CDD erhält Phase-2-SBIR-Zuschuss für Deep-Learning-Strategie zur Entdeckung von Arzneimitteln

Burlingame, Kalifornien - 7. April 2020 - Collaborative Drug Discovery, Anbieter einer CDD Vault Anbieter einer webbasierten Plattform für die Arzneimittelentdeckung, gab bekannt, dass sie einen wettbewerbsfähigen, von Fachleuten geprüften Phase-2-SBIR-Zuschuss des NIH NCATS mit dem Titel "Novel deep learning strategy to better predict pharmacological properties of candidate drugs and focus discovery efforts" erhalten haben.

Collaborative Drug Discovery, Inc. (CDD) schlägt vor, die Entwicklung eines neuartigen computergestützten Modellierungsansatzes fortzusetzen, der auf neuronalen Netzen mit tiefem Lernen basiert, um Moleküle in chemisch reichhaltige Vektoren zu kodieren.

In Phase 1 haben wir gezeigt, dass diese Repräsentation Berechnungsmodelle ermöglicht, die die chemischen Eigenschaften von Molekülen genauer vorhersagen als modernste Modelle, aber auch viel einfacher zu erstellen sind, da sie keine Expertenentscheidungen oder Optimierungen benötigen, um eine hohe Leistung zu erreichen.

In Phase 2 werden wir diese beispiellose Einfachheit nutzen, um ein intuitives Softwarepaket zu entwickeln, mit dem erstmals jeder Chemiker oder Biologe, der in der Wirkstoffforschung tätig ist, seine eigenen Vorhersagemodelle erstellen und ausführen kann - ohne auf spezielles Know-how in der Chemieinformatik angewiesen zu sein - und dennoch die Genauigkeit der besten derzeit verfügbaren Techniken erreicht oder übertrifft. Wir werden unsere Validierung auch über den Phase 1 Proof-of-Concept hinaus ausdehnen, um eine breitere Palette von Bioaktivität, ADME/Tox und pharmakokinetischen Eigenschaften zu erfassen. Diese Ziele reichen bereits aus, um ein bahnbrechendes Produkt zu schaffen, das Wissenschaftlern helfen wird, die Entdeckung neuer Medikamente auf breiter Basis in vielen therapeutischen Bereichen zu beschleunigen.

Computergestützte Modelle, die pharmakologisch relevante Eigenschaften vorhersagen, spielen eine allgegenwärtige Rolle in der Arzneimittelforschung, von akademischen Labors bis hin zu großen Pharmaunternehmen. Einige Eigenschaften (z. B. logP) können inzwischen mit so hoher Zuverlässigkeit modelliert werden, dass die Modelle die Notwendigkeit der Durchführung von Assays ersetzt haben, aber viele andere kritische Eigenschaften (z. B. Löslichkeit, ADME, PK, hERG) sind noch weit von diesem Ziel entfernt. Wir erwarten, dass die von uns vorgeschlagenen chemisch reichhaltigen Vektoren den Stand der Technik deutlich über das hinaus verbessern werden, was mit herkömmlichen Deskriptoren und Fingerprints erreicht werden kann. Verbesserte Modelle werden es den Forschern ermöglichen, Leitkandidaten-Serien effektiver auszuwählen, den chemischen Raum um die Leitstrukturen herum zu erkunden, um neue IP effizienter zu generieren, die Ausfallraten für Verbindungen, die die Wirkstoffforschungs-Pipeline durchlaufen, zu reduzieren und den gesamten Wirkstoffforschungsprozess zu beschleunigen. Diese Vorteile werden auf breiter Basis in den meisten therapeutischen Bereichen zum Tragen kommen.

Über dieses Stipendium

Das Small Business Innovation Research (SBIR) ist Teil eines Programms, das die gemeinsame Nutzung von biologischen Daten ermöglicht. Der frühere Phase 1 Award Number #1R43TR002527-01 vom National Center for Advancing Translational Sciences ist beschrieben auf NIH-Berichterstatter. Der Inhalt liegt in der alleinigen Verantwortung der Autoren und repräsentiert nicht unbedingt die offiziellen Ansichten des National Center for Advancing Translational Sciences oder der National Institutes of Health.