Niven Narain, CEO og President i BERG Health – Intervju-serie

Niven Narain er CEO og President i BERG Health, et klinisk bioteknologiselskap som drives av kunstig intelligens og tar en modig «Tilbake til biologi»-tilnærming til helse. Ved å utnytte en proprietær intelligensplattform – Interrogative Biology^®, er målet å kartlegge sykdommer og revolusjonere behandlinger for pasienter over hele verden.

Du er en av medgründerne av BERG Health. Hva inspirerte deg til å starte et selskap som kombinerte kunstig intelligens med bioteknologi?

Sannheten er at min inspirasjon og visjon kom fra frustrasjon over den metodiske, forutsigbare og lange, dyre prosessen med legemiddelutvikling som tar 12-14 år og over 2,6 milliarder dollar å fremme en legemiddelbehandling til markedet. I tillegg var Berg ivrig etter å fjerne fordommer fra prosessen og ønsket å definere en vei som ville være pasient-sentrert. Vår tilnærming kombinerer en pasients egne data, som har blitt dypt skjermet for alle lag av biologi, med en Bayesian AI-system for å kanalisere all pasientdata og deretter drive hypoteser.

Hva er noen av de forskjellige sykdommene eller kreftene som målrettes?

Vi målretter sykdommer over hele onkologi, nevrologi og sjeldne sykdommer, inkludert:

• Immunologi/inflammatoriske sykdommer (LUPUS)
• Kardiovaskulær og metabolsk sykdom (diabetes, NASH/NAFLD)
• Neurologiske sykdommer (Parkinsons sykdom, Alzheimers sykdom og autisme-spektrum-forstyrrelser)
• Sjeldne sykdommer (Epidermolysis Bullosa)
• Flere kreftformer (Glioblastom, pancreas, bryst, prostata og andre aggressive kreftformer)

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

Plattformen omfatter en prosess hvor en sykdomsspesifikk modell bygges fra menneske-avledede biospecimener (som gjør det relevant for menneskesykdommer i stedet for surrogat-dyremodeller). Sykdomsmodellen undergår omfattende molekylær profilering (multi-omik defragmentering – genomics, transkriptomics, proteomics, lipidomics, metabolomics) for å generere billioner av molekylær data. Dette dataene integreres med individuelle pasientinformasjoner (kliniske og virkelige verdensinformasjoner) ved hjelp av BERGs proprietære Bayesian AI-algoritmer for å generere molekylær kart over sykdommer som sammenlignes med ikke-sykdoms-kontroller for å identifisere ny biologi under sykdom. Utgangen er deretter underlagt strenge våte-laboratorie-teknikker for sykdoms-relevante funksjonelle modeller 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 annoterte biospecimener for sykdomsspesifikke programmer. BERG har bygget et team av interne eksperter som spesialiserer seg i noen av de multi-omiske evnene. Teamet samarbeider også med grupper med spesifikke ekspertise for ytterligere dataproduksjoner, f.eks. genomiske og transkriptomiske profiler som genereres med samarbeidspartnere. Vi samarbeider med ledende kliniske/medisinske institusjoner og statlige/føderale byråer, inkludert det amerikanske forsvarsdepartementet og energidepartementets Oak Ridge National Lab (ORNL), blant andre. Vi har sett førstehånd på viktigheten av samarbeid og dens rolle i å generere høy-fidel data bakket av pasientens medisinske historier og virkelige verdensdata, et essensielt steg for integrasjon til de biologiske modellene. Akademiske samarbeid er avgjørende for våte-laboratorie-validering av in-silico-utgang for å generere en ny, vitenskapelig grunnlag for spesifikke molekylærer innsikter avgrenset av plattformen. Berg engasjerer også innsikt og tilbakemeldinger fra KOL’er ved starten av bygging av AI-modeller, og bruker disse samarbeidene til uavhengig validering av plattform-utgangen.

