Niven Narain, administrerende direktør og president i BERG Health – Intervjuserie

Niven Narain, er administrerende direktør og president i BERG Helse,et klinisk stadium, AI-drevet bioteknologiselskap tar en dristig 'Back to Biology'^™' tilnærming til helsevesenet. Ved å utnytte en proprietær etterretningsplattform – Interrogative Biology^®, er målet å kartlegge sykdom og revolusjonere behandlinger for pasienter over hele verden.

Du er en av medgründerne av BERG Health. Hva inspirerte lanseringen av en oppstart som smeltet sammen AI med bioteknologi?

Sannelig, min inspirasjon og visjon kom fra frustrasjon over den metodiske, forutsigbare og lange, kostbare prosessen med legemiddelutvikling som tok 12-14 år og over $2.6 milliarder for å fremme en medikamentell behandling til markedet. I tillegg var Berg opptatt av å ta skjevhetene ut av prosessen og ønsket å definere en vei som ville være pasientsentrert. Vår tilnærming blander en pasients egne data, som har blitt grundig screenet for alle lagene av biologi, med et back-ended Bayesiansk AI-system for å traktere alle pasientdataene, og i sin tur frembringe hypoteser.

Hva er noen av de forskjellige sykdommene eller kreftformene som er målrettet?

Vi målretter for tiden mot sykdommer på tvers av onkologi, nevrologi og sjeldne sykdommer, inkludert:

• Immunologi/inflammatoriske sykdommer (LUPUS)
• Kardiovaskulær og metabolsk sykdom (diabetes, NASH/NAFLD)
• Nevrologiske sykdommer (Parkinsons sykdom, Alzheimers sykdom og autismespektrumforstyrrelser)
• Sjelden sykdom (Epidermolysis Bullosa)
• Flere kreftformer (glioblastom, bukspyttkjertel, bryst, prostata og andre svært aggressive kreftformer)

BERG Health bruker sin proprietære plattform Interrogative Biology® for å kartlegge sykdommer og behandlingsmuligheter. Kan du utdype hva Interrogative Biology® er?

Plattformen omfatter en prosess der en sykdomsspesifikk modell bygges fra menneskeavledede bioprøver (gjør den relevant for menneskelig sykdom i stedet for surrogatdyrmodeller). Sykdomsmodellen er utsatt for omfattende molekylær profilering (multi-omisk defragmentering – genomikk, transkriptomikk, proteomikk, lipidomik, metabolomikk) for å generere billioner av molekylære datapunkter. Disse dataene er integrert med individuell pasientinformasjon (klinisk og informasjon fra den virkelige verden) ved hjelp av BERGs proprietære Bayesian Artificial Intelligence (AI) algoritme(r) for å generere molekylære kart over sykdom som sammenlignes med ikke-syke kontroller for å identifisere ny biologisk underliggende sykdom. Resultatet blir deretter utsatt for strenge valideringsteknikker for våtlab for sykdomsrelevante funksjonsmodeller og CRISPR.

Kan du forklare hvordan BERG Health crowdsourcer innovasjon?

BERG samarbeider med akademiske og kliniske/medisinske institusjoner for å generere biobanker av høykvalitets, klinisk kommenterte bioprøver for sykdomsspesifikke programmer. BERG har bygget et team av interne eksperter som spesialiserer seg på noen av multiomiske evner. Teamet samarbeider også med grupper med spesifikk ekspertise for ytterligere dataprofiler, for eksempel genomiske og transkriptomiske profiler som genereres med samarbeidspartnere. Vi samarbeider med ledende kliniske/medisinske institusjoner og statlige/føderale byråer, inkludert USAs forsvarsdepartement og Department of Energy-finansierte Oak Ridge National Lab (ORNL), blant andre. Vi har sett på førstehånd viktigheten av samarbeid og dets rolle i å generere høykvalitetsdata støttet av pasienthistorier og data fra den virkelige verden, et viktig skritt for integrering med de biologiske modellene. Akademiske samarbeid er avgjørende for våtlab-validering av in-silico-utganger for å generere et nytt, vitenskapelig grunnlag for spesifikk molekylær innsikt avgrenset av plattformen. Berg engasjerer også innsikten og tilbakemeldingene fra KOLs ved starten av byggingen av AI-modeller, og bruker disse samarbeidene til å gjøre uavhengig validering av plattformutdataene.

Kan du beskrive hvordan AI brukes til å oppdage elementer som utløser sykdommer eller kreft?

