Как торговать этими акциями из России? >Подробная инструкция здесь<
В этой статье мы подчеркиваем тенденцию в фармацевтической промышленности использовать ИИ в процессе исследований и разработок для повышения доходности инвестиций за счет сокращения затрат и повышения шансов на успех. В последние годы было заключено значительное количество сделок по открытию новых лекарств, стоимость которых колеблется от 5 миллионов долларов до более чем 1 миллиарда долларов, с уклоном в сторону нижней границы. В последние годы венчурный капитал вложил миллиарды в эту сферу искусственного интеллекта и машинного обучения. Согласно недавнему отчету, более 10 миллиардов долларов было привлечено на искусственный интеллект и машинное обучение благодаря финансированию разработки лекарств и диагностики искусственного интеллекта и машинного обучения в третьем квартале 2020 года. Рынок искусственного интеллекта в здравоохранении Ожидается, что в ближайшие годы этот сегмент будет бурно развиваться. Здесь мы выделяем Predictive Oncology, биофармацевтическую компанию по искусственному интеллекту с микрокапитализацией, специализирующуюся на онкологии, с уникальными активами, которые отличают ее от других онкологических компаний, занимающихся искусственным интеллектом. Мы считаем, что компания может быть недооценена, поскольку у нее есть ценные активы, которых, по нашему мнению, нет ни у кого в мире.
Введение
Множество биотехнологических сделок, заключенных в последние годы с использованием ИИ для открытия и разработки лекарств, подчеркнуло возможность повысить показатели успеха (получение одобрения препарата) для фармацевтических и биотехнологических исследований и разработок, поскольку отдача от инвестиций упала до самого низкого уровня за последние годы, а Шансы на клинический успех лекарств, прошедших открытие и доклинические исследования, остаются низкими. Одна из причин заключается в том, что средние оценки пиковых продаж все еще снижаются, в то время как затраты на вывод лекарств на рынок растут. Таким образом, важным аспектом повышения внутренней нормы доходности является эффективное стимулирование НИОКР. Закон Эрума о том, что процесс исследований и разработок лекарств со временем становится все дороже и дольше, похоже, хорошо работает.
Источник: Новое будущее для НИОКР? Измерение отдачи от фармацевтических инноваций. Делойт.
Фармацевтика совершенствует исследования и разработки с помощью искусственного интеллекта
В настоящее время отрасль обращается к искусственному интеллекту, чтобы улучшить процессы скрининга, чтобы сократить первоначальные расходы и уменьшить вероятность клинических неудач. В конце концов, компании могут потратить миллиарды на одобрение нового препарата, а рентабельность инвестиций может значительно повыситься, если удастся сократить затраты на исследования и разработки, а также уменьшить количество неудачных клинических испытаний. Открытие лекарств посредством доклинических испытаний на каждое успешное лекарство составляет значительную часть общих затрат на исследования и разработки. Хотя оценки различаются, в среднем они составляют около ⅓ стоимости вывода лекарств на рынок, что составляет 600–700 миллионов долларов за одно выпущенное лекарство. В обзоре Nature за 2010 год есть хорошая диаграмма, показывающая разбивку затрат на препарат, хотя она, возможно, немного устарела.
Источник: Пол С., Мителка Д., Данвидди К. и др. Как повысить продуктивность НИОКР: главная задача фармацевтической промышленности. Nat Rev Drug Discov 9, 203–214 (2010).
Крупные фармацевтические компании в целом продемонстрировали свой интерес к сотрудничеству и сделкам в области ИИ при разработке лекарств, при этом многие известные игроки подписали несколько сделок, подразумевая, что существует множество возможностей для улучшения исследований и разработок, и в отрасли есть место для множества различных конкурентов в области ИИ. Мы считаем, что это связано с тем, что фармацевтические компании, сотрудничающие в одном аспекте разработки лекарств, могут найти полезность в партнерстве в других областях по разным причинам. В статье 2018 года были обозначены некоторые различные цели для ИИ в дорожной карте разработки лекарств:
1. ИИ для идентификации и проверки целевых лекарственных средств
2. ИИ для целевого и фенотипического открытия лекарств.
3. ИИ для работы с биомедицинскими, клиническими данными и данными пациентов.
4. ИИ для полифармакологических открытий
5. ИИ для программ по перепрофилированию лекарств
6. ИИ для разработки биомаркеров
7. ИИ для анализа научной литературы, публикаций и патентов.
