Absci Corporation anunció el desarrollo de modelos de aprendizaje automático para diseñar y perfeccionar nuevos anticuerpos terapéuticos. La nueva investigación demuestra el progreso hacia una línea de aprendizaje automático totalmente in-silico para el descubrimiento de fármacos. Absci persigue una visión para el diseño de fármacos biológicos totalmente in-silico, pasando de la diana a la secuencia del candidato a fármaco ‘con el clic de un botón.’ La capacidad de realizar esta visión se basa en las tecnologías de generación de datos propias de Absci’que pueden evaluar hasta diez mil millones de células individuales por semana –cada una de las cuales expresa una variante de la secuencia del fármaco–que proporcionan datos de sustrato relevantes y de alta calidad para las aplicaciones de IA. En la sesión de hoy’en la GTC de NVIDIA, una conferencia mundial sobre IA, el científico jefe de IA de Absci, Joshua Meier, describirá dos de los avances en ML para el descubrimiento de fármacos de la compañía y presentará la validación de los modelos de optimización de pistas in-silico de Absci’. La validación, que requiere pruebas de laboratorio húmedo de las predicciones de los modelos, fue posible gracias a la plataforma y los ensayos de biología sintética patentados y de alta ingeniería de Absci’. El primer avance es un modelo de aprendizaje automático para la predicción cuantitativa de la afinidad de los anticuerpos a la diana, que permite realizar predicciones computacionales de la fuerza de unión. En un ejemplo, Absci demostró que este modelo podía predecir con exactitud la afinidad en cuatro órdenes de magnitud para variantes de trastuzumab no vistas anteriormente, incluyendo la predicción precisa de variantes que tenían mejores afinidades de diana que el trastuzumab de tipo salvaje. El segundo avance es un modelo de aprendizaje automático para puntuar la ‘naturalidad’ la naturalidad es un parámetro que Absci muestra que está asociado con múltiples características de desarrollabilidad, y los anticuerpos con mejor desarrollabilidad tienen una mayor probabilidad de éxito como candidatos a fármacos a través de las pruebas preclínicas y el desarrollo clínico. Además, Absci demostró que las técnicas de ML generativo permitían la optimización in silico simultánea tanto de la afinidad como de la naturalidad, lo que subraya la viabilidad de la línea de optimización computacional de pistas. Absci está colaborando con NVIDIA para acelerar y ampliar el proceso de ML in silico de Absci’utilizando la experiencia de NVIDIA y los núcleos de grafos y transformadores optimizados en las GPU A100 Tensor Core de NVIDIA. Además, Absci seguirá sintetizando y probando las predicciones de los modelos en sus propios ensayos de ultra-rendimiento para seguir validando, entrenando iterativamente y refinando el rendimiento de la IA.