![DEEPFLARE](https://profile.executivesummit.eu/wp-content/uploads/2024/03/EXS_BANER_1.jpg)
DEEPFLARE
Zwiększamy szybkość opracowania oraz skuteczność szczepionek/immunoterapii przy użyciu modeli uczenia maszynowego.
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.
BASIC INFORMATION
Naszymi potencjalnymi klientami są firmy farmaceutyczne, firmy biotechnologiczne, uniwersytety i wszelkie podmioty zaangażowane we wczesne etapy rozwoju immunoterapii, w tym szczepionek.
Nasza technologia, prostymi słowami, wykorzystuje sztuczną inteligencję do optymalizacji procesu opracowywania leków i automatyzacji procesu wyszukiwania kandydatów na szczepionki.
Proces polega na wprowadzaniu danych wejściowych klienta (cel immunoterapii), a system następnie znajduje i klasyfikuje najlepszych kandydatów na cząsteczki do testów laboratoryjnych, poprawiając skuteczność oraz odkrywając w ten sposób terapie, które wcześniej nie były możliwe.
Jedna ze współprac z liderem w dziedzinie immunoterapii na chłoniaka, udowodniła że nasze rozwiązania mogą zaoszczędzić do 1 miliarda euro oraz skrócić czas rozwoju szczepionek o 2 lata.
Nasze rozwiązania zostały również potwierdzone w pilotażach z partnerami prywatnymi i publicznymi, w tym w badaniach in-vivo oraz współpracy z Polskim Ministerstwem Zdrowia podczas pandemii COVID-19.
Nasze wstępne testy szczepionek mRNA na COVID-19 pokazały, jak szybko można opracować nowe leki, jeśli zostaną one odpowiednio zoptymalizowane. Ten przełom w reagowaniu na globalny kryzys zdrowotny zainspirował nas do zidentyfikowania najtrudniejszego problemu do rozwiązania w tej dziedzinie. Podczas naszych obszernych wywiadów z klientami (ponad 100) z kierownictwem wyższego szczebla z laboratoriów farmaceutycznych, biotechnologicznych i akademickich zdaliśmy sobie sprawę, że wszyscy podchodzili do tych wyzwań w tradycyjny sposób.
Podejście to wynikało w dużej mierze z faktu, że zajmowali się tym bioinformatycy, którym często brakowało wystarczającej wiedzy specjalistycznej w zakresie sztucznej inteligencji lub immunologii. Dzięki dogłębnemu zrozumieniu tej dziedziny zdaliśmy sobie sprawę, że zarówno obsługa danych, jak i szkolenie modeli wymagają zupełnie innego podejścia.
Deepflare zostało założone przez zespół z doświadczeniem w uczeniu maszynowym, medycynie i strategii biznesowej. Wspierają ich doradcy z Pfizer i Moderna oraz czołowi inwestorzy VC z regionu CEE. Firma działa od stycznia 2021 roku, a jej założyciele znają się od czasów studiów, współpracując wcześniej nad innymi projektami.
Zespół Deepflare łączy wiedzę techniczną, naukową i biznesową. Piotr Grzegorczyk, CEO, ma doświadczenie w doradztwie strategicznym, Grzegorz Preibisch, MD, Head of R&D jest lekarzem oraz naukowcem z doświadczeniem w modelowaniu immunologicznym i uczeniu maszynowym. Stanisław Giziński, Head of Technology, ma doświadczenie w zastosowaniach sztucznej inteligencji, takich jak optymalizacja produkcji przemysłowej i weryfikacja biometryczna.
