Niven Narain, CEO i Prezes BERG Health – Seria wywiadów

Niven Narain jest CEO i Prezesem BERG Health, klinicznej, opartej na sztucznej inteligencji firmy biotechnologicznej, która podejmuje śmiałe podejście „Back to Biology^™” w opiece zdrowotnej. Wykorzystując własną platformę inteligentną – Interrogative Biology^®, celem jest mapowanie chorób i rewolucjonizacja leczenia pacjentów na całym świecie.

Jesteś jednym z założycieli BERG Health. Co skłoniło Cię do założenia startupu, który łączy sztuczną inteligencję z biotechnologią?

Prawdą jest, że moja inspiracja i wizja wyniknęły z frustracji związanej z metodycznym, przewidywalnym i długim, kosztownym procesem rozwoju leków, który trwa 12-14 lat i ponad 2,6 mld dolarów, aby wprowadzić lek na rynek. Dodatkowo, BERG chciał wyeliminować uprzedzenia z procesu i zdefiniować ścieżkę, która byłaby ukierunkowana na pacjenta. Nasze podejście łączy dane pacjenta, które zostały głęboko przescreenowane pod kątem pełnych warstw biologii, z systemem sztucznej inteligencji opartym na Bayesie, aby przekierować wszystkie dane pacjenta i tym samym napędzać hipotezy.

Jakie choroby lub rodzaje raka są obecnie celem?

Obecnie celujemy w choroby w zakresie onkologii, neurologii i rzadkich chorób, w tym:

• Choroby immunologiczne i zapalne (LUPUS)
• Choroby sercowo-naczyniowe i metaboliczne (cukrzyca, NASH/NAFLD)
• Choroby neurologiczne (choroba Parkinsona, choroba Alzheimera i zaburzenia ze spektrum autyzmu)
• Rzadkie choroby (Epidermolysis Bullosa)
• Wiele rodzajów raka (glioblastoma, rak trzustki, rak piersi, rak prostaty i inne agresywne rodzaje raka)

BERG Health wykorzystuje swoją własną platformę Interrogative Biology®, aby mapować choroby i opcje leczenia. Czy mógłbyś wyjaśnić, co dokładnie jest Interrogative Biology®?

Platforma obejmuje proces, w którym tworzy się model choroby na podstawie biospecimenów pochodzących od ludzi (co sprawia, że jest on istotny dla choroby ludzkiej, a nie modeli zwierzęcych). Model choroby poddawany jest kompleksowemu profilowaniu molekularnemu (defragmentacji multi-omikowej – genomics, transcriptomics, proteomics, lipidomics, metabolomics), aby wygenerować biliony punktów danych molekularnych. Te dane są integrowane z informacjami o pacjencie (klinicznymi i ze świata rzeczywistego) przy użyciu algorytmu sztucznej inteligencji Bayesa, aby wygenerować mapy molekularne choroby, które są porównywane z kontrolami niechorobowymi w celu identyfikacji nowej biologii leżącej u podstawy choroby. Wynik jest następnie poddawany rygorystycznym technikom walidacji w laboratorium, takim jak modele funkcjonalne i CRISPR.

Czy mógłbyś wyjaśnić, jak BERG Health crowdsourcuje innowacje?

BERG współpracuje z instytucjami akademickimi i klinicznymi, aby wygenerować biobanki wysokiej jakości, klinicznie adnotowanych biospecimenów dla programów choroby. BERG zbudował zespół wewnętrznych ekspertów, którzy specjalizują się w niektórych z tych możliwości multi-omikowych. Zespół współpracuje również z grupami o specjalistycznej wiedzy w celu uzyskania dodatkowych profili danych, np. genomiki i transkryptomiki, które są generowane z współpracownikami. Współpracujemy z wiodącymi instytucjami klinicznymi i medycznymi oraz agencjami rządowymi, w tym z Departamentem Obrony i Departamentem Energii, finansowanym przez Oak Ridge National Lab (ORNL), oraz innymi. Zobaczyliśmy na własne oczy, jak ważna jest współpraca i jej rola w generowaniu danych o wysokiej wierności, popartych historiami medycznymi pacjentów i danymi ze świata rzeczywistego, co jest niezbędne do integracji z modelami biologicznymi. Współpraca akademicka jest niezwykle ważna dla walidacji laboratoryjnej wyników wytwarzanych przez platformę.

Czy mógłbyś opisać, jak sztuczna inteligencja jest wykorzystywana do odkrywania elementów, które wywołują choroby lub raka?

Sztuczna inteligencja Bayesa BERG wykorzystuje dane wewnętrznie wygenerowane i opracowane do odkrycia nowych czynników choroby – identyfikacji celów leczenia, biomarkerów do diagnozy, ustalenia stopnia zaawansowania i strategii leczenia, a także generowania odcisków palców odpowiedzi i niepożądanych zdarzeń. Sztuczna inteligencja porównuje modele choroby i populacji niechorobowych, a „delta” sieci wnioskuje o punktach wywołujących chorobę.

