Turbine AI Detaljer

Turbine.ai

Revolusjonerende kreftbehandling med Simulated Cells™

Turbine.ai er et banebrytende selskap dedikert til å revolusjonere kreftbehandling gjennom kraften til AI og beregningsbiologi. Vårt oppdrag er å låse opp nye terapier og akselerere medikamentoppdagelse ved å forstå komplekse kreftmekanismer på et enestående nivå. Vi oppnår dette gjennom vår innovative Simulated Cells™-plattform, et kraftig verktøy som lar oss simulere atferden til individuelle tumorceller hos pasienter.

Vår tilnærming

Simuleringer fanger opp pasientbiologi der eksperimenter Mislykket

Tradisjonelle metoder for medikamentoppdagelse står overfor betydelige utfordringer når det gjelder å fange opp den komplekse biologien til kreft hos ekte pasienter. In vitro- og in vivo-modeller klarer ofte ikke å gjenspeile menneskelig sykdom nøyaktig, noe som fører til kostbare og tidkrevende eksperimenter med lav oversettelseshastighet til klinikken.

Turbine.ai adresserer disse begrensningene ved å utnytte beregningssimuleringer. Plattformen vår gjør oss i stand til å simulere svulstcelleadferd ved beregning, og forstå de intrikate mekanismene som driver sykdommen. Disse simuleringene gir verdifull innsikt i riktig modalitet og kombinasjonstilnærming for behandling av selv de mest resistente kreftformene.

Vår plattform

Utvikling av en måte å forstå biologi

Vår Simulated Cells™-plattformen er bygget på et fundament av maskinlæring og nettverksvitenskap. Vi kartlegger og modellerer de komplekse interaksjonene til tusenvis av signalproteiner i en celle, og skaper en omfattende representasjon av kreftatferd på cellenivå. Dette lar oss forutsi hvordan ulike terapier, inkludert de som ennå ikke eksisterer, kan påvirke cellene til individuelle pasienter.

Plattformen fungerer ved:

• Modellbygging og opplæring: Vi bruker et standardisert "koblingsskjema" for alle in vitro- og in vivo-modeller, med pasientmodellering under utvikling. Vår bioplattform tillater oppsett av celler med distinkte OMICS-profiler. Atferdstrening for modellene er et spesialtilfelle av tilbakevendende nevrale nettverk, ved bruk av Tensorflow. Modeller forberedt for simuleringer er trent på 500 000+ datapunkter (CRISPR, legemiddelsensitivitetsevne og RNASeq-analyser etter behandling).
• Biomarkører: Vi fullfører modelloppsettet ved å lage kopier med ulike biomarkører for å finne de ideelle responderne for spesifikke forstyrrelser. Vi kan spesifisere ekstrinsiske molekylære endringer, for å generere et stort antall modeller som er representative for pasienter, men ikke-eksisterende in vitro.
• Simulering og hypotesegenerering: Vi kan introdusere intervensjoner i skala , ved å bruke et allsidig verktøysett med doseavhengig hemming, interaksjonsnivåforstyrrelser eller kombinasjonsskjermer. Simulering av forstyrrelser av modeller, biomarkører og til og med kombinasjonsterapier genererer en kompleks molekylær avlesning av doseresponser og IC50-verdier.
• Oversettelse: Filtrering og evaluering av simuleringsresultater gjør det mulig for oss å avsløre skjulte mekanismer bak pasientspesifikk respons og dens drivende effekter.
• Eksperimentell validering: Unik innsikt i mekanismen og de tilknyttede biomarkørene muliggjør en optimalisert prosess med state-of-the-art eksperimentell validering. Gjennomsnittlig baneaktivitet i sensitive celler og kontrollceller er beregnet med en proprietær, fotavtrykkbasert metode basert på RNA-sekvensering.

Plattformen vår representerer et betydelig steg fremover innen kreftforskning. Ved å gi en omfattende forståelse av individuell tumorcelleadferd, kan vi akselerere utviklingen av mer effektive og personlig tilpassede behandlinger.

Vår pipeline

En enkelt plattform for å rasjonalisere hele FoU-prosessen h3>

Vår Simulated Cells™-plattform er mer enn bare et verktøy for å forstå kreft. Det er en omfattende plattform som effektiviserer hele FoU-prosessen, fra målidentifikasjon til kliniske studier. Plattformen tilbyr en rekke muligheter som gjør oss i stand til å:

• Forstå sykdommen: Simulere kreftatferd for å forstå årsaker til sykdom og mekanismer for resistens observert i kliniske omgivelser.
• Finn de ideelle pasientene: Avdekk den ideelle pasientpopulasjonen og kombinasjonsstrategien for behandlinger som allerede er under utvikling eller på markedet.
• Utvid søket plass: Identifiser virkelig nye mål for å håndtere udekkede behov hos pasienter som ikke drar nytte av eksisterende terapier.