W typowych firmach związanych z farmaceutyką biolodzy / osoby zarządzające zatrudniają inżynierów uczenia maszynowego, a na decyzje wpływa głównie perspektywa biologiczna. Nasz zespół współzałożycieli posiada doświadczenie zarówno w dziedzinie uczenia maszynowego, jak i biologii, tworząc bardzo unikalne skrzyżowanie. Rzadką możliwością jest znaleźć inżynierów uczenia maszynowego, którzy rozumieją biologię - być może 1 na 10 000 - i równie rzadko można znaleźć lekarzy, którzy rozumieją uczenie maszynowe. Wykorzystując tę podwójną wiedzę, zasadniczo mamy zespół jeden na miliard. Podchodzimy do tych wyzwań z rygorem i dyscypliną uczenia maszynowego, jednocześnie korzystając z nadzoru najlepszych w swojej klasie immunologów.
Dzięki takiemu podejściu zidentyfikowaliśmy już ponad 20 różnych błędów, które wielokrotnie popełniają nasi konkurenci i wiele grup w tej dziedzinie. Będziemy nadal budować naszą przewagę w zakresie danych i modeli, tworząc partnerstwa w celu pozyskiwania nowych zestawów danych oraz opracowując metody jeszcze bardziej efektywnego zarządzania i wykorzystywania danych.
Nasz model biznesowy opiera się o opłaty z góry, pokrywające koszty działalności, ustalone płatności zależnie od etapu i kamieni milowych oraz wprowadzenie opłat licencyjnych / royalties od 2 do 5% od sprzedaży leków. Ten model ma bardzo wysoki potencjał rozwoju przychodów w przypadku partycypacji w rozwoju skutecznego leku, jednocześnie niezależnie gwarantując solidną bazę przychodów.
Dużą przewagą naszego rozwiązania jest agregacja danych, które usprawniają nasze modele oraz predykcje. Klienci w ramach współpracy przekazują wyniki testów in-vivo, co tworzy samowzmacniający się cykl algorytmiczny, zwiększający precyzję modeli.
Nasz długoterminowy plan zakłada stać się kluczowym zasobem dla każdej firmy tworzącej farmakoterapię, optymalizując immunoterapie i inne leki, zarabiając na tantiemach od sprzedaży.
Contest Information
Dzięki tym argumentom możemy sprawnie współpracować z osobami z firm farmaceutycznych/biotechnologicznych oraz akademii, przekonując ich do zmiany tradycyjnego podejścia do wyzwań i rozpoczęcia rozwiązania ich dzięki naszej sztucznej inteligencji.
Głównym celem naszej działalności jest poprawa zdrowia i dobrostanu ludzi poprzez opracowywanie skuteczniejszych immunoterapii. Poprawiając dokładność i skuteczność tych terapii, nie tylko rozwijamy nauki medyczne, ale także bezpośrednio przyczyniamy się do lepszych wyników pacjentów na całym świecie. To zaangażowanie w innowacje w opiece zdrowotnej stanowi nasz podstawowy wkład w społeczeństwo, mający na celu zapewnienie znacznych korzyści poprzez zajęcie się niektórymi z najtrudniejszych schorzeń.
Aktywnie również udowadniamy poprzez nowe partnerstwa oraz publikacje naukowe takie jak m.in “Enhancing antigenic peptide discovery: Improved MHC-I binding prediction and methodology” (https://www.sciencedirect.com/science/article/abs/pii/S1046202324000306) innowacyjność naszego podejścia oraz naukowych odkryć.
Usprawniając i unowocześniając sposób działania firm farmaceutycznych oraz biotechnologicznych możemy również promować wśród tych środowisk nowe rozwiązania i nowe spojrzenia na tradycyjne, nadal wykorzystywane metody, co będzie miało przełożenie na generalny rozwój tego sektora. Ulepszenia tego stopnia zwrócą na siebie uwagę konkurencji spółek które go wykorzystuja i przyjdą do nas lub spróbują wytworzyć własne innowacje, co w obu wypadkach przyczyni się do rozwoju.
Podsumowując, nasze rozwiązania, oszczędność czasu, środków, podniesienie skuteczności procesu odkrywania nowych leków, rozwój innowacyjności sektora, mogą przyczynić się do rozwoju i wprowadzenia wielu terapii, które mogą mieć ogromny wpływ na ludzi (oraz zwierzęta) na całym świecie, ratując życie pacjentów.