CDD obtient une subvention SBIR de phase 2 pour une stratégie d'apprentissage profond pour la découverte de médicaments.

Burlingame, Californie -7 avril 2020- Collaborative Drug Discovery, fournisseur d'une plateforme informatique de découverte de médicaments basée sur le Web, a annoncé qu'elle avait obtenu une subvention SBIR de phase 2 du NIH NCATS. CDD Vault plateforme informatique de découverte de médicaments basée sur le web, a annoncé avoir remporté une subvention SBIR de phase 2, compétitive et évaluée par les pairs, du NIH NCATS, intitulée : " Nouvelle stratégie d'apprentissage profond pour mieux prédire les propriétés pharmacologiques des médicaments candidats et concentrer les efforts de découverte ".

Collaborative Drug Discovery, Inc. (CDD) propose de poursuivre le développement d'une nouvelle approche de modélisation informatique basée sur des réseaux neuronaux d'apprentissage profond pour coder les molécules en vecteurs chimiquement riches.

Dans Phase 1 nous avons démontré que cette représentation permettait d'obtenir des modèles de calcul qui prédisent plus précisément les propriétés chimiques des molécules que les modèles de pointe, mais qui sont aussi beaucoup plus simples à construire car ils ne nécessitent aucune décision d'expert ni aucune optimisation pour atteindre des performances élevées.

Dans la phase 2, nous exploiterons cette simplicité sans précédent pour développer un logiciel intuitif qui, pour la première fois, permettra à tout chimiste ou biologiste travaillant dans le domaine de la découverte de médicaments de créer et d'exécuter ses propres modèles prédictifs - sans avoir recours à des compétences spécialisées en matière de cheminement - tout en atteignant ou en dépassant la précision des meilleures techniques actuellement disponibles. Nous étendrons également notre validation au-delà de la preuve de concept de la phase 1 afin d'englober un plus large éventail de bioactivité, d'ADME/tox et de propriétés pharmacocinétiques. Ces objectifs suffisent déjà à créer un produit révolutionnaire qui aidera les scientifiques à accélérer la découverte de nouveaux médicaments dans de nombreux domaines thérapeutiques.

Les modèles informatiques qui prédisent les propriétés pharmacologiquement pertinentes jouent un rôle omniprésent dans la recherche sur la découverte de médicaments, des laboratoires universitaires aux grandes entreprises pharmaceutiques. Certaines propriétés (par exemple le logP) peuvent maintenant être modélisées avec un tel degré de confiance que les modèles ont remplacé la nécessité d'effectuer les essais, mais de nombreuses autres propriétés critiques (par exemple la solubilité, ADME, PK, hERG) restent loin de cet objectif. Nous espérons que les vecteurs riches en produits chimiques que nous proposons feront progresser considérablement l'état de l'art au-delà de ce qui peut être obtenu avec les descripteurs et les empreintes conventionnels. Des modèles améliorés permettront aux chercheurs de sélectionner plus efficacement les séries de candidats principaux, d'explorer l'espace chimique autour des prospects pour générer plus efficacement de la PI nouvelle, de réduire les taux d'échec des composés qui progressent dans le pipeline de la découverte de médicaments et d'accélérer l'ensemble du processus de découverte de médicaments. Ces avantages se concrétiseront largement dans la plupart des domaines thérapeutiques.

À propos de cette subvention

Le Small Business Innovation Research (SBIR) fait partie d'un programme visant à permettre le partage des données biologiques. Le précédent numéro d'attribution de la phase 1 ( #1R43TR002527-01) du National Center for Advancing Translational Sciences est décrit sur Reporter du NIH. Le contenu de ce site relève de la seule responsabilité des auteurs et ne représente pas nécessairement les vues officielles du National Center for Advancing Translational Sciences ou des National Institutes of Health.