متیو پی. گریوینگ، دکترا، بیش از دو دهه است که به استفاده از علوم کامپیوتر برای کشف دارو علاقه مند بوده است. به طوری که وقتی گوگل برای اولین بار پلتفرم ایمیل خود را راه اندازی کرد، یک آدرس الکترونیکی پیدا کرد که ترکیبی از علم محاسبات و بیوشیمی است.
مدت‌هاست که به این فکر می‌کنم که چگونه بیوشیمی را با علوم کامپیوتر ادغام کنم! گریوینگ، که معاون فناوری پلتفرم و یادگیری ماشین در iBio است، گفت ژنرال.
گروینگ با همراهی مدیر عامل و مدیر ارشد اجرایی مارتین برنر، دکترای DVM، با ژنرال در یک دفتر موقت – منطقه‌ای با یک میز قهوه‌خوری و چند صندلی که با دو قفسه کتاب بلند و عمود بر شانه‌ها نزدیک گوشه پشتی حفاری‌های سبک استارت‌آپ جدیدشان در سن دیگو قرار دارند. جلسه درست در فضای باز برگزار می شود و نه برای کمبود فضا.
یک شرکت سهامی عام، iBio در حال اصلاح است و تا حد امکان شفاف است. برنر گفت: “ما این داستان چرخشی را شاید دو سال پیش با استخدام تیم مناسب، آوردن فناوری مناسب و در نهایت سال گذشته وارد شدن به فضای جدیدمان آغاز کردیم.” او گفت: «ما در مراحل و مراحل نهایی هستیم تا به طور کامل تجهیزات را به یک بیوتکنولوژی جدید تغییر دهیم.
در سپتامبر 2022، iBio اعلام کرد که دارایی‌های خاصی را از RubrYc Therapeutics، شرکتی که توسط گریوینگ بنیان‌گذاری شده است، به دست آورده است که اوج آن پلتفرم و خط لوله کشف داروی هوش مصنوعی (AI) است. دو ماه بعد، این شرکت فرآیندی را برای واگذاری تجارت CDMO و تأسیسات تولید بیولوژیک cGMP آغاز کرد و سرمایه‌گذاری‌های خود را به خط لوله ای از دارایی‌های ایمونوآنکولوژی و کشف دارو مبتنی بر هوش مصنوعی تغییر داد. یک تجدید ساختار به طور بالقوه می تواند حدود 50 درصد صرفه جویی در هزینه سالانه را محقق کند. یک ماه بعد، مدیر عامل شرکت توماس ایست از سمت مدیرعامل و عضو هیئت مدیره استعفا داد و برنر علاوه بر نقش خود به عنوان مدیر عامل iBio، به عنوان مدیرعامل موقت وارد کار شد.
کشف مواد مخدر در سه عمل
گروینگ و برنر هر دو پیشینه ای در ریاضیات و علوم کامپیوتر دارند و در بحث استفاده از هوش مصنوعی حساب شده و محتاط هستند. آنها اصرار دارند که در حالی که iBio از یادگیری ماشینی برای هدایت آنتی‌بادی‌ها علیه اپی توپ‌های پروتئینی خاص استفاده می‌کند، چیزی که آنها واقعاً می‌خواهند به خاطر آن شناخته شوند، کاربرد دنیای واقعی است. پشته فناوری همچنین به iBio اجازه می دهد تا این آنتی بادی ها را به گونه ای بهینه کند که خطر پایین دستی را کاهش دهد و روند را سرعت بخشد.
وقتی نوبت به نوآوری‌های بالقوه‌شان در یادگیری ماشینی می‌رسد، به نظر می‌رسد که آنها کاملاً متواضع هستند، که تقریباً به همه جنبه‌های فرآیند کشف سه‌بخشی آنها متصل می‌شود.
اول، آنها در حال مهار یک موتور برای اپی توپ های مهندسی برای اهداف گریزان هستند. گریوینگ با اشاره به ابزار محاسباتی ای که حدود شش سال پیش به عنوان پایه و اساس RubrYc توسعه داد، گفت: «بازده، به ویژه برای اهداف چالش برانگیز سنتی، بسیار بالا می رود. او موفقیت آن را به یک کشف بزرگ با کودی مور نسبت داد – دانشمند جوانی که از نردبان RubrYc بالا رفت و به گریوینگ در iBio پیوست.
