Niven Narain, CEO dan Presiden BERG Health – Seri Wawancara

Niven Narain, adalah CEO dan Presiden BERG Health, sebuah perusahaan bioteknologi yang menggunakan kecerdasan buatan (AI) dan berfokus pada pendekatan ‘Kembali ke Biologi’ untuk perawatan kesehatan. Dengan menggunakan platform kecerdasan buatan yang unik – Interrogative Biology^®, tujuan perusahaan adalah untuk memetakan penyakit dan merevolusi pengobatan untuk pasien di seluruh dunia.

Anda adalah salah satu pendiri BERG Health. Apa yang menginspirasi Anda untuk meluncurkan sebuah perusahaan rintisan yang menggabungkan AI dengan bioteknologi?

Sejujurnya, inspirasi dan visi saya berasal dari frustrasi dengan proses pengembangan obat yang memakan waktu lama, mahal, dan memakan waktu 12-14 tahun serta biaya lebih dari $2,6 miliar untuk mengembangkan pengobatan baru. Selain itu, BERG ingin menghilangkan bias dalam proses tersebut dan ingin mendefinisikan jalur yang lebih berfokus pada pasien. Pendekatan kami menggabungkan data pasien yang telah disaring secara mendalam dengan sistem kecerdasan buatan Bayesian untuk menghasilkan hipotesis.

Apa saja penyakit atau kanker yang sedang ditargetkan?

Kami saat ini menargetkan penyakit pada bidang onkologi, neurologi, dan penyakit langka, termasuk:

• Imunologi/Penyakit Peradangan (LUPUS)
• Penyakit Kardiovaskular & Metabolik (Diabetes, NASH/NAFLD)
• Penyakit Saraf (Penyakit Parkinson, Penyakit Alzheimer & Gangguan Spektrum Autisme)
• Penyakit Langka (Epidermolisis Bullosa)
• Beberapa Jenis Kanker (Glioblastoma, Kanker Pankreas, Kanker Payudara, Kanker Prostat, dan kanker agresif lainnya)

BERG Health menggunakan platform Interrogative Biology^® untuk memetakan penyakit dan opsi pengobatan. Bisakah Anda menjelaskan apa itu Interrogative Biology^®?

Platform ini mencakup proses pembangunan model penyakit yang spesifik dari biospecimen manusia (membuatnya relevan dengan penyakit manusia, bukan model hewan). Model penyakit tersebut kemudian dianalisis secara menyeluruh dengan profil molekuler (defragmentasi multi-omik – genomics, transcriptomics, proteomics, lipidomics, metabolomics) untuk menghasilkan triliunan data molekuler. Data tersebut kemudian diintegrasikan dengan informasi pasien (klinis dan dunia nyata) menggunakan algoritma kecerdasan buatan Bayesian untuk menghasilkan peta molekuler penyakit yang dibandingkan dengan kontrol non-penyakit untuk mengidentifikasi biologi baru yang mendasari penyakit. Hasilnya kemudian divalidasi dengan teknik laboratorium basah yang ketat untuk model fungsional penyakit dan CRISPR.

Bisakah Anda menjelaskan bagaimana BERG Health menggalang inovasi?

BERG berkolaborasi dengan lembaga akademik dan klinis/medis untuk menghasilkan biobank biospecimen klinis yang berkualitas tinggi untuk program penyakit spesifik. BERG telah membangun tim ahli internal yang memiliki keahlian dalam beberapa kemampuan multi-omik. Tim juga berkolaborasi dengan kelompok yang memiliki keahlian spesifik untuk profil data tambahan, seperti profil genomik dan transkriptomik yang dihasilkan dengan kolaborator. Kami berkolaborasi dengan lembaga klinis/medis terkemuka dan lembaga negara, termasuk Departemen Pertahanan AS dan Laboratorium Nasional Oak Ridge yang didanai oleh Departemen Energi, di antara lainnya. Kami telah melihat langsung pentingnya kolaborasi dan perannya dalam menghasilkan data berkualitas tinggi yang didukung oleh riwayat medis pasien dan data dunia nyata, langkah penting untuk integrasi ke model biologis. Kolaborasi akademik sangat penting untuk validasi laboratorium basah dari output in-silico untuk menghasilkan fondasi ilmiah baru dari wawasan molekuler spesifik yang diidentifikasi oleh platform. BERG juga melibatkan wawasan dan umpan balik dari KOL pada awal pembangunan model AI, dan menggunakan kolaborasi ini untuk validasi independen dari output platform.

Bisakah Anda menjelaskan bagaimana AI digunakan untuk menemukan elemen yang memicu penyakit atau kanker?

