Pharma.ai

PHARMA.AI

Nous nous efforçons explicitement d'accélérer trois domaines de découverte et de développement de médicaments :

Notre moteur révolutionnaire de découverte de médicaments utilise des millions d'échantillons de données et plusieurs types de données pour découvrir des signatures des maladies et identifier les cibles les plus prometteuses pour des milliards de molécules qui existent déjà ou qui peuvent être générées de novo avec des ensembles de paramètres préférés

Composé de trois applications :

permettant la recherche en biologie sur plusieurs types de données.

Trouvez de nouvelles molécules importantes grâce à cette plateforme automatisée de conception de médicaments de novo et d'ingénierie évolutive basée sur l'apprentissage automatique.

Découverte et priorisation

RECHERCHE OMICs ET DENTITE CIBLE

ANALYSE des données OMIC

Accédez à l’ensemble complet des données OMIC générées jusqu’à présent par la communauté scientifique. Vous n'avez pas besoin de passer votre temps à essayer de convertir vos données dans un format interprétable ou d'attendre qu'un bioinformaticien le fasse à votre place. Au lieu de cela, vous trouverez toutes les données déjà traitées et téléchargées de manière uniforme, afin que vous puissiez vous concentrer sur science et interprétation des données.

L'analyse des parcours est une étape cruciale vers une compréhension complète du fonctionnement des données. Il convertit une liste de gènes apparemment sans rapport en une histoire connectée basée sur des processus moléculaires dérégulés. PandaOmics utilise une approche exclusive d'analyse des voies appelée iPanda pour déduire l'activation ou l'inhibition des voies. Les résultats publiés dans Nature Communications en 2016 ont démontré que l'algorithme surpassait les autres outils d'analyse de voies.

PRIORISATION

L'approche de notation PandaOmics est basée sur la combinaison de plusieurs scores dérivés de textes et de données omiques associant des gènes à une maladie d'intérêt. Ce type d'approche nous permet de dévoiler des hypothèses cachées qui pourraient ne pas être évidentes avec des connaissances générales communes ou une simple analyse bioinformatique. Les outils d'IA sont extrêmement utiles pour générer efficacement des hypothèses cibles. L'approche de notation globale aboutit à une liste classée d'hypothèses cibles pour une maladie (ou un sous-type de maladie) donné.

FILTRATION

Une fois la liste des gènes hiérarchisée selon la stratégie requise, le filtre de pharmacobilité utilise la logique des feux de signalisation et permet de filtrer les hypothèses cibles en fonction de leur nouveauté, de leur accessibilité par les petites molécules et des produits biologiques et de leur sécurité. La sécurité tient compte de l'implication des gènes dans les voies liées à la toxicité et de la létalité de l'inactivation du gène correspondant chez la souris. Des filtres supplémentaires incluent la spécificité tissulaire d'expression des protéines et de l'ARNm et la classe de protéines.

PRÉCONFIGURATIONS

Définir des règles de récompense et de pénalité pour la forme des molécules, la complexité chimique, l'accessibilité synthétique, la stabilité métabolique et d'autres propriétés que les nouvelles molécules doivent satisfaire.

GÉNÉRATION DE NOUVELLES PETITES MOLÉCULES

Chaque nouveau composé généré est annoté avec toutes les propriétés, y compris les paramètres physico-chimiques, les scores de liaison, les caractéristiques de ressemblance avec les médicaments et cartographiées sur les catalogues des fournisseurs et les bibliothèques propriétaires pour toute similarité et nouveauté.

PRÉDICTEURS DES IMPACT DES FONCTIONS

RÉSULTATS DES ESSAIS CLINIQUES.

Insilico Medicine now has an ACADEMIC GRANT APPLICATION. Read More