BigHat Biosciences 押注湿实验室与机器学习闭环，胜过抗体筛选

一个抗体工程平台，将专有湿实验室与机器学习模型配对，在数天而非数月内设计和测试抗体候选物

与机器学习模型紧密闭环的湿实验室，能够比筛选数千条序列更快地工程化出更好的抗体

2019 年 530 万美元种子轮，2021 年 1900 万美元 A 轮——累计融资 2430 万美元

生物信息学资深人士 Mark DePristo 与首席科学官 Peyton Greenside 于 2019 年在加利福尼亚州圣卡洛斯创立 BigHat，押注将计算与自建湿实验室——而非仅靠软件——相结合，是超越传统抗体发现工程化能力的路径。

BigHat 于 2019 年完成由 8VC 领投的 530 万美元种子轮，搭建了湿实验室加机器学习的平台，并用其工程化出一款中和性 SARS-CoV-2 双特异性抗体作为早期概念验证。2021 年 2 月，它完成了由 Andreessen Horowitz 领投、超额认购的 1900 万美元 A 轮融资，a16z 普通合伙人 Vineeta Agarwala 加入董事会；原有投资方 8VC、AME Cloud Ventures 和 Innovation Endeavors 也继续跟投。

大多数抗体公司筛选的是一个庞大但固定的现有序列库，只能捕获生物学上可能的一小部分。

拥有湿实验室意味着 BigHat 掌控自己的实验数据管线，而不依赖其他公司选择发表或共享的数据。

将新鲜实验数据以紧密闭环直接反馈给机器学习模型，使平台能够针对任何筛选库中都不存在的抗体设计。

一个早期概念验证——一款有效的 SARS-CoV-2 双特异性抗体——在 A 轮之前就向投资者提供了闭环有效的证据，而不只是一份推介。

当整个行业都在筛选同一堆预先存在的干草堆时，自己拥有数据生成闭环——而不只是其上的模型——可能才是真正的护城河。

截至 2021-02-10，BigHat 正利用新资金招聘抗体与蛋白质工程师、AI/ML 工程师和计算生物学家，同时继续搭建其平台，并在未来两到三年内推动内部治疗项目走向人体临床试验。