Более того, фармацевтическая компания может стать партнером в одной и той же области для «двойной проверки» лекарств, используя активы обеих компаний, занимающихся искусственным интеллектом. Единственный способ, которым эти «конкуренты» по-настоящему конкурируют, — это если их алгоритмы ИИ измеряют одни и те же параметры, имеют одинаковые результаты или помогают в одной и той же части открытия и разработки лекарств. Например, гипотетически фармацевтическая компания могла бы использовать PandaOmics от Insilico для проверки целевых лекарств с помощью алгоритма ИИ, который пытается соединить несвязанные гены и нерегулируемые пути, а затем проверить, что эти целевые лекарства могут работать, используя другой ИИ от другой компании. Учитывая огромные суммы денег, вкладываемые в исследования лекарств, и множество способов улучшить их внедрение в клинику и через нее, у различных компаний, занимающихся искусственным интеллектом и прогностической онкологией (и другими заболеваниями), есть значительные возможности для расширения своего присутствия на рынке и даже для синергии. Недавняя публикация в 2018 году показала количество проектов искусственного интеллекта, реализуемых в крупных фармацевтических компаниях, график показан ниже.
Источник: Алексей Жаворонков, П. (16 июля 2020 г.). Глубокое погружение в производительность искусственного интеллекта в большой фармацевтике: одно исследование, потрясшее фармацевтическую промышленность.
Многие из этих сделок и сотрудничества заключаются между существующими компаниями или между частными компаниями и крупными фармацевтическими компаниями, поэтому найти чистые инвестиции в эту сферу, по крайней мере, со значительным потенциалом роста, трудно. Компания Predictive Oncology и ее уникальное ценностное предложение для отрасли предлагают инвесторам возможность получить доступ к сфере искусственного интеллекта в области разработки лекарств.
Предиктивная онкология: искусственный интеллект и огромная база данных реальных опухолей пациентов
Predictive Oncology включает в себя различные дочерние компании, занимающиеся разработкой и рецептурой лекарств, а также устаревший бизнес по производству медицинского оборудования, приносящий доходы, но в этой статье основное внимание уделяется их дочерним компаниям TumorGenesis и Helomics, которые в сочетании друг с другом обеспечивают потенциал для наиболее быстрого роста и сокращения производства. -краевая технология. Дочерние компании следующие:
Soluble Biotech — эффективная, экономичная и быстрая рецептура лекарств с улучшенной растворимостью и стабильностью; обнаружение и удаление эндотоксинов.
Skyline Medical — медицинское устройство, автоматическое удаление отработанных жидкостей с прямым сливом
Хеломика — прогнозная онкология с использованием реальных образцов пациентов, крупнейший банк клеток
TumorGenesis — 3D-культуры клеток, имитирующие микроокружение опухоли.
Хеломика
В настоящее время Helomics проводит бизнес, используя свои клинические испытания геномики (геномного профилирования) и живого химиотерапевтического ответа (профилирования реакции на лекарственные средства опухоли), чтобы консультировать врачей по поводу того, какую терапию рака использовать, что приводит к значительному улучшению результатов лечения пациентов, особенно при раке яичников, который, как известно, является смертельным. Платформа для тестирования реакции на противоопухолевые лекарства (ранее известная как ChemoFx) является действенной с медицинской точки зрения, клинически проверенной и экономически выгодной; другими словами, оно имеет очевидную клиническую полезность и ценность для пациента и его врача.
Многочисленные (связанные) публикации демонстрируют ценность TDRP/ChemoFx. Это связано с 3-месячным улучшением выживаемости без прогрессирования (ВБП) и 14-месячным улучшением общей выживаемости (ОВ), когда пациенты получают агент, к которому была чувствительна их опухоль, выращенная в лаборатории. Пациенты с первичным раком яичников на поздней стадии, получавшие чувствительный агент TDRP, жили в 2,57 раза дольше (72,5 месяца ОВ против 28,2 месяцев ОВ), чем пациенты, получавшие резистентный агент. Наконец, TDRP может выявить потенциально эффективные методы лечения для большинства (59%) пациентов, резистентных к карбоплатину.
Эти тесты включают краткие материалы для врачей, примеры которых показаны ниже, а также соответствующие публикации и ссылки для подтверждения. Сообщается, что эти тесты довольно популярны среди онкологов-гинекологов, поскольку они представляют собой немедикаментозный способ улучшить результаты лечения этих пациентов, многие из которых неизлечимо больны и просто хотят уменьшить побочные эффекты и продлить жизнь. Худший исход — это неизлечимо больной пациент, получивший химиотерапию, у которого снизилось качество жизни, а затем его жизнь не продлилась. Тестирование Helomics снижает этот риск. Ниже приведены примеры результатов TDRP (ChemoFx) и геномного профилирования BioSpeciFx.
Источник: сайт Helomics.
Источник: сайт Helomics.
Раньше Helomics вела бизнес в основном с этими платформами, которые были хорошо приняты и популярны среди врачей. Однако предложения компании пользовались популярностью и быстро росли. Таким образом, Helomics расширила свою платформу за пределы опухолей GYN на все опухоли, не продемонстрировав клиническую полезность для других типов опухолей, что является ключевым моментом для возмещения затрат. Это привело к серьезным юридическим проблемам для бизнеса с CMS-Medicare, и они столкнулись с серьезными проблемами, понеся значительные потери доходов и, в конечном итоге, сократились. В конечном итоге Predictive Oncology смогла их выкупить. В любом случае, основной деятельностью Helomics является источник 150 000 образцов опухолей пациентов и данных об ответах пациентов за 15 лет.
