### [JURA Bio](https://hello123.com/) **Published:** 2026-09-23T10:36:00 **Author:** hello123 **Excerpt:** JURA Bio 由哈佛 George Church 联合创建，2023 年 9 月完成 1610 万美元融资… ## JURA Bio 定位和能做什么 > **JURA** Bio 是一家 AI 药物发现公司，总部位于波士顿和巴塞尔。该公司由哈佛大学 George Church 教授联合创建，2023 年 9 月宣布完成 1610 万美元融资。该工具的核心定位是构建用于治疗设计的基础模型，让模型驱动湿实验产生自身训练所需数据，形成设计、合成、筛选的循环。目标用户是制药企业、生物技术公司和学术研究人员，尤其是需要攻克困难靶点或新型模态的团队。 ![JURA Bio截图](https://cdn.hello123.com/wp-content/uploads/2026/09/jura-bio.jpg) 与依赖公开数据库的 AI 平台不同，JURA Bio 强调专有功能信号。官网显示，其数据规模超过公开数据集。在公开数据不存在、现成 AI 失效的领域，该工具训练专有功能数据。每个实验周期模型性能均获改进。这种定位让它区别于仅做公开数据挖掘的竞品。 ### 从数据闭环看 JURA Bio 的独特之处 关键在于数据闭环。多数生成式**机器学习**平台在候选疗法的生产与测试上受限。JURA Bio 构建了机器学习优先的**工作流**程，整合基础化学、物理和生物学参数，开发用于评估模型质量的统计架构。这让模型能从大量数据中构建和训练。 该工具的设计-合成-筛选循环产生专有功能数据。官网明确说明，模型驱动湿实验，湿实验数据再喂给模型。这个循环持续扩大数据规模。公开数据不存在时，现成 AI 往往失效。JURA Bio 用自产数据填补空白。这种策略与依赖静态公开数据集的平台形成鲜明对比。 ## JURA Bio 核心功能 - **AI 原生药物发现与开发**：结合下一代机器推理技术，利用高质量生物数据集进行自主优化的迭代设计。 - **临床信息驱动的生成模型**：设计和优化药物分子，提高有效性和安全性。 - **数据湖构建**：专为药物发现设计，持续更新，为 AI 模型训练提供基础。 - **候选药物发现与开发服务**：涵盖抗体、T 细胞受体模拟物、肽、T 细胞接合剂、酶等模态。 ### AI 原生药物发现与开发 该工具结合下一代机器推理技术，利用高质量生物数据集。迭代设计是自主优化的。官网称，每个实验周期模型性能均获改进。这与传统药物发现中人工设计-测试-再设计的流程不同。 2023 年 9 月，JURA Bio 与 Replay 旗下 Syena 达成合作，开发 TCR 疗法。该工具为六名对 MART-1 特异性过继细胞疗法耐药的黑色素瘤患者生成了多克隆候选库。通过使用现货型 HLA 匹配的 TCR 候选变异合成文库，确定了 10 种候选药物。这展示了 AI 原生流程在真实患者数据上的应用。 ### 临床信息驱动的生成模型 该工具的生成模型设计药物分子时，直接融入临床信息。目标是提高有效性和安全性。官网未公开具体模型架构或参数规模。但合作案例提供了线索。 在与 Syena 的合作中，JURA Bio 为每位患者创建个体化的治疗性多克隆候选药物库。这需要模型理解 HLA 匹配和 TCR 变异。临床信息驱动意味着模型不只优化结合亲和力，还考虑患者特异性。这种能力在公开数据集中难以获得。 ### 数据湖构建：专为药物发现设计 该工具构建的数据湖号称世界上最大、持续更新。官网称其规模超过公开数据集。数据湖包含设计、合成、筛选循环产生的专有功能信号。 与传统数据库不同，这个数据湖是动态的。每个实验周期都会加入新数据。模型训练基于这些专有数据，而非仅依赖公共数据库。这解决了公开数据在困难靶点上的不足。但数据湖的具体规模、数据类型和更新频率，官网未披露。 ## JURA Bio 新手上手指南 JURA Bio 没有公开的免费试用入口。官网仅提供联系表单。用户需通过商务沟通获取平台访问权限。电脑端和手机端均通过官网访问，无独立客户端。 ### 注册与登录流程 官网未提供自助注册。用户需填写联系表单，说明机构背景和研究需求。JURA Bio 团队评估后，再提供账号和登录方式。这与典型 **SaaS** 工具不同。 对于学术用户，可能需要通过合作项目接入。2023 年与 Replay 的合作中，JURA Bio 获得预付款和研究经费。这表明平台使用通常伴随商业协议。个人用户无法直接注册使用。 ### 核心操作流程：从数据到候选药物 平台操作流程围绕数据闭环展开。用户输入靶点或疾病相关数据。模型生成候选分子设计。然后进行合成和筛选。筛选数据返回模型，用于下一轮优化。 