả năng sản xuất vô trùng vẫn không thay đổi.

Điều cần thay đổi là chuẩn mực thị trường, không phải cách làm của một nhà cung cấp nào. Các nhà cung cấp peptide hỗ trợ AI nên công bố các điều kiện đánh giá cùng với các tuyên bố về hiệu suất, và phát hành dữ liệu phân tích trực giao cùng với các gói năng lực, tuân theo một cái gì đó giống như bộ xác nhận trực giao được đề xuất thay vì con số chính xác về tiêu đề. Người mua nên yêu cầu cả hai trước khi coi yêu cầu thiết kế là sản phẩm có thể bàn giao.

Tầm nhìn khiêm tốn nhưng hữu ích: “Được thiết kế bởi AI” trở thành một tuyên bố về nguồn gốc của trình tự, và gói phát hành quyết định liệu nó có thể sử dụng được hay không. Bước tiếp theo là bê tông. Yêu cầu tài liệu phân tích và gói xác nhận cho ứng viên mà bạn đang đánh giá, và đánh giá nhà cung cấp về những gì gói đó thực sự thể hiện về AI trong quá trình khám phá và phát triển peptide.

Tiết lộ: MOL Changes hoạt động trong thị trường CDMO peptide được thảo luận ở đây, vì vậy phân tích này mang lại lợi ích thương mại. Không có gì trong bài viết này là lời khuyên y tế hoặc lâm sàng; tham khảo ý kiến ​​​​chuyên gia có trình độ trước khi đưa ra quyết định có ý nghĩa sinh học hoặc lâm sàng.

Tiểu Hạ Trần

Tiểu Hạ Trần

Thuốc mới R&D Kỹ thuật viên Chuyên môn cốt lõi: Phát hiện mục tiêu, mối quan hệ cấu trúc-hoạt động (SAR) Phân tích, liên hợp thuốc-peptide (PDC), và sự phát triển của các peptide chống lão hóa và trao đổi chất.

Hồ sơ: Xiaoxia Chen đã dẫn đầu việc phát hiện sớm và nghiên cứu tiền lâm sàng đối với một số loại thuốc peptide chuyển hóa và nhắm mục tiêu vào khối u. Cô ấy không chỉ thành thạo trong việc sàng lọc các thư viện peptide thông lượng cao mà còn có kỹ năng sử dụng sinh học tính toán được hỗ trợ bởi AI để thiết kế chuỗi peptide de novo. Hiện nay, cô ấy đang lãnh đạo một nhóm chuyên nghiên cứu và phát triển chuyên sâu các chất chủ vận đa chức năng thế hệ tiếp theo (chẳng hạn như kép- hoặc peptide giảm mỡ ba mục tiêu) và các peptide sửa chữa mô có hoạt tính cao.

Đã kiểm tra thực tế & Hướng dẫn biên tập
Được đánh giá bởi: Chuyên gia về chủ đề
Chia sẻ bài viết này
Trang chủ Tìm kiếm Whatsapp Dịch vụ Sản phẩm