La plateforme SaaS sans code de Simmunome utilise des simulations de maladies basées sur l'IA pour lutter contre les taux d'échec élevés et les coûts liés au développement de médicaments. Contrairement aux méthodes traditionnelles d'IA qui se concentrent uniquement sur les molécules ou les données médicamenteuses, Simmunome intègre la biologie mécanistique à l'apprentissage automatique sur des données multiomiques. Cette approche crée des modèles virtuels de maladies humaines spécifiques à des organes, permettant de prédire l'efficacité et l'innocuité du médicament cible in silico avant les essais cliniques. La capacité de la plateforme à retracer les prédictions sur les interactions moléculaires sous-jacentes, son évolutivité et sa robustesse dans des contextes à faibles données la distinguent des solutions existantes, visant ultimement à transformer l'industrie en réduisant les échecs des essais et en offrant des résultats plus fiables et interprétables.
Quel est le problème ?
Simmunome s'attaque aux principaux défis liés au développement de médicaments, notamment les taux d'échec élevés, la hausse des coûts et les longs délais des essais cliniques. Auparavant, les approches de l'IA étaient axées sur l'optimisation des molécules médicamenteuses, mais la plupart des défaillances à un stade avancé résultent de problèmes liés à la pertinence de la cible et à son rôle dans la progression de la maladie, plutôt qu'à une faible affinité médicamenteuse. En s'attaquant à la complexité des systèmes biologiques et en se concentrant sur la validation des cibles et la stratification des patients, Simmunome transforme l'industrie et réduit les échecs des essais. Malgré le changement de l'industrie, les entreprises d'IA s'appuient sur des modèles purement fondés sur des données pour prédire les résultats des médicaments. Alors que certaines intègrent des données exclusives générées en laboratoire, les approches basées sur l'IA pure fonctionnent souvent comme des boîtes noires gourmandes en données, ce qui limite leur fiabilité et leur interprétabilité. Cela obscurcit le lien entre les prédictions et les interactions biologiques, laissant les chercheurs cliniques sans moyen d'évaluer la plausibilité des résultats et les forçant encore une fois à adopter une approche attentive pour valider les résultats.
Quelle est leur solution ?
La solution de Simmunome se distingue par son intégration de modèles de maladies pilotés par l'IA avec la biologie mécaniste, fusionnant les données et les voies. Contrairement aux méthodes traditionnelles, elle utilise l'apprentissage automatique sur des données multiomiques pour des simulations précises et spécifiques aux organes. Cela permet de prédire les résultats des essais, d'améliorer considérablement l'efficacité préclinique par rapport aux modèles de données seulement et de réduire les biais et les échecs. Notre plateforme permet des simulations in silico de cibles médicamenteuses dans un modèle virtuel de maladies humaines avant même le début des essais cliniques. Il prédit l'efficacité et l'innocuité des cibles médicamenteuses en analysant les voies biologiques connues parallèlement à la modélisation des interactions pilotée par l'IA. Les utilisateurs peuvent également télécharger leurs propres données pour analyse, en découvrant des signatures moléculaires qui servent de biomarqueurs de la progression de la maladie, de la réponse aux médicaments, de la résistance et plus encore.