دوم، iBio با استفاده از چندین پایگاه داده در دسترس عموم و داده های تولید شده داخلی خود در مورد ساختار پروتئین انسانی، از مدلی مبتنی بر پردازش زبان طبیعی استفاده می کند. با این حال، به جای کار با زبان نوشتاری، از آن بر روی توالی های آنتی بادی استفاده می شود. اساساً، پردازنده هر نسخه محاسباتی یک آنتی بادی را بیرون می ریزد و iBio را قادر می سازد تا کتابخانه های آنتی بادی با تنوع توالی کامل انسانی بسازد.
گریوینگ گفت: “کتابخانه های ما می توانند بین صدها هزار، حتی میلیون ها توالی آنتی بادی باشند.” شما یک یا چند مورد از اپی توپ های مهندسی شده خود را می گیرید و آن را با کتابخانه انکوبه می کنید. ساخت این اپی توپ های مهندسی شده سریع و ارزان است. اکنون، می‌توانید آنتی‌بادی‌هایی را که آن اپی توپ‌ها را به هم متصل می‌کنند، از بین ببرید.»
گریوینگ و برنر برای سخت‌تر کردن یک مشکل سخت به دنبال آنتی‌بادی‌های چندگانه هستند. شاید از یک میلیارد فقط 10 مورد وجود داشته باشد [antibody sequences] که به آن اپی توپ متصل می شوند، و اگر از روش های سنتی استفاده کنید، پیدا کردن 10 در یک میلیارد بسیار سخت خواهد بود. اما اگر واقعاً روی آن با اپی توپ های مهندسی شده تمرکز کنید، می توانید آن ها را با کارآمدتر بیرون بکشید.
سوم، آنها یک نمایشگر پستانداران از این کتابخانه های آنتی بادی ایجاد کرده اند که برای افزایش تولید آنتی بادی ها حیاتی است. برای انجام این کار، خط لوله iBio سلول های مورد استفاده برای تولید را برای بیان آنتی بادی ها در مراحل اولیه کشف یکپارچه می کند. به طور خاص، آنها سلول‌های CHO را مهندسی کرده‌اند تا آنتی‌بادی‌های IgG را برای تقلید از یک سلول B نشان دهند، و مرتب‌سازی تک‌سلولی را برای یافتن سلول‌هایی که به بهترین شکل یک آنتی‌بادی کاندید را بیان می‌کنند، انجام می‌دهند.
گفت: «این فقط کارهایی را که می‌توانیم در پایین‌دست انجام دهیم تسریع می‌کند و به ما اجازه می‌دهد تا فوراً در مورد قابلیت توسعه یک آنتی‌بادی قضاوت کنیم، بنابراین مجبور نیستیم یک مسیر را طی کنیم و شش ماه از امروز متوجه شویم که یک آنتی‌بادی مکش می‌کند.» گریوینگ. در عرض چند هفته، می‌توانیم آنتی‌بادی را که معتقدیم قابلیت توسعه بالایی دارد، بهینه‌سازی کرده و بیرون بیاوریم.»
یک ماشین ضعیف و ضعیف
در حال حاضر، iBio در مراحل پیش بالینی است و پیشرفته ترین برنامه آن در مرحله فعال کردن IND است. به عنوان بخشی از افزایش، آنها از شرکای خارجی استفاده می کنند تا بتوانند روی تیم و خط لوله تمرکز کنند.
برنر گفت: “من از طرفداران بزرگ تحقیق و توسعه ناب هستم.” با تمرکز تیم بر روی آنچه در آن خوب هستیم، می‌توانیم خط لوله نسبتاً وسیعی را اجرا کنیم. ما از قوانین استاندارد کشف دارو پیروی می کنیم: آنتی بادی ها را غربال کنید، آنها را در شرایط آزمایشگاهی آزمایش کنید، یک مدل غربالگری in vivo انجام دهید تا ببینید آیا اثبات مفهومی در داخل بدن وجود دارد، بهینه سازی کنید، و سپس وارد مدل های حیوانی ترجمه پیچیده تر شوید. از آن نقطه به بعد، ما می‌توانیم تصمیمات بسیار سریعی بگیریم تا آن را در توسعه فرآیند و توانمندسازی IND قرار دهیم. ما می‌توانیم واقعاً، واقعاً سریع، از ایده به اثبات مفهوم in vivo در شش ماه پیش برویم.»
