相关动态
insitro 于 2026 年 10 月 6 日宣布，其与 Eli Lilly and Company（Lilly）共同构建的先进机器学习模型现已在 Lilly TuneLab™ 中开放给部分生物技术公司使用。该模型用于预测小分子的体外性质，更关键的是预测其体内性质，包括体内药代动力学行为。据称模型训练所用数据来自 Lilly 数十年研究积累的多物种临床前数据。所给文本在描述数据来源时中断，未提供更多细节。
2026年10月6日，insitro 宣布，其与 Eli Lilly and Company 共同构建、可预测小分子体外及体内性质的先进机器学习模型，现已在 Lilly TuneLab™ 中供部分生物科技公司使用。模型基于 Lilly 数十年研究积累、来自数十万个独特分子的多物种临床前数据训练，为当前从体外实验外推的行业标准做法提供了替代方案，并将随数据集扩充持续更新。该合作于2025年9月宣布，结合了 insitro 的 AI/ML 能力与 Lilly 的 ADMET 专有数据集。insitro 创始人兼 CEO Daphne Koller 表示，进入临床的项目有九成失败，这些模型可先把分子的体内行为变成计算问题。
insitro与Eli Lilly and Company（Lilly）合作，依托Lilly数十年研发积累的专有数据语料构建机器学习模型，预测小分子的体内性质。该体内PK模型已于10月6日上线Lilly TuneLab，可预测小鼠、大鼠、狗、猴四种临床前物种的体内药代动力学。由于体内PK数据有限，现有模型多聚焦体外ADME值预测，而该模型直接预测分子的体内PK行为，旨在超越当前基于体外实验外推的行业标准方法，从而可能优先筛选进入昂贵且耗时动物实验的化合物。单次动物静脉给药实验可产生血浆清除率（CL）、稳态分布容积（Vdss）与平均滞留时间（MRT）三个PK数据点。
insitro在ADA第86届科学会议上报告，其AI发现的肝脏靶向IRS1候选药物CTRO-1013在行业标准纤维化MASH小鼠模型中，降低与纤维化进展和肝细胞损伤相关的循环生物标志物，且该效应似乎部分独立于肝脏脂肪减少。人类遗传学分析显示IRS1相关纤维化信号在校正肝脏脂肪后仍存在；IRS1是480个肝脏脂肪遗传信号中最强者。公司正推进CTRO-1013的IND-enabling研究，目标年内首次人体试验。
insitro宣布扩大与百时美施贵宝（BMS）在肌萎缩侧索硬化（ALS）药物研发上的合作。基于其Virtual Human™因果发现平台，insitro利用机器学习分析来自人类细胞系统的数十亿多模态数据点，发现了此前未知的生物学靶点。BMS提名了两个新的靶点ALS-2和ALS-3，而insitro将推进其针对ALS-1的寡核苷酸项目，同时为BMS推进一个小分子药物。该平台使用超过200种不同的ALS细胞系，包括家族性和散发性病例，并开发了快速生成运动神经元的技术及成像筛选平台。此次扩展强调了在常规方法屡遭失败的疾病中，采取根本性不同策略的价值。
insitro宣布扩大与Bristol Myers Squibb（BMY）在肌萎缩侧索硬化（ALS）领域的战略合作。BMS通过insitro的Virtual Human™平台新提名两个靶点ALS-2和ALS-3，这两个靶点将与此前于2024年12月提名的初始靶点ALS-1共同推进。双方将采用多种治疗模式：insitro推进ALS-1的自身寡核苷酸项目，同时为BMS推进ALS-1的小分子项目。insitro因两个新增靶点的入选获得1000万美元里程碑付款。CEO Daphne Koller表示，该平台能够绘制ALS对运动神经元影响的数据图谱，识别神经退行性病变的新驱动因素，以加速为患者提供疾病修饰疗法。
