Creative Biolabs hat ein Upgrade seiner KI-gesteuerten funktionellen Proteinlösungen angekündigt, die darauf abzielen, die Entwicklung von Stoffwechseltherapeutika der nächsten Generation zu beschleunigen. Das Unternehmen adressiert die rechnerische Herausforderung, die Multi-Target-Affinität zu optimieren und gleichzeitig die metabolische Stabilität in dualen und triple-Rezeptor-Agonisten wie GLP-1/GIP/GCGR-Kombinationen zu erhalten, die von der Pharmaindustrie zur Bekämpfung von Fettleibigkeit und Typ-2-Diabetes aggressiv verfolgt werden.
Die traditionelle iterative Optimierung von polypharmakologischen Peptiden ist äußerst arbeitsintensiv und erfordert oft jahrelange Versuche, um die Aktivierungsverhältnisse mehrerer Rezeptoren auszugleichen. Creative Biolabs nutzt proprietäre Deep-Learning-Algorithmen für das computergestützte Design von Multi-Rezeptor-Agonisten. Durch die Simulation von Rezeptor-Ligand-Interaktionen in einer virtuellen Hochdurchsatzumgebung identifiziert die Plattform Moleküle, die mehrere relevante biologische Signalwege gleichzeitig und präzise aktivieren können. Dieser Ansatz verkürzt den Zeitrahmen von der Trefferidentifizierung bis zur Leitstrukturoptimierung drastisch und reduziert typische Forschungszyklen auf nur 2 bis 14 Wochen.
Eine anhaltende Herausforderung der Branche ist die Verhinderung des schnellen enzymatischen Abbaus von Peptidwirkstoffen in vivo. Die KI-Infrastruktur von Creative Biolabs adressiert dies, indem sie anfällige Sequenzstellen berechnet und systematisch eliminiert, wodurch ultra-lang wirkende Profile entstehen, die die Dosierungsfrequenz für Patienten reduzieren. Zudem bewältigt die Plattform das „Garbage-in, Garbage-out“-Problem, das bei maschinellen Lernmodellen in der Wirkstoffforschung häufig auftritt. Durch das Training mit hochwertigen pharmakologischen Datensätzen sagt die Plattform ADMET-Eigenschaften (Aufnahme, Verteilung, Stoffwechsel, Ausscheidung und Toxizität) früh im Entwicklungsprozess genau voraus und stellt sicher, dass generierte Sequenzen hochwirksam sind und keine schwerwiegenden Off-Target-Toxizitäten oder unerwünschte Immunogenität aufweisen.
Über traditionelle orthosterische Bindungsstellen hinaus erfordern Stoffwechselregulatoren der nächsten Generation eine exzellente Selektivität, um Nebenwirkungen zu vermeiden. Die Plattform integriert Molekulardynamik (MD)-Simulationen, um das rationale Design von Liganden zu ermöglichen, die auf versteckte Bindungstaschen abzielen. Dieser strukturbiologische Ansatz erlaubt es pharmazeutischen Entwicklern, die Rezeptoraktivität durch präzise allosterische Modulation fein abzustimmen, eine Überstimulation von hoch homologen Proteinfamilien zu vermeiden und Resistenzmechanismen zu umgehen.
„Industriekunden benötigen mehr als nur theoretische Bindungsaffinität; sie verlangen nach herstellbaren, hochstabilen Molekülen mit garantierter funktioneller Aktivität in biologischen Assays“, erklärte der Direktor für Computerbiologie bei Creative Biolabs. „Unsere Deep-Learning-Pipelines verwandeln das Design von Multi-Rezeptor-Sequenzen von einem Prozess des Zufalls in einen hochgradig vorhersagbaren, automatisierten Arbeitsablauf.“
Pharmapartner, die diese proprietären KI-Pipelines nutzen, berichten von einer signifikanten Reduzierung der Design-Test-Lern-Zyklen. Frühe Anwender heben die hohe Vorhersagegenauigkeit der Plattform und die umfassende Natur der Ergebnisse hervor, die die Lücke zwischen In-silico-Vorhersagen und In-vitro-Erfolgen schließen. Biotechnologieunternehmen und Pharmakonzerne, die an Pipeline-Produkten für komplexe Stoffwechselerkrankungen arbeiten, werden ermutigt, diese fortschrittlichen computergestützten Arbeitsabläufe zu implementieren. Für weitere Informationen besuchen Sie bitte die offizielle Plattform von Creative Biolabs.
