← 返回首页

2026-04-20 · Biotech / RNA Therapeutics / Lab-in-the-Loop

LoopRNA

把 RNA 药物开发从“设计一批、等一轮、猜下一步”改成连续迭代的 Design–Make–Test 操作台。

潜力评分 91/100

新闻来源

Eclipsebio Launches eCOMPASS™, an AI-Enabled Lab-in-the-Loop Platform for RNA Therapeutic Development

Eclipsebio 发布了 eCOMPASS™，把 AI 优化的 RNA 设计、研发级原型制造与深度测序表征串成一个闭环式 Design–Make–Test 平台，并在 Cas9 mRNA 案例里给出蛋白表达提升 400%、编辑效率提升 58% 的结果。这条新闻真正释放的机会，不是再做一个只会吐序列建议的 RNA 设计模型，而是做一层更靠近项目推进现场的“序列到证据”工作台：让发现团队、转化团队与实验团队在同一界面里看见这轮为什么选、下一轮怎么改、哪条候选值得继续烧实验预算。

查看原文 ↗

为什么值得做

这件事现在值得做，是因为 RNA therapeutics 已经进入一个很典型的第二阶段：单点 AI 设计不再稀缺，真正稀缺的是把设计结果快速变成可验证、可比较、可复用的实验决策。很多团队已经能生成大量候选序列，但真正拖慢项目的，是设计、制备、QC、表征和解释分散在不同工具、不同团队与不同供应商之间。新闻里 Eclipsebio 把这个痛点说得很明确：行业长期缺一套能把 sequence design 直接连到 deep mechanistic characterization 的平台，而不是“先算一轮，再做几个标准 QC，最后靠经验判断”。当平台能拿到每个目标十几万级别的数据点，并把它反哺回下一轮设计时，价值中心就从“会不会生成序列”转向“能不能缩短一次有效迭代的时间、提升进入下一阶段的把握”。

LoopRNA 不伪装成又一个 AI sequence generator，也不试图替代湿实验本身，而是把最容易失控的那段协作层做成产品：从目标定义、候选批次、实验回传、机制证据到下一轮决策，全都挂在一条可追踪的 program timeline 上。它的价值不在于生成更多候选，而在于帮团队更早停掉差方向、更快找出值得放大的分子，并把“为什么继续投这条序列”变成可共享、可复盘的证据。

Problem

要解决什么问题？

今天做 RNA 药物开发的团队，常常不是缺一个模型，而是缺一个能把跨职能判断收束起来的操作面。计算团队会产出很多候选，实验团队要安排制备和表征，项目负责人要在表达、稳定性、可制造性和下游应用之间做权衡，但这些信号往往散落在邮件、表格、LIMS、CRO 报告和零散 notebook 里。结果是：每一轮实验都很贵，但为什么选这批、这批输在哪里、下一轮该怎么改，往往没有结构化沉淀。随着 RNA 平台、基因编辑、mRNA 疫苗和蛋白替代项目越来越多，团队最缺的不是“更多 sequence”，而是一个能让设计、制备、测试和项目决策形成闭环的统一界面。

目标用户

  • 在做 mRNA、siRNA、基因编辑递送或蛋白替代疗法的早期 RNA therapeutics 创业团队，需要更快决定哪条候选该继续推进的 platform / discovery leader
  • 同时管理计算设计、湿实验、外包制备与表征分析，但缺少统一项目视图的 translational biology、CMC 与 program management 团队
  • 为 biopharma 或学术机构做 RNA 发现服务、希望把“交付序列”升级成“交付决策证据”的 CRO、platform lab 与转化研究组织

Signals

来自新闻的关键信号

  • Eclipsebio 把产品定义成一条完整的 Design–Make–Test workflow，而不是单点模型，说明 RNA 赛道的价值正在从“生成序列”向“压缩迭代回路”迁移。
  • 新闻披露 eCOMPASS 在 Cas9 mRNA 案例里实现蛋白表达提升 400%、编辑效率提升 58%，说明买方会为直接连到项目结果的改进买单，而不只看模型分数。
  • 平台把 AI 设计、研发级原型制备与深度测序表征放进同一闭环，释放出一个强信号：下一个可产品化层，不是更大的 foundation model，而是 sequence-to-evidence orchestration。
  • Eclipsebio 强调每个目标氨基酸序列可生成超过 150,000 个数据点，说明差异化护城河很可能来自实验回传与机制数据，而不是单次生成能力。
  • 公司提到已服务全球前 30 大 biopharma 中的 80% 以及 300 多家 biotech / academic 伙伴，说明这不是纯概念，而是已经站在真实项目工作流上的产品方向。
  • Terrain Bio 的并购把 AI sequence design 和研发级制造能力并进，说明市场正在奖励能把多段工作流收口到一个 program surface 的团队。