Jakie są niektóre sposoby, w jakie sztuczna inteligencja pomaga w lokalizowaniu biomarkerów u pacjentów, którzy nie reagują na określone terapie lub szczepionki?

Poprzez przechwytywanie pełnej narracji biologii pacjenta za pomocą analizy multi-omikowej oraz zastosowanie wnioskowania przyczynowego Bayesa z długoterminowych próbek pacjentów, BERG jest w stanie identyfikować sygnały przyczynowe odpowiedzi na znane terapie, okazje do przekwalifikowania i sygnatury molekularne wpływające na tytuł wirusa i trwałość odpowiedzi szczepionek. Analiza multi-omikowa idzie znacznie dalej niż genom i pozwala identyfikować czynniki krążące, które wpływają na wyniki zdrowotne.

Jakie są obecnie leki w waszej fazy rozwoju?

BERG ma kilka programów w fazie klinicznej i przedklinicznej, z najbardziej dojrzałymi aktywami w onkologii i chorobach neurologicznych.

• W onkologii, BPM 31510-IV to nowa cząsteczka małocząsteczkowa, która atakuje metabolizm komórek nowotworowych i zakończyła z powodzeniem fazę 1 (bezpieczeństwo i tolerancja) w guzach litych i nowotworach mózgu (GBM). BPM 31510-IV faza 2 (skuteczność, rak trzustki). Obecnie jest w fazie klinicznej rozwoju dla GBM (faza 2/3) i faza 3 raka trzustki.
• BPM 31510-Topical – zakończenie z powodzeniem fazy 1 w Epidermolysis Bullosa (rzadka choroba/orphan designation), planowanie fazy 2/3 rozwoju klinicznego.
• BPM 31510-Oral – zakończenie z powodzeniem fazy 1 doustnej u zdrowych ochotników, na wczesnym etapie planowania fazy 2 rozwoju klinicznego w onkologii i poza onkologią.
• BPM 31543 to cząsteczka małocząsteczkowa do zapobiegania chemioterapii indukowanej alopecji. Ustalono bezpieczeństwo i tolerancję oraz początkowy sygnał skuteczności w fazie 1 badania klinicznego. Ten aktyw jest obecnie w fazie planowania fazy 2/3 rozwoju klinicznego.
• BPM 42522 – pierwsza w swoim rodzaju cząsteczka małocząsteczkowa, która atakuje nowy cel platformy BERG w szlaku Ubiquitin Proteosome, w badaniach umożliwiających rozpoczęcie badań klinicznych w onkologii w I kwartale 2021 roku.
• Nowy cel zidentyfikowany dla choroby Parkinsona jest obecnie w procesie odkrywania leków.

BERG Health niedawno nawiązał partnerstwo z Departamentem Energii Oak Ridge National Lab. Czy mógłbyś podać nam więcej szczegółów na temat tego partnerstwa?

Platforma BERG ma możliwość generowania listy potencjalnych celów interwencji choroby. Superkomputer Summit w ORNL ma możliwości analityczne, aby analizować kompleksowe struktury molekularne tych celów i identyfikować małe cząsteczki leku, które mogą być wykorzystane do szybkiej walidacji celów, co prowadzi do skrócenia czasu walidacji i rozwoju leków. Możliwości obliczeniowe Summit redukują proces odkrywania leków z kilku miesięcy/lat do kilku godzin/dni, aby wygenerować początkowe „ trafienia” cząsteczek leku. Współpraca BERG-ORNL zapewnia podstawę szybkiej identyfikacji nowych celów choroby i związanych z nimi procesów odkrywania leków. Umożliwia również nieprzerwane generowanie rurociągu produktów choroby, gotowych do rozwoju klinicznego. Główny wpływ tego partnerstwa dotyczy czasu i kosztów odkrywania i rozwoju nowych leków.

COVID-19 jest obecnie na ustach wszystkich, jak BERG Health pomaga w tym wysiłku?

Platforma Interrogative Biology AI BERG została wykorzystana do wygenerowania modelu COVID-19, w wyniku czego zidentyfikowano kilka znanych i nowych celów, które mogą wpłynąć na przebieg zakażenia i potencjalne przekwalifikowanie zatwierdzonych leków w celu zminimalizowania lub złagodzenia wyników klinicznych. W ramach naszej aktywnej współpracy z ORNL, obecnie zajmujemy się odkrywaniem i rozwojem małych cząsteczek przeciw nowym celom w potencjalnym leczeniu COVID-19.

Dziękujemy za wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić BERG Health.