ТуморГенезис (ТГ)
С помощью TumorGenesis намерение состоит в том, чтобы разработать более совершенные модели для культивирования и скрининга клеточных линий, полученных от пациентов (PDCL), а также проверки этих клеточных линий на эффективность с комбинациями новых и уже одобренных препаратов. Эти PDCL также можно использовать для доклинических моделей иммунотерапии, поскольку они могут имитировать микроокружение опухоли, а анализы, приобретенные у TG с различными PDCL, могут проверять множество различных PDCL на наличие намеков на реакцию большей популяции на определенную иммунотерапию, что в настоящее время является трудным и утомительным. (ксенотрансплантат) и стоит дорого. Анализы PDCL на TG могут стоить на порядок меньше, чем на лабораторных мышах, поэтому многие образцы пациентов можно будет проверять гораздо быстрее, и это может стоить меньше или проводить скрининг более точно, чем текущие традиционные доклинические модели, которые включают в себя использование линии раковых клеток человека. (опухоль) внутри живой мыши.
Клеточные линии, полученные от пациента (PDCL), не детерминированы генетически, как традиционные линии опухолевых клеток. Они более точно представляют реальную опухоль, поскольку взяты из реальной опухоли. Некоторые исследования были проведены для сравнения ответов культуры PDCL с фактическими ответами RECIST [MC1], и было показано, что они коррелируют.
Кроме того, PDCL гораздо лучше имитируют опухоли человека, чем стандартные линии раковых клеток (SCCL). По данным TumorGenesis, существует множество причин, по которым SCCL являются плохим представителем реальных опухолей пациентов и почему исследования рака при раке яичников и молочной железы оказались трудными.
— Линии раковых клеток могут не иметь гетерогенности из-за клональной селекции in vitro — в опухолях пациентов содержится больше типов клеток, некоторые из которых могут не реагировать на терапию, как было показано в доклинической модели с использованием SCCL.
— 90% опубликованных исследований клеточных линий при раке молочной железы и яичников проводились с использованием только 10 различных клеточных линий (5 для молочной железы, 5 для яичников).
— Гистопатология и молекулярные профили ксенотрансплантатов SCCL часто отличаются от первичной опухоли, источника клеточной линии.
— Во многих случаях гистопатология исходной опухоли, из которой был взят SCCL, неизвестна. Если не знать, из какой опухоли она возникла, насколько это полезно?
—
Источник: веб-сайт TumorGenesis.
Собираем детали вместе
Таким образом, PDCL, коллективно принадлежащие Predictive Oncology (с помощью Helomics, могут быть «выращены в 3D» компанией TumorGenesis), могут иметь огромную ценность. Что лучше представляет опухоли пациентов по сравнению с другими платформами искусственного интеллекта для разработки лекарств: сложный алгоритм искусственного интеллекта или реальные образцы пациентов? База знаний по опухолям Predictive Oncology «TumorSpace» включает в себя:
— 150 000 случаев пациентов
— 131 тип опухолей
— 338 подтипов опухолей
— 643 анатомических участка
— Клиническая и демографическая информация
— Биомаркеры и мутационные профили
— Доступ к историческим данным клинических результатов за более чем 10 лет.
Источник: сайт Helomics.
Источник: сайт Helomics.
В дополнение к TumorSpace, Helomics также имеет большое количество блоков FFPE (консервированные образцы), которые можно использовать для создания дополнительных данных об образцах, в том числе:
— Реакция противоопухолевых препаратов на группу препаратов стандартного лечения.
— Опухолевая патология и клиническая стадия
— Слайды H&E и IHC (гистология)
— Демография пациентов
— клинически действующие биомаркеры
— Целый экзом (белкокодирующая часть генов)
— Полный транскриптом (РНК)
— Схема медикаментозного лечения пациента
— Исход пациента (ОВ и ВБП)
Следует отметить, что существуют поддерживаемые венчурным капиталом компании, занимающиеся разработкой лекарств в области искусственного интеллекта, которые выходят на поле игры, по сути, не имея ничего, кроме денег и большой идеи — без обширной исторической базы данных опухолей с ответами на лекарства и различными характеристиками опухолей. Predictive Oncology также приобрела Quantitative Medicine (QM) в середине 2020 года, чтобы объединить свою обширную базу знаний TumorSpace и возможности тестирования (через Helomics, а также TG, хотя у TG нет лабораторий или возможностей тестирования) с платформой искусственного интеллекта / машинного обучения QM CoRE. эффективно использовать TumorSpace (и потенциально/в конечном итоге запатентованные клеточные культуры) для стимулирования внутреннего открытия лекарств, а также партнерства с другими биофармацевтическими компаниями в разработке лекарств от рака.