AI Bayesian BERG menggunakan data yang dihasilkan secara internal untuk penemuan de novo penyebab penyakit spesifik – mengidentifikasi target untuk pengobatan, biomarker untuk diagnosis, stadion/stratifikasi, diagnostik pendamping untuk respons/outcome, dan pemetaan molekuler longitudinal untuk menghasilkan sidik jari respons dan peristiwa merugikan. AI membandingkan model penyakit dengan populasi non-penyakit dan “delta” jaringan menginferensi titik pemicu penyakit.

Apa saja cara AI membantu menemukan biomarker pada pasien yang tidak merespons terhadap terapi atau vaksin tertentu?

Dengan menangkap narasi penuh biologi pasien melalui analisis multi-omik dan menggunakan inferensi kausal Bayesian dari sampel pasien longitudinal, BERG dapat mengidentifikasi sinyal kausal respons terhadap terapi yang diketahui, kesempatan repurposing, dan tanda molekuler yang mempengaruhi titer virus dan daya tahan respons vaksin. Analisis multi-omik melampaui gen dan memungkinkan identifikasi faktor sirkulasi yang mempengaruhi hasil kesehatan.

Apa saja obat-obatan yang saat ini ada dalam pipa?

BERG memiliki beberapa program dalam pengembangan klinis dan praklinis dengan aset paling matang dalam onkologi dan penyakit neurologis.

• Dalam Onkologi, BPM 31510-IV adalah molekul kecil novel yang menargetkan metabolisme sel kanker yang telah berhasil menyelesaikan Fase 1 (keamanan/tolerabilitas) pada tumor solid dan kanker otak (GBM). BPM 31510-IV Fase 2 (efikasi, kanker pankreas). Ini saat ini dalam pengembangan klinis untuk GBM (Fase 2/3) dan Fase 3 Kanker Pankreas.
• BPM 31510-Topikal – Penyelesaian sukses Fase 1 pada Epidermolisis Bullosa (Penyakit Langka/Desain Orphan), perencanaan pengembangan klinis Fase 2/3.
• BPM 31510-Oral – Penyelesaian sukes Fase 1 oral pada relawan manusia sehat, dalam tahap perencanaan awal pengembangan klinis Fase 2 untuk indikasi onkologi/non-onkologi.
• BPM 31543 adalah molekul kecil untuk pencegahan alopecia yang disebabkan oleh kemoterapi. Keamanan dan tolerabilitas dengan sinyal awal efikasi telah ditetapkan dalam uji klinis Fase 1. Aset ini saat ini dalam perencanaan untuk pengembangan klinis Fase 2/3.
• BPM 42522 – 1st in class molekul kecil yang menargetkan target novel yang diidentifikasi oleh platform BERG dalam jalur Ubiquitin Proteosome Pathway dalam studi yang memungkinkan IND untuk uji klinis awal pada onkologi Q1FY2021.
• Target novel yang diidentifikasi untuk Penyakit Parkinson saat ini dalam upaya penemuan obat.

BERG Health baru-baru ini bermitra dengan Laboratorium Nasional Oak Ridge yang didanai oleh Departemen Energi. Bisakah Anda memberikan beberapa detail tentang apa yang dimaksud dengan kemitraan ini?

Platform BERG memiliki kemampuan untuk menghasilkan daftar potensial target untuk intervensi penyakit. Superkomputer Summit di ORNL memiliki kemampuan untuk menganalisis struktur molekuler komprehensif dari target tersebut dan mengidentifikasi molekul obat kecil yang dapat digunakan untuk validasi cepat target, mempersingkat waktu validasi target/pengembangan obat menjadi beberapa jam/hari untuk menghasilkan “hit” awal molekul obat kecil berkualitas tinggi. Kolaborasi BERG-ORNL menyediakan fondasi untuk identifikasi target penyakit novel dan proses pengembangan obat yang terkait. Ini juga memungkinkan generasi pipa produk penyakit spesifik yang siap untuk pengembangan klinis. Dampak utama dari kolaborasi ini adalah pada waktu/biaya penemuan dan pengembangan obat baru.

COVID-19 jelas ada di pikiran semua orang, bagaimana BERG Health membantu upaya ini?

Platform Interrogative Biology^® AI-enabled BERG telah digunakan untuk menghasilkan model COVID-19 spesifik, menghasilkan identifikasi beberapa target yang diketahui dan novel dengan potensi untuk mempengaruhi jalur infeksi dan repurposing obat yang disetujui untuk meminimalkan/mengurangi hasil klinis. Melalui kolaborasi aktif dengan ORNL, kami saat ini terlibat dalam penemuan dan pengembangan molekul kecil melawan target novel untuk potensi pengobatan COVID-19.

Terima kasih atas wawancara, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi BERG Health.