Plattformen vår har allerede blitt brukt i samarbeid med ledende farmasøytiske selskaper, noe som demonstrerer dens effektivitet for å akselerere oppdagelse og utvikling av legemidler.

Møt oss

Building Deep Tech for Deep Biology

Turbine.ai er et team av lidenskapelige forskere, ingeniører og gründere som er forpliktet til å lage en ekte forskjell i kampen mot kreft. Vi tror at ved å kombinere vår ekspertise innen dypteknologi, molekylærbiologi og translasjonsvitenskap, kan vi frigjøre potensialet for virkelig virkningsfulle terapier.

Simuleringer fanger opp pasientbiologi der eksperimenter mislykkes

Drug Discovery er BEGRENSET AV VÅRE VERKTØY FOR Å FORSTÅ SYKDOM Kompleksiteten til modellsystemene øker kraftig langs medikamentoppdagelsesprosessen, mens bare et begrenset antall eksperimentelle modeller er tilgjengelige som nøyaktig gjenspeiler menneskelig sykdom. Konvensjonelle in vitro- og in vivo-modeller kan ikke fange opp sykdomsatferd hos ekte pasienter, og verktøy – som CRISPR – fungerer ikke som faktiske medisiner. Medikamentoppdagelse er kostbart, tidkrevende, modellsystemer har dårlige oversettelseshastigheter til pasienter og reduserer ikke risikoen for svikt i klinikken vesentlig. Dette gjør det utrolig vanskelig å oversette prekliniske hypoteser til klinikken og lage målrettede legemidler som virkelig hjelper. SIMULASJONER AVDEKKER BEHANDLINGER OG PASIENTER SOM HAR DET GJORT Før du kjører noen våte laboratorieeksperimenter, simulerer Turbine beregningsmessig tumorcelleatferd hos pasienter for å forstå de komplekse mekanismene som driver sykdommen. Simuleringer kan avsløre riktig modalitet og kombinasjonstilnærming for å behandle selv de mest resistente kreftformene. Ved å observere disse i silico-eksperimenter får våre biologer og translasjonseksperter innsikt i den molekylære konteksten som mono- og kombinasjonsterapier potensielt kan føre til pasientfordeler. Å veilede FoU-prosessen med simuleringer kan øke sjansen for suksess i klinikken. https://pubmed.ncbi.nlm.nih.gov/14518029/ https://www.nature.com/articles/s41467-021-25175-5 globaldata.com Hvordan fungerer det? Kontakt oss

Utvikling av en måte å forstå biologi på

VERDENS FØRSTE TOLKBARE CELLESIMULASJONSPLATTFORM FORSTYRT AV MASKINLÆRING Med banebrytende en tilnærming som kombinerer simulering med maskinlæring, kartlegger og modellerer vi hvordan tusenvis av signalproteiner samhandler som karakteriserer kreftatferd på cellenivå og respons eller motstand mot behandling. Plattformen vår muliggjør simulering av medikamentlignende effekter fra forbindelser som kanskje ikke eksisterer ennå, på celler som potensielt ikke er tilgjengelige for laboratoriebasert testing, som de til kreftpasienter med høyt udekket behov. FORutsi ROMANE EKSPERIMENT FOR Å FINNE NARKOTIVER INGEN HAR NOENSINNE TENKT PÅ Denne tilnærmingen vil potensielt tillate oss å forutsi ikke bare hva som fungerer i celler, mus og mennesker, men enda viktigere, hvorfor og hvordan. Kontinuerlige iterasjoner av simuleringer og proprietære in vitro og in vivo eksperimenter bekrefter spådommer og fremskritt vår pipeline, samtidig som den underliggende Simulated Cell™ forbedres. Ettersom alle programmer og partnerskap kjører på den nyeste versjonen av in silico-cellemodellen, akkumuleres treningsfordeler, noe som fører til en stadig bedre plattform. Ved å bruke resultater til både å generere den første ideen og for å veilede dens iterasjoner, ettersom modellene forbedres, fører dette til en mer rasjonell prosess for å forstå den underliggende sykdomsbiologien. Våre benchmarks viser at simuleringer forhindrer 2 av 3 mislykkede eksperimenter in vitro og hver 2. feil in vivo også. Kasusstudier Benchmark Suite