Absci Corporation ha annunciato lo sviluppo di modelli di apprendimento automatico per progettare e raffinare nuovi anticorpi terapeutici. La nuova ricerca dimostra il progresso verso una pipeline di apprendimento automatico completamente in silico per la scoperta di farmaci. Absci sta perseguendo una visione per la progettazione di farmaci biologici completamente in-silico, passando dal target alla sequenza del candidato farmaco ‘con il clic di un pulsante.’ La capacità di realizzare questa visione è costruita sulle tecnologie proprietarie di generazione di dati di Absci’che possono valutare fino a dieci miliardi di cellule individuali a settimana – ciascuna che esprime una variante della sequenza del farmaco – che forniscono dati di substrato rilevanti e di alta qualità per le applicazioni AI. Nella sessione di oggi a NVIDIA GTC, una conferenza globale sull'AI, il Lead AI Scientist di Absci Joshua Meier descriverà due delle scoperte ML di drug discovery dell'azienda e presenterà la convalida dei modelli di ottimizzazione in-silico di Absci. La convalida, che richiede test in laboratorio umido delle previsioni dei modelli, è stata resa possibile dalla piattaforma e dai saggi di biologia sintetica proprietari e altamente ingegnerizzati di Absci. Il primo passo avanti è un modello di apprendimento automatico per la predizione quantitativa dell'affinità del bersaglio anticorpale, che permette previsioni computazionali della forza di legame. In un esempio, Absci ha dimostrato che questo modello poteva predire accuratamente l'affinità attraverso quattro ordini di grandezza per varianti di trastuzumab mai viste prima, incluso predire accuratamente le varianti che avevano migliori affinità di bersaglio rispetto al trastuzumab wild-type. La seconda scoperta è un modello di apprendimento automatico per valutare la ‘naturalità’ delle varianti di anticorpi; la naturalità è un parametro che Absci mostra essere associato a molteplici caratteristiche di sviluppabilità, e gli anticorpi con migliore sviluppabilità hanno una migliore probabilità di successo come candidati farmaci attraverso test preclinici e sviluppo clinico. Inoltre, Absci ha dimostrato che le tecniche ML generative hanno permesso un'ottimizzazione in-silico simultanea sia per l'affinità che per la naturalezza, sottolineando la fattibilità della pipeline di ottimizzazione computazionale dei lead. Absci sta collaborando con NVIDIA per accelerare e scalare la pipeline ML in-silico di Absci’utilizzando l'esperienza di NVIDIA e i kernel ottimizzati per grafici e trasformatori su GPU NVIDIA A100 Tensor Core. Inoltre, Absci continuerà a sintetizzare e testare le predizioni dei modelli nei suoi saggi ultra-throughput di proprietà per convalidare ulteriormente, addestrare iterativamente e raffinare le prestazioni AI.