Источник: сайт Helomics.
По сути, культуральные анализы TruTumor сочетаются с базой знаний TumorSpace и CoRE AI в так называемом PeDAL™, чтобы обеспечить ориентированный на пациента подход к открытию лекарств, основанный на итеративном методе активного обучения «обучение-прогнозирование-тестирование».
PeDAL компании Helomics в сравнении с другими подходами
Разница между традиционным подходом in silico, подобным этому, и Helomics заключается в том, что PeDAL, объединенный с базой данных реальных образцов опухолей, использует итеративный подход с использованием реальных образцов человеческих опухолей in vitro/ex-vivo, в отличие от итеративного подхода. только с использованием компьютерного моделирования или «in-silico». Одним из примеров платформы обнаружения искусственного интеллекта «in-silico» является платформа Insilico Medicine, где компания использует многоэтапный интерактивный процесс, включающий различные этапы интеллектуального анализа данных, генерации гипотез, идентификации соединений и оптимизации, что со временем обеспечивает улучшение прогнозы по мере поступления дополнительных данных. В целом модели in-silico хороши для генерации молекул, но не обязательно для их тестирования в доклинических моделях по причинам, которые уже обсуждались. На данный момент In-silico привлекла более 50 миллионов долларов инвестиций, что соответствует всей рыночной капитализации POAI. Ниже приведено изображение их процесса искусственного интеллекта:
Источник: Жаворонков Александр и др. (2020). Мультимодальный механизм искусственного интеллекта для прогнозирования результатов клинических испытаний: перспективный практический пример, лето 2020 г.
По словам генерального директора доктора Шварца,
CoRE — это платформа для построения прогнозных моделей для кампаний по скринингу и оптимизации лекарств, которая использует гибридные подходы машинного обучения для быстрого создания прогнозных моделей и проведения экспериментов в «мокрых» лабораториях. В отличие от подхода многих компаний, занимающихся искусственным интеллектом, работающих исключительно «in-silico», наш подход объединит подход CoRE с нашей платформой для профилирования опухолей PDx и базой данных об опухолях, что позволит создать единственную в своем роде сквозную систему. машина открытий», которая может быстро генерировать потенциальных терапевтических кандидатов экономически эффективным способом. Кандидатов на терапию, разработанных с помощью этого итеративного ИИ и цикла экспериментов, можно быстро отследить, поскольку активность уже будет продемонстрирована в доклинических лабораторных испытаниях, а не только в компьютерной модели.
Подводя итог, можно сказать, что объединение этих предприятий должно привести к синергетическому эффекту. Использование ИИ для итеративного тестирования лекарств на образцах реальных пациентов должно привести к гораздо более хорошо спланированным клиническим испытаниям, основанным на выбранном препарате и подгруппах пациентов. В противном случае эти вопросы придется решать после дорогостоящих клинических испытаний фазы 1 или 2. Клеточные линии, полученные от пациента, на самом деле можно выращивать только в нестандартных средах, и именно это дает преимущество прогнозной онкологии. Это возвращает нас к TumorGenesis.
TumorGenesis, в контексте геломики и искусственного интеллекта
TumorGenesis перечислил ряд проблем, которые они решают, частично за счет устранения причин, по которым модели рака не могут быть преобразованы в человеческие модели. Вместо того, чтобы перефразировать, я процитировал их веб-сайт, где описываются проблемы с доклиническими моделями, их непрактичность, их корреляция с реальными опухолями, а также решение TG этих проблем:
1. Опухоли человека чрезвычайно трудно вырастить в колбе с клеточной культурой.
Если раковые клетки опухоли могут реплицироваться в колбе с культурой клеток бесконечно долго, это называется созданием «клеточной линии». В стандартной питательной среде опухоли человека можно сохранять живыми в колбе с клеточной культурой в течение нескольких дней или недель, но менее 1% опухолей можно выращивать в колбе с клеточной культурой неопределенно долго как «клеточную линию». Мы решили эту проблему при раке яичников; В нашей питательной среде мы можем выращивать опухолевые клетки яичников месяцами, они создают миллиарды идентичных копий исходных опухолевых клеток в колбе с клеточной культурой, которую можно использовать для тестирования лекарств. Наш показатель успеха при раке яичников составляет >95%, а это означает, что мы можем создать клеточные линии и протестировать лекарства для девяти из десяти пациентов. За последние 60 лет только 50 клеточных линий яичников были признаны клеточными линиями, что показывает, насколько сложно это было: менее одной новой клеточной линии в год во всем мире. Мы уже создали 50 новых клеточных линий, соответствующих мировому производству за последние 60 лет!»
2. Случайная человеческая опухоль, которую можно вырастить в колбе с клеточной культурой, не похожа на исходную опухоль.