官网未公开具体界面或操作细节。但根据合作案例，流程包括：生成候选库、合成文库、功能验证。在 Syena 合作中，该工具生成了多克隆候选库，并确定了 10 种候选药物。用户需具备一定生物信息学知识，才能有效利用平台。 ## 类似于JURA Bio的工具 | 比较维度 | JURA Bio | Koa | Annogen | | --- | --- | --- | --- | | 核心技术 | 机器学习优先工作流程，数据闭环 | 抗体设计 AI（具体架构未公开） | 调控元件设计 AI（具体架构未公开） | | 数据资源 | 专有功能数据，规模超公开数据集 | 未公开 | 未公开 | | 应用场景 | 抗体、TCR 模拟物、肽、酶等 | 抗体设计 | 调控元件设计 | | 精准性 | 临床信息驱动，个体化候选库 | 未公开 | 未公开 | | 平台兼容性 | 与现有生物医学研究体系对接 | 未公开 | 未公开 | ### JURA Bio vs Koa：数据闭环与抗体设计 Koa 是另一家 AI 抗体设计公司。JURA Bio 与 Koa 有合作，推进细菌威胁抗体开发。两者技术路线不同。 JURA Bio 强调数据闭环，模型驱动湿实验产生专有数据。Koa 的具体技术细节未公开。从公开信息看，Koa 更聚焦抗体单一模态。JURA Bio 覆盖抗体、TCR 模拟物、肽等多种模态。数据策略上，JURA Bio 的自产数据规模可能更大。但 Koa 在抗体设计领域可能有更深积累。 ### JURA Bio vs Annogen：调控元件设计对比 Annogen 专注于调控元件设计。JURA Bio 与 Annogen 也有合作。这表明两者能力互补而非直接竞争。 > JURA Bio 的生成模型可设计调控元件，但并非其核心。Annogen 在此领域更专精。对于只需要调控元件设计的用户，Annogen 可能是更直接的选择。JURA Bio 的优势在于**多模态**整合和数据闭环。如果项目涉及抗体和调控元件联合设计，JURA Bio 可能更合适。 ## JURA Bio 适合什么人用 - **制药企业**：需要攻克困难靶点或新型模态，如 TCR 模拟物、肽。 - **生物技术公司**：希望利用 AI 加速候选药物发现，降低早期研发成本。 - **学术研究人员**：从事基因组医学或免疫学，需要个体化候选库生成。 - **医疗机构**：开发个性化治疗方案，尤其在肿瘤免疫治疗领域。 ### 药物发现：快速筛选潜在分子 该工具利用 AI 快速筛选和设计潜在药物分子。在 Syena 合作中，从合成文库中确定了 10 种候选药物。这展示了快速筛选能力。 传统方法筛选数千个分子耗时数月。JURA Bio 的模型可生成并评估大量候选。但具体筛选速度和通量，官网未公开。用户需评估是否满足项目时间线。 ### 药物开发：优化流程降低成本 该工具优化药物开发流程，提高效率、降低成本。数据闭环减少了对昂贵湿实验的依赖。模型预测可优先合成最有希望的候选。 但降低成本的具体幅度无公开数据。合作案例中，JURA Bio 获得预付款和里程碑款项。这暗示其服务可能不便宜。小型公司需权衡成本与收益。 ### 基因组医学：个性化治疗方案 在基因组医学领域，该工具解读基因组数据，开发个性化治疗方案。Syena 合作中，为每位患者创建个体化候选库。这是个性化医疗的典型应用。 该能力依赖于临床信息驱动的生成模型。模型需理解患者特异性基因组和免疫数据。对于肿瘤新抗原或 TCR 疗法，这种个体化设计至关重要。但监管合规性仍是挑战。 ## JURA Bio 的总体评价 > JURA Bio 在 AI 驱动药物发现领域具备自研数据闭环和专有模型能力。值得关注其针对困难靶点的差异化方案。但平台不公开，使用门槛高。 ### 值得注意的优势与局限 - **优势**：数据闭环产生专有功能信号，规模超公开数据集。 - **优势**：覆盖多种模态，包括抗体、TCR 模拟物、肽、酶。 - **优势**：临床信息驱动，可生成个体化候选库。 - **局限**：无自助注册，需商务沟通，使用门槛高。 - **局限**：具体模型架构、参数规模、数据湖细节未公开。 - **局限**：监管合规性挑战，尤其在个性化疗法领域。 ## JURA Bio 的底层模型技术栈 JURA Bio 的基础模型、参数规模、推理架构均未公开。官网仅描述为“机器学习优先的工作流程”。这与许多 AI 药物发现公司类似，核心技术保密。 ### 基础模型与推理架构 该工具整合基础化学、物理和生物学参数，构建统计架构评估模型质量。这暗示模型可能融合多模态数据。推理架构可能支持生成式设计。 但具体是扩散模型、Transformer 还是其他架构，无公开信息。数据循环改进模型性能是明确的。每个实验周期模型性能均获改进。这种迭代训练方式在工业界常见，但具体实现未知。 ---