Timothy Craven正在开发主流抗体药物的口服版本。 他的工具包括：人工智能和机器学习 (ML) 模型，用于创建庞大的大环肽库，以及筛选技术，用于从产品阵容中挑选出最好的肽。

他领导的 Insamo 周三从 Playground Global、venBio 和 MRL Ventures Fund (MRLV)（MSD风险投资部门）筹集了 1200 万美元的种子资金。

“Timothy作为最好的肽设计师被介绍给我们，”Playground 的马Matt Hershenson告诉 FirstWord。 “公司的基础是深厚的技术专长——不仅仅是计算机能提出想法。”

相反，他认为“人工智能和机器学习是这种专业知识的放大技术。”

加入 Insamo 董事会的 Hershenson 表示，这一轮超额认购让 Craven 和团队其他成员有时间专注于科学研究。

Craven在华盛顿大学蛋白设计研究所工作了五年多，然后开始创建一家最适合解决肽问题的公司。 几十年来，科学家们已经知道大环肽可以开发成口服有效的药物，但找到它们却很麻烦。

“这仍然是大海捞针的问题，”Craven说。 “如果你想到Venn diagrams，第一个圆圈是可口服且可渗透细胞的化合物，第二个圆圈是与靶标结合的化合物。 找到共同点仍然非常非常具有挑战性。”

然而，对于Craven来说，肽的治疗潜力超过了它们的发现困难。 这些化合物的开发成本低廉，并且不需要冷链储存——这两个因素目前限制了抗体疗法的全球可用性。 此外，肽可以口服给药，避免了生物制剂经常因注射部位副作用而出现的治疗依从性问题。

除了为已知的生物制剂提供更方便的替代品之外，细胞渗透性大环肽还可以进入实体组织，开辟了一个抗体无法接近的棘手靶点的世界。

为了找到合适的肽，Insamo 首先利用其 AI 和 ML 模型设计超过数万亿（大约 1013 个）的独特分子，这些分子都是口服生物可利用的。

接下来，该公司针对感兴趣的目标筛选每一种化合物，通过亲和力成熟测试的多次迭代评估结合。 这将肽库筛选到大约 50 种。从那里，团队选择哪些肽通过其高通量化学平台运行，以进行更细粒度的优化。

“这感觉就像作弊，因为你每次都会得到正确的答案，”Craven 说，这要归功于 Insamo 的一两拳大规模人工智能药物设计，以及随后寻找抗体样结合的亲和力筛选。

他补充说，这对于生物技术初创公司来说并不是典型的组合。 “要么你是一家没有任何筛选的全机器学习公司，要么你就只进行没有机器学习的筛选，”Craven 说。

但Hershenson说，对于肽药物的开发来说，只有一个方面而缺了另一个方面就无法发挥作用。 未经筛选的基于机器学习的药物设计就像是在说：“我可以想出很多想法，但我永远不知道它们有多好，”他说。

另一方面，无需设计的筛选也可以发现与靶标结合的化合物。 但如果该库不是专门构建的，则无法保证它会产生具有所需分子特性（例如细胞渗透性）的肽。

“这两种功能的结合非常引人注目，”Hershenson说。 “重要的不仅仅是idea的产生。 这是输出和评估。”http://t.cn/A6YNqMOD