У стандартной технологии есть еще одна проблема; даже если это удается в 1% случаев, клеточные линии, выращенные стандартными методами, не сохраняют свойств исходной опухоли. Мы решили эту проблему и продемонстрировали, что созданные нами линии опухолевых клеток яичников сохраняют молекулярный профиль исходной опухоли, который коррелирует с выживаемостью пациентов.
3. Реакция стандартных клеточных линий на лекарственное средство не позволяет предсказать реакцию пациента.
Мы решили эту проблему; Наши результаты показывают, что реакция наших клеточных линий на лекарства коррелирует с исходами пациентов в клинике.
4. Мы поставляем клеточные линии и питательную среду фармацевтической и биотехнологической промышленности, и они используют их для разработки новых лекарств. Это похоже на строительство самолетов для авиакомпании, которая будет использовать их для бизнеса: в этом случае линии сотовой связи строятся на заказ.
а. Стандартные клеточные линии используются на нескольких этапах разработки практически всех лекарств.
б. Поскольку эти клеточные линии получены от 1% пациентов, процесс был предвзятым в отношении лекарств, которые оказались эффективными в этой небольшой выборке пациентов, что привело к слишком большому количеству «ложноположительных» результатов; то есть лекарства, которые действуют на клеточные линии, но не действуют на пациентов. Эти неудачи стали основной причиной резкого увеличения затрат на разработку лекарств.
в. Наша технология позволяет клеточным линиям пациентов представлять более 90% опухолей пациентов, которые не представляют нынешние 1% клеток рака яичников, доступных для исследования. Это поможет изменить методы лечения пациентов с раком яичников.
Другими словами, иммортализованные клеточные линии можно было создать только с использованием небольшой подгруппы опухолевых клеток, и эти клеточные линии и их реакция на лекарства, наблюдаемая в доклинических моделях (ксенотрансплантат или in vitro), не точно отражают реальную опухоль in vivo. реакции на различные методы лечения, тогда как образцы опухолей, которые можно реконструировать в среде TG, действительно могут жить, не становясь непохожими на настоящие опухоли. Они могут быть поставлены для потенциально гораздо более точных доклинических испытаний, что может сократить потери на НИОКР или снизить клинические риски для фармацевтических компаний, тестирующих методы лечения рака яичников. Поскольку результаты такого типа уже были продемонстрированы в реальных условиях; т.е. реакция клеточных линий TG/Helomics на лекарства коррелирует с клиническими результатами, мы считаем, что TG занимается чем-то особенным. Сотрудничая со своей дочерней компанией Helomics, которая имеет огромный банк лекарств от рака яичников (более 30 000 образцов), Predictive Oncology имеет реальный шанс вывести исследования рака яичников на новый уровень и помочь в конечном итоге предоставить пациентам больше возможностей посредством сотрудничества. с биотехнологическими и фармацевтическими компаниями.
Другие проблемы доклинических исследований
Есть и другие причины, по которым доклинические модели не применимы к людям. Одна из ключевых проблем, почему кандидаты в лекарства часто не демонстрируют эффективности на людях после демонстрации эффективности на животных моделях, заключается в том, что существует множество фундаментальных и клинических различий между живыми людьми и моделями; то есть лекарства даже не будут оказывать такое же воздействие на людей, как на мышей, поскольку экспрессия белков в их клетках может быть совершенно разной, а метаболические пути могут быть разными (что приводит к разным уровням метаболитов и лекарств, что может изменить эффективность и токсичность). ), что потребует разных режимов дозирования и периодов наблюдения. Некоторые примеры из блога Гарвардского университета показаны на рисунках ниже.
Источник: Циммерман, Сэм. Почему лекарства, протестированные на мышах, не прошли клинических испытаний на людях. 11 февраля 2020 г. (Рисунки Ханны Цукер)
Дело в том, что существует так много способов отклонения доклинических моделей от клинических, что исключение как можно большего количества переменных на доклинических стадиях разработки может оказать глубокое влияние на показатели клинического успеха.
Доказательство концепций прогностической онкологии
Одним из примеров, в котором клеточные линии, полученные от пациентов, уже показали, что они дают ценную информацию, является недавнее (2019 г.) исследование, в котором авторы использовали культуры PDCL с использованием TG-среды и обнаружили, что некоторые клеточные линии рака яичников HGSOC (серьезная карцинома яичников высокой степени злокачественности) будут восприимчивы к Ингибиторы ПАРГ. Ингибиторы PARP особенно полезны при раке яичников (и молочной железы) для блокирования репарации ДНК; однако они полезны только при наличии мутаций BRCA, когда по существу блокируются оба параллельных пути восстановления повреждений ДНК. Компания Helomics использовала линии клеток рака яичников реальных пациентов (которые напоминали HGSOC) для идентификации культур, чувствительных к ингибированию PARG (культуры, подвергшиеся репликационному стрессу), а также показала, что невосприимчивые культуры можно сделать восприимчивыми к ингибированию PARG путем фармакологически индуцированной репликации. стресс.