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

BERGs Bayesian AI bruker intern generert/ kurert data for de novo-opptak av sykdomsspesifikke utløsere – identifisere mål for behandling, biomarkører for diagnose, stadiering/stratifikasjon, ledsagende diagnostikk for respons/utfall og longitudinelle molekylær kartlegging for å generere fingeravtrykk av respons og uønskede hendelser. AI-en sammenligner modeller av sykdom vs. ikke-sykdoms-populasjoner og «delta»-nettet infererer utløserpunktene for sykdom.

Hva er noen måter kunstig intelligens hjelper med å lokalisere biomarkører hos pasienter som ikke responderer på bestemte terapier eller vaksiner?

Ved å fange hele narrativet om pasientens biologi gjennom multi-omisk analyse og anvende Bayesian årsaksinferens fra longitudinelle pasientprøver, er BERG i stand til å identifisere årsaks-signaler for respons på kjente terapier, gjenvinning muligheter og signaturer av molekylær enheter som påvirker helseutfall.

Hva er noen av de nåværende legemidlene i din pipeline?

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

• I onkologi er BPM 31510-IV et nytt småmolekyl som målretter kreft-celle-metabolisme som har fullført en fase 1 (sikkerhet/toleranse) i solide svulster og hjernekreft (GBM). BPM 31510-IV fase 2 (effikasitet, pancreas-kreft). Dette er for tiden i klinisk utvikling for GBM (fase 2/3) og fase 3 pancreas-kreft.
• BPM 31510-Topical – Fullført fase 1 i Epidermolysis Bullosa (sjeldne sykdommer/orfan-utnevning), planlegger fase 2/3 klinisk utvikling.
• BPM 31510-Oral – Fullført fase 1 oral i friske menneskelige frivillige, i tidlige planleggingsfaser for fase 2 klinisk utvikling for onkologi/non-onkologi-indikasjoner.
• BPM 31543 er et småmolekyl for forebygging av kjemoterapi-indusert alopeci. Sikkerhet og toleranse med initialt signal av effikasitet er etablert i fase 1 klinisk studie. Dette aktivummet er for tiden i planleggingsfasen for fase 2/3 klinisk utvikling.
• BPM 42522 – 1. i klassen småmolekyl som målretter en ny BERG-plattform-identifisert mål i Ubiquitin Proteosome Pathway i IND-aktiveringsstudier for FIH-studier i onkologi Q1FY2021.
• Et nytt mål identifisert for Parkinsons sykdom er for tiden i legemiddel-oppdagelses-ansatser.

BERG Health har nylig inngått et samarbeid med Energidepartementets Oak Ridge National Lab. Kan du gi oss noen detaljer om hva dette samarbeidet omfatter?

BERGs plattform har kapasiteten til å generere en liste over flere potensielle mål for sykdoms-intervensjon. Supercomputeren Summit på ORNL har kapasiteten til å analysere omfattende molekylær strukturer av disse målene og identifisere små legemiddel-liknende molekyler som kan brukes til rask validering av målene, noe som forkorter mål-validering/legemiddel-utviklingstid for nye terapier. Kraften fra Summits komputasjonskapasitet reduserer legemiddel-utviklingsprosessen fra flere måneder/år til noen få timer/dager for å generere innledende høykvalitets «treff» av legemiddel-liknende molekyler. Samarbeidet mellom BERG og ORNL gir grunnlaget for rask identifisering av nye sykdomsspesifikke mål og tilhørende legemiddel-utviklingsprosess. Det muliggjør også enkel generering av sykdomsspesifikke produkt-pipelines som er klare for klinisk utvikling. Hoved-effekten av dette samarbeidet er på tiden/kosten for oppdagelse og utvikling av nye legemidler.

COVID-19 er åpenbart på alle sine sinn, hvordan hjelper BERG Health med denne innsatsen?

BERGs AI-aktiverte Interrogative Biology-plattform er blitt brukt til å generere en COVID-19-spesifikk modell, noe som har ført til identifisering av flere kjente og nye mål med potensial til å påvirke forløpet av infeksjonen og mulig gjenvinning av godkjente legemidler for å minimere/mitigere kliniske utfall. Gjennom vårt aktive samarbeid med ORNL, er vi for tiden engasjert i oppdagelsen og utviklingen av småmolekyler mot nye mål for potensiell behandling av COVID-19.

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