Lantern Pharma Inc. ha annunciato una serie di importanti traguardi legati allo sviluppo, alle dimensioni e all'avanzamento di RADR® - la sua piattaforma AI proprietaria, focalizzata sulla trasformazione dei costi, dei ritmi e delle tempistiche dello sviluppo di farmaci oncologici. L'azienda prevede di continuare l'espansione e la crescita dei dati di RADR® con un processo sempre più automatizzato e abilitato all'apprendimento automatico, che consente la raccolta, l'etichettatura e la cura dei set di dati da fonti proprietarie, collaborative e pubbliche in modo altamente efficiente. Lantern prevede inoltre che una quantità significativa di nuovi dati proverrà da studi di immuno-oncologia (IO) e da sperimentazioni cliniche IO, nonché da analisi proprietarie mirate all'estrazione di caratteristiche molecolari da centinaia di migliaia di molecole (sia approvate dalla FDA che in fase di sviluppo).

Gli sforzi di espansione dei dati su larga scala sono stati avviati per RADR® all'inizio del 2019, quando la piattaforma aveva meno di 20 milioni di punti di dati, e sono cresciuti fino a quasi 300 milioni di punti di dati entro la metà del 2020 (al momento dell'IPO di Lantern) e sono cresciuti oltre i 60 miliardi? Un aumento di 200 volte dall'IPO e un aumento di quasi 3.000 volte dall'inizio delle campagne di crescita dei dati. Questa strategia ha permesso di analizzare i dati provenienti da migliaia di fonti precedentemente isolate in modo più completo, esaustivo e produttivo e ha contribuito allo sviluppo di nuove indicazioni per LP-184 e allo sviluppo di LP-284 in modo altamente compresso ed efficace dal punto di vista dei costi, oltre a portare a numerosi poster di conferenze e pubblicazioni scientifiche da parte di Lantern Pharma e dei suoi collaboratori.

Le attuali campagne di crescita dei dati, che prevedono l'aggiunta di dati sull'antigene, sulla risposta immunitaria e sulle proteine, stanno anche consentendo un'analisi multiomica più robusta e potente, posizionata per guidare l'uso di LP-184, LP-284 e di altri agenti sinteticamente letali simili in combinazione con gli inibitori del checkpoint standard. Queste analisi su larga scala, basate sull'apprendimento automatico, possono essere fondamentali per gli sforzi futuri, in cui l'AI può contribuire in modo più efficiente agli sforzi di sviluppo dei farmaci, creando automaticamente i propri modelli e testando combinazioni di farmaci non considerate in precedenza, anche in indicazioni oncologiche rare e difficili da trattare, in cui le terapie convenzionali non hanno mostrato alcun miglioramento misurabile o in cui i pazienti spesso sviluppano resistenza a queste terapie e richiedono nuovi approcci.