Prostymi słowami:
Wykorzystujemy sztuczną inteligencję do optymalizacji procesu opracowywania leków i automatyzacji procesu wyszukiwania kandydatów na szczepionki (ludzkie oraz zwierzęce).
Optymalizujemy proces opracowywania immunoterapii i leków biologicznych. Korzystając z zaawansowanych rozwiązań ML, możemy drastycznie obniżyć ilość eksperymentów wymaganych na etapie przedklinicznym, optymalizując zarówno koszty, jak i czas wprowadzenia leku na rynek. Co więcej, pracując iteracyjnie z partnerami, zwiększamy skuteczność terapii, umożliwiając tworzenie terapii na cele wcześniej uważane za niemożliwe do leczenia.
Główne problemy:
Projektowanie antygenów epitopowych. Jest to znaczące wyzwanie w przemyśle farmaceutycznym, często uważane za “świętego Graala” biotechnologii. Duża część farmaceutyków, w tym szczepionek, funkcjonuje jako antygeny. Antygen to substancja, taka jak białko, która wywołuje odpowiedź immunologiczną w organizmie człowieka. Odpowiedź ta może być pożądana lub niepożądana. Pożądanym jest wywołanie reakcji ciała na lek, a co za tym idzie na dany cel (rak, infekcja). Tą niepożądaną jest doprowadzenie do produkcji przeciwciał przeciwlekowych (ADA), które skutkują mniejszą lub brakiem skuteczności leku.
89% leków biologicznych ma problemy z immunogennością [1], co bezpośrednio wynika z wyboru antygenów. Jest to ogromny problem, który często sprawia, że terapie/leki nie nadają się do wprowadzenia na rynek.
Biorąc pod uwagę m.in. powyższe wyzwania, proces opracowywania nowego leku jest zarówno długi, jak i kosztowny. Proces wprowadzania nowego leku na rynek trwa zazwyczaj ponad dekadę. Niedawny artykuł opublikowany w Nature w lipcu 2023 r. ujawnia, że wewnętrzne wydatki na odkrywanie leków wzrosły, średnio z 2,6 mld USD do 6 mld USD rocznie na firmę.
Sektor farmaceutyczny stoi w obliczu trudnego okresu, doświadczając tendencji spadkowej. Znaczne inwestycje poczynione przez Pharma w badania i rozwój (R&D) nie przynoszą już współmiernych zwrotów z nowych leków, które z powodzeniem trafiają na rynek.
Jakie jest rozwiązanie tych problemów?
Nasz model przewiduje odpowiedź limfocytów T i identyfikuje kluczowe epitopy, zwiększając immunogenność antygenu. Podejście to, potwierdzone przez partnerstwa, przyspiesza badania przedkliniczne o 4x więcej w porównaniu z wiodącymi modelami ML stosowanymi na rynku (netMHCpan 4.1), zmniejsza koszty i poprawia skuteczność szczepionek. Może to oznaczać potencjalne oszczędności rzędu miliardów dolarów i skrócenie czasu opracowywania szczepionki o kilka lat.
Co sprawia, że innowacja jest wyjątkowa na tle konkurencji?
Opracowujemy wiarygodny predyktor antygenowości, który nie tylko ułatwiłby tworzenie szczepionek, ale także umożliwił modyfikację istniejących środków terapeutycznych. Zmniejszając skutki uboczne i poprawiając skuteczność, takie modyfikacje mogłyby znacznie zwiększyć prawdopodobieństwo powodzenia badań klinicznych.
Przez ostatnie 20 lat metody in-silico były stosowane bez powodzenia w praktyce, pomimo dobrych wyników benchmarków. Wielokrotne próby ulepszenia metod nie rozwiązały problemu.
Ogromnym problemem w tych metodach był dobór oraz procesowanie danych. Niska jakość danych skutkuje niedokładnymi modelami. Zidentyfikowaliśmy 21 błędów danych i problemów związanych z używaniem wadliwych, uszkodzonych danych lub małej ilości potencjalnych danych wykorzystywanych do szkolenia. Opracowaliśmy również metody pozwalające na wykorzystanie nawet częściowo oznakowanych danych, dając nam przewagę nad konkurencją.
Dzięki naszym wysiłkom w zakresie agregacji i zarządzania danymi, posiadamy już 9 razy więcej danych niż nasza konkurencja i inne grupy w tej dziedzinie. Nasza długoterminowa strategia ma na celu zwiększenie tej luki, czyniąc ją prawie niemożliwą do pokonania.