MVP

这个原型包含什么

如果一个轻量的 RNA program cockpit 能让团队从目标蛋白或功能需求出发，统一管理候选序列、原型制备状态、表征结果和下一轮优化建议，并把每一轮的 go / no-go 判断沉淀成可追溯证据，那么早期 RNA therapeutics 团队会愿意先把它加在现有实验流程之上，因为它直接减少的是最昂贵的东西：无效轮次、跨团队解释成本和错误的放大决策。

候选序列编排台

从目标蛋白、治疗场景与约束条件出发，统一生成和管理候选批次；每条序列都带着设计意图、优化目标、版本历史与推荐优先级，避免团队在表格里反复比对。

Design–Make–Test 时间轴

把每轮设计、原型制备、QC、表征和复盘挂在同一条项目时间轴里，实时显示当前卡在哪一步、哪条候选等待实验、哪些结果已经足够触发 go / no-go 判断。

机制证据对账板

把表达、稳定性、完整性、杂质、翻译动力学等关键读数归拢成一页式证据板，帮助团队不只看最终分数，还能看清“为什么这条序列表现更好”。

下一轮优化建议器

系统基于本轮实验回传，自动给出下一轮该保留、淘汰、局部变更还是更换策略的建议，并说明建议背后的数据依据，让项目负责人更快发出下一轮实验指令。

Interactive demo

三种最先能打动市场的使用场景

点击不同场景，查看从体验入口到北极星指标的 MVP 路线。

Use case

基因编辑项目的 Cas9 mRNA 冲刺

真正烧钱的不是做一次实验，而是在表达、编辑效率和可制造性之间来回试错太多轮。

  • 项目负责人输入目标 cargo、递送场景与必须满足的制造约束，LoopRNA 建立该项目的候选池与评价框架
  • 计算与实验团队把本轮入选序列、制备状态和表征读数回传到同一时间轴中，系统自动比较表达、稳定性和关键杂质指标
  • 平台输出一份下一轮 shortlist 与淘汰理由，帮助团队在例会上直接决定要追加哪几条序列、停掉哪几条方向
北极星指标：达到预设表达 / 编辑门槛所需轮次、每轮 shortlist 命中率、单项目实验预算浪费率

Stack

当前技术栈

  • 第一阶段先用静态展示页验证“RNA 开发不缺生成、缺闭环”这条叙事是否能打动 discovery lead、translational team 与 biotech founder，再收集 demo 申请。
  • 产品端优先做 Web 控制台，不替代现有 LIMS / ELN，而是围绕 candidate、batch、assay、evidence pack 和 decision round 五个核心对象展开。
  • 后端可用 Postgres 或 Supabase 存储序列版本、实验批次、QC 结果、表征指标和人工 go / no-go 决策，再通过异步任务处理文件导入和指标聚合。
  • AI 层重点不是从零发明序列，而是三件事：解析设计目标、把实验结果压缩成可比较证据、生成下一轮有依据的优化建议。
  • 集成层优先连接 LIMS、电子实验记录、测序数据导出与 CRO 报告输入，让 LoopRNA 成为现有研发工作流上的决策面，而不是新的数据孤岛。
  • 交互上必须坚持 evidence-first：任何推荐都要指向对应的读数、版本差异与实验上下文，避免产品被视为黑盒科研助手。

Risks

主要风险

  • 如果产品只会汇总数据、不能稳定支持下一轮决策，它很容易退化成又一个漂亮但没人持续打开的项目看板。
  • 不同 RNA modality、assay 体系和实验流程差异很大，若早期产品试图一口吃下所有场景，实施成本会迅速失控。
  • 实验数据天然存在噪声与批次偏差，若系统过度自信地给出优化建议，可能误导团队浪费下一轮预算。
  • 生物医药销售周期长、验证周期慢，产品需要先在高频项目复盘和跨团队协作价值上建立切入口，而不是一开始就承诺提高临床成功率。
  • 涉及私有序列、表征数据和合作方文件时，权限、审计与 IP 保护必须做得足够企业级，否则很难进入真实项目环境。

Next steps

如果继续迭代，接下来做什么