CDD recibe una subvención SBIR de fase 2 sobre una estrategia de aprendizaje profundo para el descubrimiento de fármacos

Burlingame, California -7 de abril de 2020- Collaborative Drug Discovery, proveedor de CDD Vault plataforma informática de descubrimiento de fármacos basada en la web, ha anunciado que ha obtenido una subvención SBIR competitiva y revisada por pares de NIH NCATS titulada: "Novel deep learning strategy to better predict pharmacological properties of candidate drugs and focus discovery efforts".

Collaborative Drug Discovery, Inc. (CDD) propone continuar el desarrollo de un novedoso enfoque de modelado computacional basado en redes neuronales de aprendizaje profundo para codificar moléculas en vectores químicamente ricos.

En Fase 1 demostramos que esta representación permite crear modelos computacionales que predicen con mayor precisión las propiedades químicas de las moléculas que los modelos más avanzados, y que además son mucho más sencillos de construir porque no requieren ninguna decisión experta ni optimización para lograr un alto rendimiento.

En la fase 2 aprovecharemos esta simplicidad sin precedentes para desarrollar un paquete de software intuitivo que, por primera vez, permitirá a cualquier químico o biólogo que trabaje en el descubrimiento de fármacos crear y ejecutar sus propios modelos predictivos -sin depender de la experiencia especializada en quimioinformática- y, aun así, alcanzar o superar la precisión de las mejores técnicas disponibles actualmente. También ampliaremos nuestra validación más allá de la prueba de concepto de fase 1 para abarcar una gama más amplia de propiedades de bioactividad, ADME/ Tox y farmacocinéticas. Estos objetivos ya son suficientes para crear un producto innovador que ayudará a los científicos a acelerar el descubrimiento de nuevos fármacos en muchas áreas terapéuticas.

Los modelos computacionales que predicen las propiedades farmacológicas relevantes desempeñan un papel omnipresente en la investigación del descubrimiento de fármacos desde los laboratorios académicos hasta las grandes empresas farmacéuticas. Algunas propiedades (por ejemplo, el logP) pueden ahora modelarse con una confianza tan alta que los modelos han sustituido la necesidad de realizar los ensayos, pero muchas otras propiedades críticas (por ejemplo, solubilidad, ADME, PK, hERG) siguen estando lejos de este objetivo. Esperamos que los vectores químicamente ricos que proponemos hagan avanzar significativamente el estado del arte más allá de lo que se puede lograr con los descriptores y huellas dactilares convencionales. Los modelos mejorados permitirán a los investigadores seleccionar series de candidatos principales de forma más eficaz, explorar el espacio químico en torno a las pistas para generar nuevas PI de forma más eficiente, reducir las tasas de fracaso de los compuestos que avanzan en el proceso de descubrimiento de fármacos y acelerar todo el proceso de descubrimiento de fármacos. Estos beneficios se materializarán ampliamente en la mayoría de las áreas terapéuticas.

Acerca de esta subvención

El programa Small Business Innovation Research (SBIR) forma parte de un programa que permite compartir datos biológicos. La anterior fase 1 del premio número #1R43TR002527-01 del National Center for Advancing Translational Sciences se describe en Reportero del NIH. Este contenido es responsabilidad exclusiva de los autores y no representa necesariamente la opinión oficial del National Center for Advancing Translational Sciences o de los National Institutes of Health.