翱锐生物主要布局哪些技术研发赛道?
经常有人在公众号后台问我们:你们到底在做哪些技术?这个问题问得好,因为一家生物科技公司说自己"做早筛",其实什么都没说清楚。今天我们就用一篇推文的篇幅,把我们真正在投人、投时间、投资源的技术方向摊开来讲。
先说清我们是谁
翱锐生物是一家专注于肿瘤早筛与精准诊断的生物科技企业。我们做的事听起来简单:在症状出现之前,把风险找出来。但真要做成这件事,背后需要一整套技术体系支撑——从样本里找信号,从信号里建模型,从模型里出结论,最后让结论能被临床用起来、被普通人接受。
所以我们从来不把自己定义成"某一种检测方法的公司"。我们更像是围绕"早"这个字,铺开几条彼此咬合的技术路线。
赛道一:甲基化标志物的发现与验证
这是我们最核心的一条线。肿瘤发生早期,基因序列未必改变,但DNA甲基化模式往往已经出现异常,而且这种变化具有组织特异性——换句话说,它不只能告诉你"有问题",还有机会告诉你"问题可能出在哪儿"。
我们在这条线上的投入主要分三段:
- 标志物筛选:从公共数据库与自有样本队列中比对差异甲基化区域,先做大规模的候选池,再做逐层收敛。
- 队列验证:候选标志物必须在真实人群样本里重复验证,包括早期病例、良性病变和健康对照,缺一类都不算数。
- 组合优化:单个标志物灵敏度有限,我们做的是标志物组合的配比与权重调优,让整套panel在早期阶段依然站得住。
赛道二:多组学联合检测
只靠一层信息,容易漏。我们的第二条路线,是把甲基化信号与片段化特征、拷贝数变化等其他维度的信息放在一起看。不同维度捕捉的是肿瘤的不同"痕迹",联合起来能补上单一指标的盲区。
这条赛道难的不是"能不能测",而是"测出来怎么合"。多组学数据的量级、噪声结构、缺失率都不一样,直接拼接往往适得其反。我们花了相当长时间在建规范化的数据处理流程上,让每一层信息在进入模型之前都是可比、可复现的。
赛道三:算法与风险分层模型
检测出数据只是前半程,把数据翻译成临床能读懂的风险判断才是后半程。我们的算法团队做的主要是两件事:
- 建立分类模型,输出的是风险等级而不是简单的阴阳性,让医生能看到"多高"而不只是"有没有"。
- 做模型的可解释性工作,把判读依据拆解到标志物层面,避免变成一个说不清理由的黑箱。
我们在内部有一条硬规矩:任何模型上线前,必须在独立验证集上跑通,且训练集与验证集的样本来源不能重叠。这条规矩让进度慢了一点,但结论可信。
赛道四:检测流程的工程化与可及性
一项技术如果只在实验室里成立,就谈不上早筛。第四条赛道是很多人不太关注、但我们投入很重的部分:让检测在真实场景里跑得动。
这包括样本采集方式的简化、运输与保存条件的稳定性、实验室操作的标准化,以及报告出具周期的压缩。举个具体的例子:采样环节每多一步,实际参与的人就会少一批,所以我们在这条线上做的事,说到底是把复杂留在自己这边,把简单交给用户。
四条赛道的关系
| 技术赛道 | 解决的核心问题 | 关键产出 |
|---|---|---|
| 甲基化标志物 | 有没有信号,信号来自哪里 | 标志物组合与检测panel |
| 多组学联合 | 单一维度信息不足 | 综合判读策略 |
| 算法与风险分层 | 数据如何变成临床结论 | 分层模型与判读依据 |
| 工程化与可及性 | 技术如何走出实验室 | 标准化流程与检测体验 |
这四条不是并列摆着的四个项目,而是一条链:前面的成果决定后面的上限,后面的反馈又倒逼前面调整方向。我们内部的评审会,很多时候讨论的不是某条线做得好不好,而是线跟线之间接得顺不顺。
这些技术最终落到谁身上
想象一个场景:一位四十多岁的上班族,体检报告上某项指标有轻微异常,医生建议进一步检查,但他既没有明显症状,也不清楚该查什么、要不要查。我们做的所有技术,最终就是要让这个时刻变得清楚一点——用一次相对简单的采样,给出一份能读懂的风险判断,帮他决定下一步该怎么走。
这就是我们理解的技术价值:不是把参数做到极限,而是让一个普通人少走一段弯路。
判断技术路线的几条标准
如果你也在关注早筛领域,或者正在评估相关检测服务,不妨用这几条来对照:
- 看验证人群,不只看样本量:有没有覆盖早期病例与良性病变对照,比数字大不大更关键。
- 看结论形态:只给阴阳性,还是给风险分层,直接影响后续怎么用。
- 看流程是否可复制:从采样到出报告,每一步是否标准化,决定结果稳不稳。
- 看边界是否讲清:任何检测都有适用范围,愿意把适用范围讲明白的,通常更值得信任。
我们不敢说这四条是唯一标准,但它们确实是我们每天用来衡量自己的尺子。技术会迭代,尺子不能松。如果你对我们的某条技术路线感兴趣,欢迎在后台留言,我们会挑大家问得最多的方向,单独写一篇细讲。