Эти клеточные линии рака яичников имитируют реальный рак человека (за счет сохранения геномных характеристик исходных опухолей, воспроизведения гистологии опухоли в ксенотрансплантатах, сохранения этих профилей по сравнению со стандартными клеточными линиями по мере их выращивания, а также корреляции с профилями мРНК и ответами на лекарства между клеточными линиями). и пациентов) удалось установить путем культивирования в запатентованной среде, которая обеспечивает клеточную линию необходимыми питательными веществами. В целом это контрастирует со стандартными клеточными линиями, которые неточно имитируют многие образцы опухолей, особенно те, которые плохо реагировали на определенные лекарства. Главный вывод заключается в том, что различные клеточные линии, полученные от пациентов, полученные на запатентованных средах, могут гораздо точнее представлять более широкий спектр подтипов опухолей пациентов, и это на данный момент довольно хорошо коррелирует с фактическими результатами лечения пациентов. Таким образом, эти запатентованные клеточные линии могут иметь большую ценность в доклинических исследованиях рака яичников. Можно получить и другие линии раковых клеток, полученные от пациентов, но, вероятно, потребуется корректировка среды в культуральной среде, адаптированная к каждому тканеспецифическому применению, т.е. раку легких или раку молочной железы.
Возможность создать банк живых клеток была бы невозможна без банка образцов рака, который есть у Helomics; мы считаем, что этот актив, которым владеет Predictive Oncology, имеет значительную ценность, но мы не уверены, сколько именно он может стоить.
Рак яичников обычно имеет очень плохой прогноз, поэтому разработка лекарств от рака яичников, где можно было бы подумать, что лекарство имеет гораздо более высокую вероятность успеха из-за точных доклинических моделей, была бы очень полезной. Что касается открытия ингибирования PARG как жизнеспособной стратегии в условиях репликационного стресса, которое стало возможным с использованием этих клеточных линий, можно попытаться оценить, какую ценность могут иметь эти клеточные линии. Мировой рынок ингибиторов PARP в настоящее время оценивается примерно в 3 миллиарда долларов США (в основном рак яичников и молочной железы) и, как ожидается, к 2026 году достигнет 16 миллиардов долларов США, поэтому ингибитор PARG для борьбы с резистентностью PARP может быть очень ценным, а также доклинической моделью для борьбы с резистентностью к PARP. точное руководство клиническими разработками и подгруппами пациентов перед переходом к исследованиям фазы 1 или 2 может сделать программу менее рискованной, более надежной и потенциально сэкономить много денег.
Среды TumorGenesis, новые клеточные линии, новые среды для других тканеспецифичных показаний и т. д. поддерживают подход Helomics к открытию лекарств на основе искусственного интеллекта и прогнозному моделированию.
Что касается искусственного интеллекта, компания Predictive Oncology только что объявила, что запустит собственную платформу по перепрофилированию лекарств от рака яичников. Эта стратегия аналогична стратегии Lantern Pharma (LTRN), и рыночная капитализация Lantern составляет около 200 миллионов долларов. Компания считает, что этот проект продемонстрирует ценность платформы PeDAL, а также уникальные данные Helomics. Lantern также рекламирует обширную базу данных; хотя неясно, о каких именно данных они говорят, похоже, что они представляют собой аналогичную базу данных, что и база данных Predictive Oncology. Тем не менее, это потенциально показывает в сравнении недооценку акций POAI, поскольку у них также есть реальные линии PDCL для пациентов, данные обратной связи, 150 000 случаев (мы считаем, что это самые крупные случаи в мире) и платформа искусственного интеллекта для проведения исследований. Одно из различий между ними заключается в том, что у Predictive Oncology есть устаревшие предприятия, которые поддерживают ее усилия в области исследований и разработок. Будет интересно посмотреть, каких успехов сможет добиться компания Predictive Oncology благодаря исследованиям и разработкам, и сможет ли она заключить какие-либо сделки с крупными фармацевтическими компаниями, особенно в отношении разработки лекарств от рака яичников.
Оценка — сколько стоят эти платформы?
