La découverte actuelle de médicaments protéiques est coûteuse, longue et souvent infructueuse dans les essais cliniques. Les solutions d'IA existantes font face à trois défis principaux : l'incapacité d'optimiser simultanément plusieurs fonctions protéiques, la forte dépendance à l'égard de la structure des protéines et le manque d'infrastructure d'IA évolutive dans les laboratoires pharmaceutiques humide, ce qui limite le développement de modalités protéiques novatrices. La plateforme DeepSeq.ai offre trois caractéristiques clés : 1) IA évolutive, qui combine la biologie synthétique, le tri unicellulaire et l'apprentissage actif de l'IA pour créer diverses bibliothèques de protéines pour un apprentissage efficace et l'optimisation des modèles de séquences dans différents types de protéines. 2) IA généralisée, obtenue grâce à des ensembles de données de formation bien normalisés et à des techniques exclusives de préparation d'échantillons, permettant la création d'un modèle polyvalent de langage protéique capable de développer des médicaments protéiques sûrs. 3) IA interprétable, avec des méthodes brevetées pour le développement de médicaments protéiques sûrs. déchiffrer les modèles de séquence liées à des fonctions spécifiques des protéines.
Quel est le problème ?
La découverte actuelle de médicaments protéiques est coûteuse et prend beaucoup de temps, prenant des années et potentiellement des millions de dollars, et le taux de réussite des essais cliniques est faible. Bien que certaines solutions d'IA aient été élaborées, trois problèmes fondamentaux existent avec les technologies actuelles : 1) Aucune solution actuelle ne peut optimiser efficacement de multiples fonctions protéiques simultanément, telles que l'affinité de liaison, l'immunogénicité, l'expression cellulaire et l'agrégation. Cette limitation entraîne des essais et erreurs qui prennent beaucoup de temps. 2) Les modèles d'IA existants reposent fortement sur la structure des protéines, qui peut ne pas être correctement corrélée avec diverses fonctions et capacités de développement des protéines. De plus, il est très difficile d'améliorer les modèles d'IA basés sur la structure. 3) L'absence d'infrastructure d'IA évolutive et généralisable dans les laboratoires pharmaceutiques humide entrave l'efficacité de la formation en IA et donne lieu à des modèles biaisés axés principalement sur les régions CDR d'anticorps. Cela entrave la mise au point de modalités protéiques vraiment novatrices.
Quelle est leur solution ?
La plateforme DeepSeq.ai comprend : 1) IA évolutive : Ils intègrent la biologie synthétique, le tri unicellulaire et l'apprentissage actif de l'IA pour créer diverses bibliothèques de protéines, permettant un apprentissage efficace, l'optimisation des modèles de séquences et de multiples fonctions biologiques à travers diverses modalités protéiques à l'échelle. 2) IA généralisée : Leurs techniques exclusives de préparation d'échantillons et d'extraction d'ADN génèrent des ensembles de données d'entraînement bien normalisés, permettant à leur plateforme d'IA d'apprendre rapidement les fonctions biologiques de diverses modalités protéiques (peptide, enzyme, anticorps, etc.). Il en résulte un modèle de langage protéique hautement généralisé capable de créer des médicaments protéiques nouveaux, développables et sûrs. 3) IA interprétable : Leur méthodologie brevetée déchiffre avec précision les schémas de séquence associés à des fonctions protéiques spécifiques. Cela fournit non seulement des informations scientifiques précieuses sur la biologie, mais facilite également la rétroaction humaine pour améliorer la précision et la généralisabilité du modèle.
