La découverte collaborative de médicaments remporte la phase II de la subvention SBIR pour développer des outils de biocalcul dans des ensembles de données privées distribuées afin d'améliorer la découverte de médicaments

Burlingame, Californie - 19 novembre 2013 - Collaborative Drug Discovery (CDD), fournisseur d'une plateforme informatique de découverte de médicaments basée sur le web, a annoncé avoir reçu une subvention pour un projet de développement de logiciel axé sur le modèle de calcul et le partage de données.

La subvention de la phase II du programme Small Business Innovation Research (SBIR) du National Center for Advancing Translational Sciences fait partie d'un programme visant à permettre le partage des données biologiques.

"Au cours de la phase I, nous avons démontré que les modèles informatiques d'apprentissage automatique pour la tuberculose pouvaient être partagés entre les laboratoires et utilisés pour faire des prédictions et sélectionner les composés à tester", a déclaré Sean Ekins, Ph.D., D.Sc., directeur scientifique de CDD. En collaboration avec Joel Freundlich (Rutgers -New Jersey Medical School), Robert Reynolds (Southern Research Institute) et Allan Casey (Infectious Disease Research Institute), de nouveaux composés actifs ont été identifiés contre la cellule entière de Mycobacterium tuberculosis in vitro (1-5). Ekins ajoute : "Ces travaux font suite à notre précieuse collaboration avec Pfizer en 2010, qui a également débouché sur un article décrivant l'utilisation d'outils open source pour les modèles ADME computationnels (6). Nous avons alors compris qu'il existait une opportunité importante d'utiliser CDD pour héberger et partager sélectivement des modèles computationnels."

La subvention s'appuiera sur le travail de pionnier de CDDen matière de partage sélectif sécurisé de données hébergées, et sera utilisée pour développer un nouveau produit pour CDD.

Le projet décrit a été soutenu par le prix numéro 9R44TR000942-02 du National Center for Advancing Translational Sciences. Le contenu est uniquement la responsabilité des auteurs et ne représente pas nécessairement le point de vue officiel du National Center for Advancing Translational Sciences ou des National Institutes of Health.

À propos de Collaborative Drug Discovery, Inc.
CDD (www.collaborativedrug.com) fournit la plate-forme informatique de découverte de médicaments basée sur le Web la plus utilisée sur le marché. CDD Vault® est la base de données industrielle privée et sécurisée qui combine l'informatique traditionnelle de découverte de médicaments (enregistrement et SAR) avec des capacités de réseau social. Une version librement accessible de CDD Vault permet aux chercheurs d'exploiter une agrégation unique d'informations publiques provenant de divers fournisseurs de données scientifiques.

Contacts médias : Barry Bunin, PhD, Collaborative Drug Discovery, (650) 204-3084, [email protected]

Références :

1. Ekins S, Casey A.C, Roberts D, Parish T. et Bunin BA, Bayesian Models for Screening and TB Mobile for Target Inference with Mycobacterium tuberculosis, soumis en 2013.

2. Ekins S, Freundlich JS et Reynolds RC, Fusing dual-event datasets for Mycobacterium Tuberculosis machine learning models and their evaluation, J Chem Inf Model, In Press 2013.

3. Ekins S, Freundlich JS, Hobrath JV, White EL, Reynolds RC, Combining computational methods for hit to lead optimization in Mycobacterium tuberculosis drug discovery, Pharm Res, In Press 2013.

4. Ekins S, Reynolds RC, Franzblau SG, Wan B, Freundlich JS et Bunin BA. Enhancing hit identification in Mycobacterium tuberculosis drug discovery using validated dual-event Bayesian models, PLOS ONE, 8(5) : e63240, 2013.

5. Ekins S, Reynolds RC, Kim H, Koo M-S, Ekonomidis M, Talaue M, Paget SD, Woolhiser LK Lenaerts AJ, Bunin BA, Connell N et Freundlich JS. Bayesian models leveraging bioactivity and cytotoxicity information for drug discovery, Chem Biol, 20 : 370-378, 2013.

6. Rishi R. Gupta, Gifford, EM, Liston T, Waller CL, Hohman M, Bunin BA et Ekins S, Using open source computational tools for predicting human metabolic stability and additional ADME/Tox properties, Drug Metab Dispos, 38 : 2083-2090, 2010.