Как и следовало ожидать, поскольку TumorGenesis и Helomics находятся под одной крышей с Predictive Oncology, технология Helomics и TumorGenesis могут работать вместе в области рака яичников в качестве основного направления. Программа CoRE AI и культуральные среды TumorGenesis потенциально применимы и к другим группам рака; однако в первую очередь речь идет о раке яичников, где находится наибольшее количество образцов. Однако давайте проведем быстрый анализ рака яичников. По данным сайта Clinicaltrial.gov, в настоящее время (по состоянию на февраль 2021 г.) проводятся сотни клинических исследований по лечению рака яичников. Допустим, среднее испытание стоит 5 миллионов долларов, а средний показатель успеха составляет 50%. Выполняя снижение риска соединений на ранних стадиях открытия, используя свою платформу PeDAL и PDCL, которые лучше имитируют опухоли у пациента, TG/Helomics может значительно улучшить успех перевода в клинику и, следовательно, успех клинических испытаний. Трудно сказать, каким будет это процентное улучшение, но, учитывая различия между текущими доклиническими моделями и испытаниями на людях, это может быть большим улучшением. Это могло бы сэкономить 100 тысяч долларов в исследованиях фазы 1 или фактически в среднем миллионы долларов во время исследований фазы 1 и фазы 2 и даже больше для исследований фазы 3, предотвращая трату денег на клинические исследования, которые с большей вероятностью потерпят неудачу, и сосредоточив внимание на деньги, потраченные на лекарства или исследования, которые с большей вероятностью будут успешными. Выгода, скорректированная на риск, может быть очень большой.
Компания Predictive Oncology через Helomics опубликовала несколько тематических исследований, которые помогают понять, насколько полезной может быть ее программа. В одном тематическом исследовании CoRE удалось сократить количество экспериментов в мокрых лабораториях, необходимых для разработки точных прогностических моделей, на 87%, что привело бы примерно к такому же процентному снижению затрат. В другом исследовании CoRE потребовалось на 40% меньше экспериментов, чтобы разработать точную прогностическую модель гепатотоксичности. В том же тематическом исследовании CoRE смог разработать прогнозирующую модель более точно, чем любой другой протестированный метод, и все это без каких-либо итераций обучения. Наконец, в еще одном тематическом исследовании CoRE удалось сократить количество синтезируемых соединений, необходимых для разработки оптимального лекарственного препарата (этап открытия).
Итак, предположим, что гипотетически PeDAL можно использовать для повышения точности и снижения затрат на разработку лекарств — оптимизацию и доклинические исследования. Возможно, это могло бы привести к сокращению затрат с $600–700 млн до $400–500 млн и даже занять меньше времени, ускорив процесс НИОКР. Разве PeDAL не будет стоить и части этой экономии за сделку? Сделка по разработке может варьироваться от 20 миллионов долларов до сотен миллионов долларов для прогнозной онкологии, в зависимости от размера и объема контракта.
В конце концов, если использовать предварительный скрининг с PeDAL и традиционными клеточными культурами (или даже 3D-моделями ТГ), можно сэкономить гораздо больше денег. Обычно лабораторные мыши стоят где-то от 7 до 20 тысяч долларов за мышь. Обычно необходимо вручную дозировать и умерщвлять мышь для каждой дозы каждого проверенного соединения. Скрининг с помощью микротитровальных планшетов (настоящих человеческих образцов, PDCL) за несколько долларов за штуку перед тестированием на мышах (и, следовательно, с использованием меньшего количества мышей), вероятно, является гораздо более выгодным предложением. Но без построения сложной модели для различных ситуаций сложно подсчитать экономию. Тем не менее, мы считаем, что PeDAL может привести к экономии средств и получению более качественной информации, прежде чем тратить огромные суммы денег на клинические испытания. Возможно, будет полезно взглянуть на сравнительные предложения в этой области, чтобы понять, сколько может стоить платформа PeDAL компании Predictive Oncology.
Другие крупные сделки по открытию лекарств с использованием ИИ
Одной из достойных сделок по искусственному интеллекту в фармацевтической/малой биотехнологии, которую потенциально можно сравнить с предиктивной онкологией, является недавнее соглашение Insitro по открытию новых лекарств с компанией Gilead Sciences (GILD), где Gilead будет использовать платформу открытий Insitro, где Insitro использует индуцированные плюрипотентные стволовые клетки (ИПСК) для разработки моделей заболеваний с использованием клинические и популяционные данные о заболеваниях, а затем использовать искусственный интеллект для прогнозирования. Сделка включала в себя авансовые платежи в размере 50 миллионов долларов США и краткосрочные поэтапные платежи, а также до 1 миллиарда долларов США на доклинические, разработки, нормативные и коммерческие этапы (200 миллионов долларов США для каждого целевого препарата), а также варианты выбора клинические разработки и получать поэтапные выплаты и гонорары за пределами США, а также долю прибыли в Китае.
Еще одной недавней заметной сделкой стало ранее упомянутое соглашение Insilico с Jiangsu Chia Tia Fenghai Pharmaceutical, по которому Insilico будет иметь право на получение до 200 миллионов долларов в виде поэтапных платежей и потенциальных роялти.
