Turbine 将携 vLab ADC 平台亮相 World ADC
Turbine 团队将赴圣迭戈参加 World ADC，并推介 vLab® ADC Intelligence 平台，可在投入湿实验资源前开展虚拟实验。该平台覆盖 113 种药物及组合（含 6 种 ADC 和 21 种 payload）、1348 个映射至患者亚型的生物样本，并支持用户自建分子与样本建模，用于适应证定位、联合方案协同性与体外结果向 PDX 模型的可转化性评估。
#跨条件泛化
TurbineAI 评分3030
Valence LabsAI 评分2020 Valence Labs谈扰动预测数据规模挑战
要解码生物学，我们希望理解干预（遗传或分子层面）如何改变细胞状态。 挑战在于规模：约有10⁶⁰种类药分子，我们希望理解它们在许多不同细胞背景下的效应。 即便在最先进的实验室中，覆盖如此大的搜索空间也是不可行的。 但充分的数据多样性对于训练能够泛化的扰动预测模型至关重要。 那么，我们该怎么做？
Ignota Labs 官网资讯精选AI 评分5858 Ignota Labs白皮书：不同CYP3A4活性肝细胞模型中吉非替尼肝毒性机制分化
Ignota Labs发布白皮书，用SAFEPATH平台在CYP3A4活性低（i18F）和高（i30F）的两株女性iPSC来源肝细胞中，以五个吉非替尼浓度做RNA-seq，两株均抑制globo鞘脂代谢，独立复现此前的PRKD1/PRKD3-鞘脂机制。
推荐理由：同一机制在两种CYP3A4活性不同的肝细胞模型中收敛，但下游毒性通路分化，为解释吉非替尼肝毒性的人群差异提供了可检验假设。
Valence LabsAI 评分4040 实验室批次效应与AI模型学习
在湿实验室数据上训练的模型，可能学到的不是底层生物学，而是某个研究实验室的怪癖。 “批次效应”指的是生物样本所反映的更多是关于谁做了实验、何时做的、在哪个仪器上做的，而非所关注的生物学本身。 观看 Zeinab 解释实验室如何应对批次效应，以确保 AI 模型学到的是底层生物学，而非噪声。
Valence LabsAI 评分1212 Valence 谈细胞响应预测与多模态数据整合
衡量细胞内部发生的变化有很多种方法。 单独来看，每种测量都是不完整的。综合起来，我们才能开始预测细胞响应、了解机制，并将这些发现跨细胞类型泛化。 遗憾的是，整合不同数据模态并不像听起来那么简单。 想了解更多，请看 Ali Denton 的 Valence at the Whiteboard。 🎥 完整视频链接见下方
Valence Labs 官网资讯精选AI 评分5858 Valence Labs 谈虚拟细胞在药物研发管线中最该发力之处
Valence Labs 发文认为，虚拟细胞最有价值的定位不是加速临床前流程，而是提升进入临床的候选质量，即做转化靶点验证。文章提出三个问题：靶点扰动是否在人类疾病生物学中产生预期效应、效应能否在患者生物变异中保持稳健、以及能否对疾病情境形成足够选择性；并建议在现有分子测量基准之外增加决策层评估，例如回溯识别后来因人类生物学不符预期而失败的假设。
推荐理由：Valence Labs 提出虚拟细胞应聚焦转化靶点验证，而非仅加速临床前流程，并给出可操作的评估维度。
NewLimit · Progress Blog精选AI 评分6868 NewLimit 2026年5-6月进展：先导资产放大120倍、AI系统实现跨细胞类型泛化
NewLimit 在2026年5-6月进展更新中称，其先导重编程药物已完成生产放大超过120倍，足以支持关键非临床研究，并计划明年进入临床。其AI系统Ambrosia首次实现跨细胞类型泛化，在预测内皮细胞重编程效果时用少于三分之一的实验数据达到与谱系专用模型相当的性能。公司还发现5个可恢复衰老内皮细胞年轻基因表达与再生潜力的重编程载荷，并完成C轮融资。
推荐理由：NewLimit 披露先导资产放大生产与跨细胞类型泛化的进展，呈现重编程药物从发现走向临床前的具体路径。