人体中的棕色脂肪组织富含线粒体和解偶联蛋白，通过非颤抖性产热消耗能量，与有利的代谢特征相关，但传统测量依赖 PET-CT，难以大规模应用，阻碍了遗传架构的解析。insitro 在本周的 Keystone 肥胖治疗研讨会上展示了借助 AI 从 MRI 中提取测量数据的方法，实现了人群规模的遗传分析。创始人 Daphne Koller 指出，人类遗传学需要数万人规模的数据，而 AI 使从 MRI 获取测量成为可能。这一进展有望弥补啮齿动物研究转化失败的缺口，为代谢疾病药物开发开辟新途径。
insitro在2026年2月2日报告了首项基于AI的人类棕色脂肪组织（BAT）全基因组关联研究（GWAS）。利用UK Biobank的MRI数据（n=69,598），通过计算机视觉量化BAT表型，他们识别出与BAT相关的遗传位点，并验证了靶点BAT-01。在饮食诱导的肥胖小鼠模型中，BAT-01敲低导致体重下降15%，同时保留瘦体重，提示可能通过外周机制而非中枢食欲抑制起作用。该研究为BAT在代谢健康中的作用提供了证据。
insitro 于 2026 年 1 月 12 日宣布收购 CombinAbleAI，并推出 TherML™（治疗性机器学习）平台。该收购预计于 2026 年 1 月底完成，将整合 CombinAbleAI 的下一代生物制品设计能力与 insitro 现有小分子和寡核苷酸能力，形成覆盖小分子、寡核苷酸、抗体及其他复杂生物制品的统一 AI 引擎。CombinAbleAI 的物理信息 AI 优化引擎预训练了超过 10 万个分子动力学替代模型，用于预测蛋白质结构。insitro 称，该平台将效力和可制造性视为相互依赖的设计标准，旨在降低后期开发风险。
insitro推出TherML™（治疗机器学习）平台，旨在解决药物发现中靶点与治疗干预不匹配的问题。该平台整合小分子、寡核苷酸和复杂生物制品，将发现从随机筛选转为预测性和适应性工程，在投入大量资源前于计算机内同时优化效力和可开发性。TherML利用来自大型生物库的遗传和表型数据以及虚拟人类模型，通过闭环主动学习系统迭代生成数据，并与自动化实验室集成，以不断改进预测性能。这使药物发现能基于疾病生物学需求而非内部技术能力来选择治疗模式。
insitro 宣布将收购 CombinAbleAI，并同步推出 TherML（治疗机器学习）平台，该平台被描述为单一、模态无关的 AI 引擎，用于药物发现和设计。交易预计于 2026 年 1 月下旬完成，旨在将 insitro 的能力从小分子和寡核苷酸扩展至抗体及其他复杂生物制品，构建从靶点发现到可开发性评估的端到端系统。TherML 利用生物学指导模态选择和分子设计，将可开发性考量（如稳定性和可制造性）提前，而非先优化效力再评估可制造性。对于复杂生物制品，TherML 将整合 CombinAbleAI 的物理信息优化引擎，该引擎已在超过 10 万个分子动力学替代模型上进行了预训练，以预测蛋白质结构和柔性。小分子方面，TherML 利用定量自适应文库映射化学空间并生成局部训练数据；寡核苷酸方面，应用 AI 和自动化实现 siRNA 候选设计的工业化。平台还包括基于内部数据集和行业合作数据构建的 ADMET 预测模型。收购后，C
insitro于2025年12月16日宣布，验证其POSH平台的研究发表于《Nature Communications》。研究团队开发了CellPaint-POSH，将pooled CRISPR筛选、高内涵成像与自监督深度学习结合，无需预设生物标志物或人工假设，即可大规模绘制基因功能图谱。多个大规模实验表明，有生物学意义的基因网络能直接从形态学读数和AI嵌入中涌现；相比传统假设驱动分析，该平台可发现系统性遗漏的细胞关系与治疗靶点，打破了药物发现中规模与深度之间的历史性取舍。