Exscientia — еще одна известная платформа для разработки лекарств с использованием искусственного интеллекта, которая подписала соглашения с подразделением Celgene компании Bristol Myers Squibb (BMY), Sanofi (SNY), Bayer (OTCPK:BAYRY) (OTCPK:BAYZF), GlaxoSmithKline (GSK) и другими. Для справки: Celgene заплатила авансом 25 миллионов долларов, а общая сумма роялти и роялти по соглашению Sanofi и Bayer составляет около 250 миллионов евро каждый. Как сообщается, общая сумма потенциальных выплат Exscientia превышает $1 млрд. Кроме того, некоторые предполагают, что в случае публичного листинга Exscientia может иметь оценку более 1 миллиарда евро, которая быстро выросла по сравнению с предыдущими раундами финансирования.
Соревнование
Возможно, ближайшим конкурентом Predictive Oncology является немецкая компания Indivumed. Первоначально они вели бизнес в основном как банк тканей, собирая ткани из больниц и продавая ткани фармацевтическим компаниям для тестирования. Недавно они получили крупные инвестиции от правительства Германии и были преобразованы в компанию по разработке ИИ и лекарств. Однако у компании нет живых клеток, только данные и образцы FFPE (формалин-фиксированные парафиновые заливки), а это означает, что они сохранились, но не являются живыми. Кроме того, похоже, что компания, похоже, использует свою базу данных опухолей для более глубокого подхода, в отличие от итеративного подхода с использованием живых образцов, который использует Predictive Oncology.
Финансы
В настоящее время компания в основном признает выручку через свою дочернюю компанию Skyline. Ни один из бизнес-сегментов в настоящее время не является прибыльным, хотя большая часть убытков компании связана с огромным увеличением G&A со стороны Helomics. Базовый бизнес еще не процветает, но в этом кроется потенциальная инвестиционная возможность.
Сводная информация о доходах за девять месяцев, закончившихся 30 сентября 2020 г.
| Выручка ($) | Прибыль (Убыток) ($) | |
| Горизонт | 924,605 | (1,024,786) |
| Хеломика | 33,879 | (7,346,236) |
| Растворимый (и биотехнологии) | — | (397,887) |
| Корпоративные (включая TG) | — | (5,645,512) |
| Общий | 958,484 | (14,414,421) |
нажмите, чтобы увеличить
Примечательно, что пандемия повлияла на бизнес Skyline. Таким образом, будущее компании во многом зависит от контрактных соглашений о проведении исследований с фармацевтическими компаниями, которые могут включать в себя разные объемы работ на разных стадиях разработки:
Исследования: открытие биомаркеров, открытие лекарств, перепрофилирование лекарств.
Разработка: обогащение пациентов и отбор для исследований, оптимизация клинических исследований, адаптивные исследования.
Поддержка принятия клинических решений: стратификация пациентов, выбор лечения
Поскольку для прогнозной онкологии не существует эталонных контрактов, трудно спрогнозировать какие-либо доходы на основе контрактов, авансовых платежей, этапов или роялти от услуг CRO. Таким образом, потенциально наиболее полезно взглянуть на некоторые мелкие и крупные контракты, подписанные с фармацевтическими компаниями, чтобы попытаться угадать, какую бизнес-ценность может извлечь из этого компания Predictive Oncology.
Поскольку Predictive Oncology сжигает так много денег, важно посмотреть, каков их взлетно-посадочный диапазон. Глядя на недавнее финансирование и на последний 10-й квартал, мы оцениваем, что у компании наличных денег около $15,6 млн — меньше, чем на год. Однако мы не знаем, сохранит ли компания уровень расходования средств.
Учитывая, что более 50 миллионов акций полностью размыты [1,2] (включая опционы, варранты, конвертируемые и привилегированные акции), Predictive Oncology может иметь значительный потенциал роста, если сможет подписать существенные контракты с фармацевтическими компаниями и/или лицензировать или производить собственные лекарства. развитие с использованием своей базы данных и ресурсов искусственного интеллекта.
Заключение
Инвесторы, имеющие доступ к публичным рынкам только для тех, кто хочет получить доступ к потенциальным преимуществам разработки лекарств с использованием ИИ, могут быть заинтересованы в прогнозной онкологии. Мы считаем, что их банк образцов пациентов и платформа искусственного интеллекта могут предложить значительную экономию фармацевтическим и биотехнологическим компаниям, которые могут работать с ними в будущем, и хотя еще не решено, сколько стоят эти активы, сравнение с высококачественными аналогами, которые Уже подписанные контракты с ведущими фармацевтическими компаниями показывают, что оценка Predictive Oncology может достигать миллиардов. Однако, если активы не смогут произвести впечатление на потенциальных партнеров, Predictive Oncology может столкнуться с серьезными финансовыми проблемами и ее стоимость составит менее 100 миллионов долларов. Мы взяли интервью у команды и полагаем, что их платформа искусственного интеллекта обладает полезными свойствами, недоступными другим подходам, и мы полагаем, что компания сможет заключать сделки с другими компаниями.
Отказ от ответственности: Содержимое этого сайта не следует рассматривать как инвестиционный совет. Инвестирование носит спекулятивный характер. При инвестировании ваш капитал подвергается риску.
