Les tumeurs solides à un stade avancé manquent souvent de traitements efficaces, mais les médicaments à base de récepteurs T (TCR), qui peuvent cibler les marqueurs intracellulaires du cancer, sont une approche prometteuse. Cependant, il est difficile de déterminer des TCR puissants et spécifiques pour les antigènes du cancer. La plateforme de Vcreate utilise des tests avancés d'apprentissage automatique et de dépistage pour identifier rapidement les récepteurs des lymphocytes T (TCR) pour les cibles importantes du cancer. Leur technologie permet un criblage à haut débit de plus de 100 000 TCR contre jusqu'à 1 000 cibles en une seule expérience, offrant une efficacité plus de 100 fois supérieure à celle des méthodes existantes. Leurs modèles exclusifs d'apprentissage automatique peuvent prédire les interactions du TCR avec des cibles de cancer, y compris celles dont les données d'entraînement sont limitées ou inexistantes, ce qui entraîne la découverte de nouveaux TCR contre des cibles anticancéreuses précieuses.
Quel est le problème ?
La plupart des tumeurs solides à un stade avancé n'ont toujours pas d'options de traitement efficaces pour les patients. Les médicaments à base de récepteurs T (TCR) offrent une modalité unique pour cibler les cellules cancéreuses grâce à leur capacité à reconnaître des cibles cancéreuses intracellulaires (p. ex. KRAS mutés et PIK3CA). Les récepteurs des lymphocytes T peuvent être utilisés pour des thérapies à base de lymphocytes T ou être transformés en activateurs de cellules T (par exemple, la BITE) pour traiter le cancer sans fabrication de cellules. La FDA a approuvé le premier engagement de lymphocytes T basé sur le TCR en 2022, et les cibles d'antigènes du cancer les plus utiles sur le plan clinique restent non médicamenteuses. Il est difficile d'identifier les TCR qui interagissent avec les antigènes du cancer avec une puissance et une spécificité élevées.
Quelle est leur solution ?
La plateforme de Vcreate combine de nouveaux tests d'apprentissage automatique et de dépistage pour identifier rapidement les TCR contre des cibles de cancer cliniquement précieuses. Leur plateforme de laboratoire humide peut interroger plus de 100 000 TCR contre jusqu'à 1 000 cibles au cours d'une seule expérience, avec des lectures de cibles TCR jumelées. Il s'agit d'un débit > 100 fois supérieur à celui des autres méthodes de criblage existantes. Leurs modèles exclusifs d'apprentissage automatique peuvent prédire des cibles de cancer hautement présentables (par présentation de l'antigène MHC) et l'interactivité du TCR par rapport aux cibles d'intérêt, y compris des cibles avec des données d'entraînement extrêmement limitées ou inexistantes, ce qui n'est pas possible avec des travaux antérieurs (p. ex., TCRAI, DeepTCR, NetTCR, etc.). Les progrès réalisés ici proviennent à la fois de la nouvelle architecture d'apprentissage automatique et des données générées par leur essai exclusif. Ils ont déjà découvert de nouveaux TCR contre plusieurs cibles précieuses.
