Turbine AI Detayları

Turbine.ai

Simulated Cells™ ile Kanser Tedavisinde Devrim Yaratıyor

Turbine.ai, yapay zeka ve hesaplamalı biyolojinin gücü aracılığıyla kanser tedavisinde devrim yaratmaya kendini adamış öncü bir şirkettir. Misyonumuz, karmaşık kanser mekanizmalarını benzeri görülmemiş bir düzeyde anlayarak yeni tedavilerin kilidini açmak ve ilaç keşfini hızlandırmaktır. Bunu, hastalardaki tek tek tümör hücrelerinin davranışını simüle etmemizi sağlayan güçlü bir araç olan yenilikçi Simulated Cells™ platformumuz aracılığıyla başarıyoruz.

Yaklaşımımız

Simülasyonlar, Deneylerin Yapıldığı Yerde Hasta Biyolojisini Yakalar Başarısız

Geleneksel ilaç keşif yöntemleri, gerçek hastalarda kanserin karmaşık biyolojisini yakalamada önemli zorluklarla karşı karşıyadır. İn vitro ve in vivo modeller genellikle insan hastalıklarını doğru bir şekilde yansıtmada başarısız olur ve bu da kliniğe düşük çeviri oranlarıyla maliyetli ve zaman alıcı deneylere yol açar.

Turbine.ai, hesaplamalı simülasyonlardan yararlanarak bu sınırlamaları giderir. Platformumuz, hastalığa yol açan karmaşık mekanizmaları anlayarak tümör hücresi davranışını hesaplamalı olarak simüle etmemizi sağlar. Bu simülasyonlar, en dirençli kanserleri bile tedavi etmek için doğru yöntem ve kombinasyon yaklaşımına ilişkin değerli bilgiler sağlar.

Platformumuz

Biyolojiyi anlamanın bir yolunu tasarlamak

Bizim Simulated Cells™ platformu, makine öğrenimi ve ağ bilimi temeli üzerine inşa edilmiştir. Bir hücre içindeki binlerce sinyal proteininin karmaşık etkileşimlerini haritalandırıp modelliyoruz, böylece hücresel düzeyde kanser davranışının kapsamlı bir temsilini oluşturuyoruz. Bu, henüz mevcut olmayanlar da dahil olmak üzere farklı tedavilerin bireysel hastaların hücrelerini nasıl etkileyebileceğini tahmin etmemizi sağlıyor.

Platform şu şekilde çalışır:

• Model oluşturma ve eğitim: Tüm in vitro ve in vivo modeller için standartlaştırılmış bir "bağlantı şeması" kullanıyoruz ve hasta modelleme şu anda geliştirilme aşamasındadır. Biyoplatformumuz farklı OMICS profillerine sahip hücrelerin kurulumuna olanak tanır. Modeller için davranış eğitimi, Tensorflow kullanan Tekrarlayan Sinir Ağlarının özel bir durumudur. Simülasyonlar için hazırlanan modeller 500.000'den fazla veri noktası (CRISPR, ilaç duyarlılığı canlılığı ve tedavi sonrası RNASeq analizleri) üzerinde eğitilir.
• Biyobelirteçler: Model kurulumunu, kopyalar oluşturarak tamamlıyoruz. Belirli rahatsızlıklar için ideal yanıt verenleri belirlemek için farklı biyobelirteçler. Hastaları temsil eden çok sayıda model oluşturmak için dışsal moleküler değişiklikleri belirtebiliriz, ancak in vitro olarak mevcut değildir.
• Simülasyon ve hipotez oluşturma: Büyük ölçekte müdahaleler sunabiliriz Doza bağlı inhibisyon, etkileşim seviyesi pertürbasyonu veya kombinasyon ekranlarından oluşan çok yönlü bir araç seti kullanılarak. Modellerdeki, biyobelirteçlerdeki ve hatta kombinasyonel tedavilerdeki bozulmaları simüle ederek, doz yanıtlarının ve IC50 değerlerinin karmaşık bir moleküler okumasını üretiyoruz.
• Çeviri: Simülasyon sonuçlarını filtrelemek ve değerlendirmek, şunları ortaya çıkarmamızı sağlar: Hastaya özgü yanıtın ardındaki gizli mekanizmalar ve bunun itici etkileri.
• Deneysel doğrulama: Mekanizma ve ilgili biyobelirteçler hakkındaki benzersiz bilgiler, en son teknolojiye sahip deneysel süreçlerin optimize edilmesini sağlar doğrulama. Hassas hücreler ve kontrol hücrelerindeki ortalama yol aktivitesi, RNA dizilimine dayanan tescilli, ayak izi bazlı bir yöntemle hesaplanır.

Platformumuz, kanser araştırmalarında ileriye doğru atılmış önemli bir adımı temsil etmektedir. Bireysel tümör hücresi davranışının kapsamlı bir şekilde anlaşılmasını sağlayarak, daha etkili ve kişiselleştirilmiş tedavilerin geliştirilmesini hızlandırabiliriz.

Hatamız

Tüm Ar-Ge Sürecini Rasyonelleştirmek için Tek Bir Platform

h3>

Simüle Edilmiş Hücreler™ platformumuz, kanseri anlamaya yönelik bir araçtan çok daha fazlasıdır. Hedef belirlemeden klinik araştırmalara kadar tüm Ar-Ge sürecini kolaylaştıran kapsamlı bir platformdur. Platform, aşağıdakileri yapmamızı sağlayan bir dizi yetenek sunuyor:

• Hastalığı anlama: Hastalığın etkenlerini ve klinik ortamlarda gözlemlenen direnç mekanizmalarını anlamak için kanser davranışını simüle etme.
• İdeal hastaları bulun: Halihazırda geliştirilmekte olan veya piyasada bulunan tedaviler için ideal hasta popülasyonunu ve kombinasyon stratejisini ortaya çıkarın.
• Aramayı genişletin alan: Mevcut tedavilerden fayda görmeyen hastalarda karşılanmayan ihtiyaçları yönetmek için gerçek anlamda yeni hedefler belirleyin.