BERGs Bayesian AI bruker internt genererte/kuraterte data for de novo oppdagelse av sykdomsspesifikke triggere – identifisere mål for behandling, biomarkører for diagnose, iscenesettelse/stratifisering, ledsagerdiagnostikk for respons/utfall og longitudinell molekylær kartlegging for å generere fingeravtrykk av respons og uønskede hendelser. AI sammenligner modeller av sykdom vs. ikke-sykdomspopulasjoner, og "delta"-nettverket utleder sykdommens triggerpunkter.

Hva er noen måter AI hjelper til med å lokalisere biomarkører hos pasienter som ikke responderer på visse terapier eller vaksiner?

Ved å fange opp hele fortellingen om pasientbiologi gjennom multiomisk analyse og bruke Bayesiansk årsaksslutning fra langsgående pasientprøver, er BERG i stand til å identifisere årsakssignaler for respons på kjente terapier, gjenbruke muligheter og signaturer til molekylære enheter som påvirker viral titer og varighet av respons. av vaksiner. Multi-omics går langt utover genomet og lar deg identifisere sirkulerende faktorer som påvirker helseutfall.

Hva er noen av de aktuelle stoffene i pipelinen din?

BERG har flere programmer innen klinisk og preklinisk utvikling med de mest modne ressursene innen onkologi og nevrologisk sykdom.

• I onkologi er BPM 31510-IV et nytt lite molekyl rettet mot kreftcellemetabolisme som har fullført en fase 1 (sikkerhet/tolerabilitet) i solide svulster og hjernekreft (GBM). BPM 31510-IV Fase 2 (effekt, kreft i bukspyttkjertelen). Dette er for tiden i klinisk utvikling for GBM (Ph2/3) og Ph3 Pancreatic Cancer.
• BPM 31510-Topical – Vellykket fullføring av Ph1 i Epidermolysis Bullosa (Sjelden sykdom/Orphan Designation), planlegger Ph2/3 klinisk utvikling.
• BPM 31510-Oral – Vellykket gjennomføring av Ph1 oral i helsefrivillige, i tidlige planleggingsstadier av Ph2 klinisk utvikling for onkologiske/ikke-onkologiske indikasjoner.
• BPM 31543 er et lite molekyl for forebygging av kjemoterapiindusert alopecia. Sikkerhet og tolerabilitet med første signal om effekt er etablert i fase 1 klinisk studie. Denne ressursen er for tiden under planlegging for Ph2/3 klinisk utvikling.
• BPM 42522 – 1. i klasse lite molekyl rettet mot et nytt BERG-plattform identifisert mål i Ubiquitin Proteosome Pathway i IND som muliggjør studier for FIH-studier i onkologi Q1FY2021.
• Et nytt mål identifisert for Parkinsons sykdom er for tiden i gang med å oppdage medisiner.

BERG Health har nylig inngått samarbeid med Department of Energy's Oak Ridge National Lab. Kan du gi oss noen detaljer om hva dette samarbeidet innebærer?

BERGs plattform har kapasitet til å generere liste over flere potensielle mål for sykdomsintervensjon. Summit-superdatamaskinen på ORNL har evnene til å analysere omfattende molekylære strukturer av disse målene og identifisere små medikamentlignende molekyler som kan brukes for rask validering av målene, noe som fører til forkortet målvalidering/medikamentoppdagelse utviklingstider for nye terapeutika. Kraften til Summits beregningsevne reduserer legemiddeloppdagelsesprosessen fra flere måneder/år til noen få timer/dager for å generere første "treff" av høy kvalitet av medikamentlignende molekyler. BERG-ORNL-samarbeidet gir grunnlaget for rask identifisering av nye sykdomsspesifikke mål og tilhørende legemiddeloppdagelsesprosess. Det muliggjør videre sømløs generering av sykdomsspesifikke produktpipelines klargjort for klinisk utvikling. Den største innvirkningen av dette samarbeidet er på tiden/kostnadene ved oppdagelse og utvikling av nye legemidler.

COVID-19 er åpenbart i alles sinn, hvordan hjelper BERG Health med denne innsatsen?

BERGs AI-aktiverte Interrogative Biology Platform har blitt utnyttet for å generere en COVID-19-spesifikk modell, noe som resulterer i identifisering av flere kjente og nye mål med potensial til å påvirke tidsforløpet av infeksjon og potensiell gjenbruk av godkjente legemidler for å minimere/redusere kliniske utfall . Gjennom vårt aktive samarbeid med ORNL er vi for tiden engasjert i oppdagelsen og utviklingen av små molekyler mot nye mål for potensiell behandling av COVID-19.

Takk for intervjuet, lesere som ønsker å lære mer bør besøke BERG Helse.