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:

  • Sub-optimal: risultati con basse performance
  • Soluzioni locali: test di poche molecole candidate
  • Puramente sperimentale: non si usa i dati dal sequenziamento e la rivoluzione IA.

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.

  • Performances. Varie innovazioni tecniche provvedono dell performance migliori delle altre soluzioni di apprendimento automatico.
  • Integrabilità. La soluzione beneficia dei trend di ricerca e sviluppo per creare nuove biomolecole
  • Flessibilità and generalità. Permette di indirizzare a una vasta varietà di problemi e bisogni
  • Soluzione globale.  Screening computazionale di tutti I possibili candidati di varianti proteiche.
  • Data-driven. Beneficia della crescente quantità di dati disponibili a un costo di sequenziamento ridotto.

Soluzioni ai punti critici del mercato

I vantaggi tecnologici forniti:

  • Molecole con affinità maggiore
  • Costi ridotti, minore spreco di risorse e di tempo

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

  • Luglio 2019: presentazione del brevetto Italiano (TRL 3)
  • Agosto 2019: First Partnership
  • Novembre 2020: Avvio Programma PoC
  • Novembre 2021: Creazione del Spin-Off (TRL 5)

➢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.

  • Uno dei membri del team parteciperà a un Executive MBA accreditato.
  • In base all’esito del programm PoC abbiamo l’opportunità di ricevere fino a 0.5M di investimenti di partenza.

➢Cerchiamo nuove partnership e investitori.

Review the Technology
TRL 1
TRL 2
TRL 3
TRL 4
TRL 5
TRL 6
TRL 7
TRL 8
TRL 9

TRL

Il team

Menu