Il design di nuove proteine (ad esempio anticorpi e enzimi) è oggetto di un intenso interesse nella ricerca chimica e farmaceutica, con un mercato di prodotti e servizi in espansione. Il presente brevetto riguarda una innovativa metodologia di machine learning per la generazione di sequenze di proteine ottimizzate per una specifica funzione biochimica.
Stato del brevetto
DEPOSITATO
Numero di priorità
102019000009531
Data di priorità
19/06/2019
Licenza
ITALIA
Mercato
Settori:
Industria farmaceutica, alimentare e chimica, applicazioni ambientali, produzione di biopolimeri.
Nel prossimo futuro l’integrazione di esperimenti a rendimento elevato con l’AI porterà a un cambiamento critico nel R&D del settore farmaceutico e biotecnologico.
Obiettivi:
In una prima fase la nostra azienda mira a supportare organizzazioni che richiedano l’utilizzo di data science e analisi avanzata dei dati nello sviluppo di un nuovo prodotto non disponendo delle risorse e le competenze necessarie.
TAM – total addressable market
Mercato di protein engineering~ 2 Miliardi
(Industria farmaceutica, alimentare e chimica, applicazioni ambientali, produzione di biopolimeri)
SAM – serviceable addressable market
Settore di protein design ~ 700 Milioni
SOM – serviceable obtainable market
Aziende dell’industria farmaceutica o chimica con wet lab di R&D per la protein engineering
Problema
La creazione di nuove proteine (es. Anticorpi ed enzimi) con una funzionalità specifica è un problema complesso e insoluto.
Il problema ha importanti ripercussioni sul settore farmaceutico e chimico con un mercato di prodotti e servizi in espansione.
Un mercato di riferimento: protein therapeutics.
Il processo di drug discovery è caratterizzato da un lato da un alto ritorno sugli investimenti e dall’altra da una lunga, costosa e rischiosa pipeline. Ottenere molecole con una alta performatività permette di avere sia un vantaggio rispetto ai competitors sia ridurre lo spreco di risorse e tempo.
Limiti attuali tecnologie / Soluzioni
Evoluzione Diretta
Uno degli approcci più usati è la Directed Evolution, che permette di caratterizzare la funzionalità di libreria combinatoriali di mutanti con l’obbiettivo di selezionare i varianti con la funzionalità desiderata accresciuta.
Limitazioni:
Trend d’innovazione:
➢Esperimenti High-throughput (parallelizzazione e più funzioni selezionabili)
➢Metodo di sequenziamento Next-gen (riduzione costi e maggiore parallelizzazione)
Killer Application
L’identificazione e ottimizzazione del composto guida sono due step cruciali nel processo di sviluppo dei farmaci. Durante queste fasi vengono costantemente effettuati esperimenti di screening a rendimento elevato per ottenere composti ad alte performance.
Proteolabio può essere utilizzato per ottenere candidati molecolari con performance migliori: questo fornisce non solo un vantaggio rispetto ai competitor, ma riduce anche i costi e gli sprechi di risorse nelle successive fasi di studi preclinici e clinici.
Tecnologia e nostra soluzione
Un metodo computazionale per ottimizzare sequenze biologiche.
L’invenzione presente fa usa di un innovativo metodo di machine-learning che, partendo dal sequenziamento di librerie di mutanti, produce un modello statistico accurato dell’associazione tra genotipo e fenotipo, che a sua volta permette la generazione di nuove sequenze aminoacidiche con funzione biochimica di interesse.
Il servizio fondamentale fornito dalla tecnologia consiste nella predizione e generazione di sequenze ottimizzate ottenute sfruttando i dati proveniente da esperimenti high-throughput di screening come quelli di Evoluzione Diretta.
Vantaggi
La nostra tecnologia produce una predizione accurata degli effetti delle mutazioni su una proteina di interesse.
Queste predizioni possono essere utilizzate per una esplorazione computazionale completa dello spazio delle sequenze, permettendo di testare molecole in maniera veloce e non onerosa. Con il vantaggio di aumentare la frequenza di successo che una particolare molecola raggiunga il mercato e di accelerarne al contempo il processo riducendo gli sprechi di risorse e di tempo in laboratorio.
Soluzioni ai punti critici del mercato
I vantaggi tecnologici forniti:
Per fornire un esempio di applicazione, nel processo di sviluppo dei farmaci l’identificazione e l’ottimizzazione del composto guida è uno step cruciale per ottenere dei candidati validi che possano passare ai costosi studi preclinici e clinici. Ottenere candidati molecolari con alte performance permette di ridurre i costi e lo spreco di risorse nei successivi step del processo.
Roadmap
➢Abbiamo avviato una partnership con un’azienda affermata nel campo delle terapie anticorpali. La collaborazione riguarda lo sviluppo di un algoritmo personalizzato che integri una piattaforma sperimentale brevettata dall’azienda partner.
➢Vogliamo creare un’azienda spin-off del Politecnico che possa sfruttare il brevetto e il know-how del team.
➢Cerchiamo nuove partnership e investitori.
TRL
Il team