برنر گفت برای اینکه اینقدر لاغر باشند، سعی کرده‌اند دانشمندان «دو زبانه» را استخدام کنند که هم در زیست‌شناسی و هم در یادگیری ماشین یا علم داده مهارت دارند. برنر گفت: “من فکر می کنم آنچه ما را متفاوت و موفق می کند این است که ما اساساً هر دو طرف معادله را در یک فرد واحد ادغام کرده ایم.” به عنوان مثال، الکس تاگوچی، مدیر یادگیری ماشین ما، نه تنها اپی توپ طراحی می کند. او نیز در آزمایشگاه است. رئیس پلتفرم ما، کودی مور، نه تنها اساساً اتوماسیون را اجرا می کند. او همچنین در یادگیری ماشینی بسیار مسلط است.” بدون تعجب و در عین حال کاملاً تصادفی، گریوینگ گفت که مور سعی کرد دقیقاً همان آدرس جیمیل خود را سال‌ها پیش بگیرد و مجبور شد به نسخه‌ای کمی متفاوت بسنده کند.
به گفته برنر، این نوع دانشمند بین رشته ای برای شرکت هایی که از یادگیری ماشین استفاده می کنند ضروری است. برنر گفت: «بسیار جذاب است که ببینیم شرکت‌های نسل اول مجهز به هوش مصنوعی هنوز در حال مبارزه هستند. به نظر می رسد که بیگ فارما تقریباً نمی تواند بر این شکاف بین دو رشته غلبه کند. بنابراین، اگر این را با طراحی بسازید، از داشتن این سیلوها اجتناب می کنید. شما واقعاً نمی توانید مبهم بودن یک آزمایش بیولوژیکی را برای کسی که به صفر و یک عادت کرده است توضیح دهید، مگر اینکه با آن بزرگ شده باشد و یک مسیر آکادمیک را با آن طی کرده باشد. شاید آن دانشمندان پنج یا شش سال پیش در دسترس نبودند، اما اکنون هستند.
این فلسفه به معنای واقعی کلمه در فضای iBio تعبیه شده است، نیمی از آن به محاسبات آزمایشگاهی خشک و دیگری به بیوشیمی آزمایشگاهی مرطوب و زیست شناسی مولکولی اختصاص داده شده است، که با دقت طراحی شده است به طوری که هر نیمکت آزمایشگاهی یک مرحله از فرآیند کشف دارو است که تغذیه می کند. به بعدی تنها جدایی شیشه از کف تا سقف است.
هرگز تسلیم نشو
علیرغم اینکه گریوینگ و برنر چقدر متواضع هستند، آنها به همان اندازه جاه طلب و مصمم هستند. آنها سخت‌تر و سخت‌تر تلاش می‌کنند تا ثابت کنند پلتفرم آنها چه توانایی‌هایی دارد. برنر گفت: «تاکنون، ما هنوز به نقطه‌ای نرسیده‌ایم که مجبور باشیم پرچم سفید را به اهتزاز در بیاوریم – حداقل هشت به هشت نفر هستیم». این بدان معنا نیست که ما 100% موفق خواهیم ماند. اما تا کنون، ما به هدفی نرسیده‌ایم که برای پلت فرم خیلی سخت باشد.»
در حالی که به نظر می رسد که آسمان برای iBio محدودیت است، واقعیت این است که منابع گاهی محدود هستند. اگرچه برنر و گریوینگ مایلند به دنبال بیماری‌های عفونی و تخریب‌های عصبی بروند، اما جایی که می‌توان فناوری آنها را به بهترین نحو به کار برد، ایمونونوکولوژی است.
در پایان سال جاری، ما می‌خواهیم همه کاشف‌کنندگان آنتی‌بادی بدانند که اگر مشکلی برای شکستن آنها وجود داشته باشد، می‌دانند که به کجا می‌آیند و این باید ما باشیم، زیرا شواهد زیادی در خط لوله خود داریم که نشان می‌دهد. ما در واقع می‌توانیم به دنبال اهداف بسیار سخت مواد مخدر برویم، جایی که دیگران تلاش کرده‌اند و موفق نشده‌اند.»
گریوینگ در مورد پتانسیل یادگیری ماشینی در کشف دارو نگران است. او گفت: “اولین کار من در دوران رونق اینترنت بود و همه این شرکت های اینترنتی را با پتانسیل بسیار زیاد دیدم.” «خب، آن حباب بیشتر ترکید. من فکر نمی کنم ما در یک [machine learning] الان حباب بزن یادگیری ماشین واقعاً ما را قادر به انجام برخی از کشف‌های هدف جدید با کارایی بالا کرده است، و وقتی در میانه آن هستید، تقریباً نگران این هستید که “ما باید حرکت کنیم!”
The post Spin Me Round: iBio دوباره به عنوان مبتکر ایمونوتراپی های دقیق آنتی بادی ظاهر شد اولین بار در GEN – اخبار مهندسی ژنتیک و بیوتکنولوژی ظاهر شد.