Platformumuz halihazırda önde gelen ilaç şirketleriyle yapılan işbirliklerinde kullanılmakta olup, bu durum şunu göstermektedir: ilaç keşfi ve geliştirilmesini hızlandırmadaki etkinliği.

Bizimle Tanışın

Derin Biyoloji için Derin Teknoloji Oluşturmak

Turbine.ai, kendini gerçek bir dünya yaratmaya adamış tutkulu bilim insanları, mühendisler ve girişimcilerden oluşan bir ekiptir. Kanserle mücadelede fark. Derin teknoloji, moleküler biyoloji ve çeviri bilimindeki uzmanlığımızı birleştirerek gerçekten etkili tedavilerin potansiyelini ortaya çıkarabileceğimize inanıyoruz.

Simülasyonlar, deneylerin başarısız olduğu durumlarda hasta biyolojisini yakalıyor

İLAÇ KEŞFİ, HASTALIKLARI ANLAMAK İÇİN ARAÇLARIMIZLA SINIRLIDIR Model sistemlerinin karmaşıklığı, ilaç keşif süreci boyunca keskin bir şekilde artarken, insan hastalıklarını doğru şekilde yansıtan yalnızca sınırlı sayıda deneysel model mevcuttur. Geleneksel in vitro ve in vivo modeller, gerçek hastalarda hastalık davranışını yakalayamıyor ve CRISPR gibi araçlar, gerçek ilaçlar gibi davranmıyor. İlaç keşfi maliyetlidir, zaman alıcıdır, model sistemlerin hastalar için çeviri oranları zayıftır ve klinikteki başarısızlık riskini önemli ölçüde azaltmaz. Bu, klinik öncesi hipotezleri kliniğe aktarmayı ve gerçekten yardımcı olacak hedefe yönelik ilaçlar yaratmayı inanılmaz derecede zorlaştırıyor. SİMÜLASYONLAR TEDAVİLERİ VE FAYDALANACAK HASTALARI ORTAYA ÇIKARIR Turbine, herhangi bir ıslak laboratuvar deneyi yapmadan önce, hastalığa yol açan karmaşık mekanizmaları anlamak için hastalardaki tümör hücresi davranışını hesaplamalı olarak simüle eder. Simülasyonlar, en dirençli kanserleri bile tedavi etmek için doğru yöntemi ve kombinasyon yaklaşımını ortaya çıkarabilir. Bunları in silico deneylerinde gözlemleyen biyologlarımız ve çeviri uzmanlarımız, mono ve kombinasyon tedavilerinin potansiyel olarak hastaya yarar sağlayabileceği moleküler bağlam hakkında fikir sahibi oluyorlar. Ar-Ge sürecinin simülasyonlarla yönlendirilmesi klinikte başarı şansını artırabilir. https://pubmed.ncbi.nlm.nih.gov/14518029/ https://www.nature.com/articles/s41467-021-25175-5 globaldata.com Nasıl çalışır? Bize Ulaşın

Biyolojiyi anlamanın bir yolunu tasarlamak

MAKİNE ÖĞRENİMİYLE GÜÇLENDİRİLEN DÜNYANIN İLK YORUMLANABİLİR HÜCRE SİMÜLASYONU PLATFORMU Simülasyonu makine öğrenimiyle birleştiren bir yaklaşıma öncülük ederek, hücresel düzeyde kanser davranışını ve tedaviye yanıtı veya direnci karakterize eden binlerce sinyal proteininin nasıl etkileşime girdiğini haritalandırıyor ve modelliyoruz. Platformumuz, henüz mevcut olmayabilecek bileşiklerin, karşılanmamış ihtiyacı yüksek kanser hastaları gibi laboratuvar bazlı testler için potansiyel olarak mevcut olmayan hücreler üzerinde ilaç benzeri etkilerin simülasyonunu sağlar. HİÇ KİMSENİN DÜŞÜNMEDİĞİ İLAÇLARI BULMAK İÇİN YENİ DENEYLER TAHMİN EDİN Bu yaklaşım, potansiyel olarak yalnızca hücrelerde, farelerde ve insanlarda neyin işe yaradığını değil, daha da önemlisi neden ve nasıl çalıştığını tahmin etmemize olanak tanıyacak. Simülasyonların sürekli yinelenmesi ve tescilli in vitro ve in vivo deneyler, tahminleri doğrular ve hattımızı ilerletirken aynı zamanda altta yatan Simulated Cell™'i de geliştirir. Tüm programlar ve ortaklıklar in silico hücre modelinin en son sürümü üzerinde çalıştığından, eğitimin faydaları birikir ve bu da sürekli gelişen bir platforma yol açar. Modeller geliştikçe sonuçları hem ilk fikri oluşturmak hem de yinelemelerine rehberlik etmek için kullanmak, altta yatan hastalık biyolojisinin anlaşılması için daha rasyonel bir sürece yol açar. Kriterlerimiz, simülasyonların in vitro olarak başarısız olan 3 deneyden 2'sini ve in vivo olarak da her 2 başarısız deneyden birini önlediğini göstermektedir. Örnek olay incelemeleri Benchmark Suite