Creative Biolabs a annoncé une mise à niveau de ses solutions fonctionnelles de protéines pilotées par l'IA, conçues pour accélérer le développement de thérapies métaboliques de nouvelle génération. L'entreprise relève le défi computationnel d'optimiser l'affinité multi-cibles tout en maintenant la stabilité métabolique dans les agonistes à double et triple récepteurs, tels que les combinaisons GLP-1/GIP/GCGR, qui sont activement recherchées par l'industrie pharmaceutique pour lutter contre l'obésité et le diabète de type 2.
L'optimisation itérative traditionnelle des peptides polypharmacologiques est très exigeante en main-d'œuvre, nécessitant souvent des années d'essais et d'erreurs pour équilibrer les ratios d'activation de plusieurs récepteurs. Creative Biolabs exploite des algorithmes propriétaires de deep learning pour effectuer la conception computationnelle d'agonistes multi-récepteurs. En simulant les interactions ligand-récepteur dans un environnement virtuel à haut débit, la plateforme identifie des molécules capables d'activer simultanément et précisément plusieurs voies biologiques pertinentes. Cette approche comprime considérablement le calendrier, de l'identification des hits à l'optimisation des leads, réduisant les cycles de recherche typiques à seulement 2 à 14 semaines.
Un défi persistant dans l'industrie est d'empêcher la dégradation enzymatique rapide des peptides in vivo. L'infrastructure d'IA de Creative Biolabs répond à ce problème en calculant et en éliminant systématiquement les sites de séquence vulnérables, en concevant des profils à action ultra-longue qui réduisent la fréquence d'administration aux patients. De plus, la plateforme s'attaque au dilemme « garbage in, garbage out » courant dans les modèles d'apprentissage automatique pour la découverte de médicaments. En s'appuyant sur un entraînement avec des ensembles de données pharmacologiques de haute fidélité, la plateforme prédit avec précision les propriétés ADMET (absorption, distribution, métabolisme, excrétion et toxicité) tôt dans le pipeline, garantissant que les séquences générées sont très puissantes et dépourvues de toxicité hors cible sévère ou d'immunogénicité indésirable.
Au-delà des sites orthostériques traditionnels, les régulateurs métaboliques de nouvelle génération exigent une sélectivité exquise pour éviter les effets indésirables. La plateforme intègre des simulations de dynamique moléculaire (MD) pour permettre la conception rationnelle de ligands ciblant des poches de liaison cachées. Cette approche de biologie structurale permet aux développeurs pharmaceutiques d'affiner l'activité des récepteurs grâce à une modulation allostérique précise, évitant la surstimulation de familles de protéines hautement homologues et contournant les mécanismes de résistance.
« Les clients industriels exigent plus qu'une simple affinité de liaison théorique ; ils demandent des molécules manufacturables, hautement stables avec une activité fonctionnelle garantie dans les tests biologiques », a déclaré le directeur de la biologie computationnelle chez Creative Biolabs. « Nos pipelines de deep learning transforment la conception de séquences multi-récepteurs d'un processus de sérendipité en un flux de travail hautement prévisible et automatisé. »
Les partenaires pharmaceutiques utilisant ces pipelines d'IA propriétaires ont signalé une réduction significative des cycles de conception-test-apprentissage. Les premiers adoptants soulignent la grande précision prédictive de la plateforme et la nature complète des livrables, qui comblent le fossé entre les prédictions in silico et le succès in vitro. Les entreprises de biotechnologie et les sociétés pharmaceutiques développant des actifs de pipeline pour des troubles métaboliques complexes sont encouragées à mettre en œuvre ces flux de travail computationnels avancés. Pour plus d'informations, visitez la plateforme officielle de Creative Biolabs.
