Wissenschaftlich
fundiert

STUDIENLAGE

Aktuelle Veröffentlichungen belegen eindrucksvoll den Nutzen unserer Lösung.

Challenge false hits

„… 92,6 % der in präklinischen Studien identifizierten Wirkstoffziele sind falsch positiv, weil die kausalen Verbindungen zwischen Genen oder Proteinen und einer Krankheit (MoA) nicht korrekt identifiziert wurden.“

Unterscheidung PDD und TBDD

„…Die Ansätze zur Entdeckung von Arzneimitteln lassen sich grob in zwei Kategorien einteilen: PDD phenotypic drug discovery und TBDD target-based drug discovery.”
„….PDD-Ansätze sind bei der Entdeckung neuer First-in Class-Wirkstoffe erfolgreicher als TBDD.“

Höhere Klassifizierungsgenauigkeit durch PDD mit Convolutionalen Neuronalen Netzwerken (CNN)

„…Im Vergleich zu ML, die auf manuell erstellten Merkmalen basiert verbesserten CNNs bei PDD (cell-based phenotypic drug discovery) die Klassifizierungsgenauigkeit um etwa 10%. Das CNN wurde für das Wirkstoffscreening eingesetzt und (…) es wurde gezeigt wie CNNs zur robusten Identifizierung von Treffern in HCS ohne fluoreszierende Markierung verwendet werden können.“

PDD und d. Wirkungsmechanismus/MoA (Mode of Action)

„…ein wichtiges Ziel bei der Entdeckung von Arzneimitteln in der Bestimmung des MoA von Arzneimittelkandidaten. Ein Ansatz, dies mit Hilfe von Bildgebung und ML (PDD (cell-based phenotypic drug discovery) zu erreichen, wurde für Antibiotika erfolgreich demonstriert. Ihr Ansatz wurde zur Vorhersage des zuvor unbekannten MoA eines neuen Arzneimittels verwendet und die Vorhersage wurde experimentell sehr gut validiert.“

Fazit aus der Studie „Phenotypic Drug Discovery“

„… (PDD) wird (…) zweifellos den Fortschritt in der Arzneimittelentdeckung,
(…) die Identifizierung neuartiger MoAs und neuartiger Wirkstoffe erheblich beschleunigen, die F&E-Kosten senken und der PDD zu neuem Schwung verhelfen.“

Die vollständige Veröffentlichung finden Sie hier

Module

Unser Modul PDD (cell-based phenotypic drug discovery) ist
derzeit in der Anwendung mit drei Kernapplikationen.

Classic – Wir übernehmen das Cell Screening für Ihre Wirkstoffe. Schnell, effizient und hochautomatisiert.

High-Content-Screening (HCS) als mikroskopiebasiertes Hochdurchsatz-Screening (HTS) unter Verwendung eines hochmodernen Cell Painting PDD-Ansatzes: sechs Farb stoffe, um acht zelluläre Komponenten und Organellen zu färben (Zellkern, endoplas matisches Retikulum, Nukleoli und RNA, F-Aktin-Zytoskelett, Golgi, Plasmamembran und Mitochondrien) , was eine detailliertere Charakterisierung der zellulären Morpho logie ermöglicht und die Fähigkeit verbessert, subtile phänotypische Veränderungen aufzudecken.

Anwendungsbeispiel Immunologie

Zellen: Makrophagen (M0, M1, M2, Tote Zellen)
Referenz: Führendes deutsches Pharmaunternehmen, Pasteur Institut Paris

Transkriptom – Wir übernehmen das Cell Screening für Ihre Wirkstoffe und sorgen mit zusätzlichen Sequenzierungsdaten für eine ganzheitliche Sicht

Kombination des mikroskopiebasiertes Hochdurchsatz-Screening (HTS) mit Transkrip tomdaten durch multimodales Clustering (Integration der Transkriptomdaten und Mikroskopiedaten). Hierdurch wird ermöglicht Drug-Hits zu identifizieren, ohne die Zellen genetisch manipulieren zu müssen und gleichzeitig Transkriptom-Informationen zu gewinnen, ohne diese Daten zu erzeugen.

Anwendungsbeispiel Onkologie

Zellen: Krebszellen, Osteosarkomzellen
Referenz: aimed analytics, ZIM Förderprogramm

3D – Wir übernehmen das Screening Ihrer 3D-Daten ohne Informationsverlust.

Hybride Methodik zur direkten Verarbeitung von 3D Daten wie bspw. Gewebeschnitte o.ä.. Kombination von 3D-CNNs mit anderen Techniken wie Graph Neural Networks (GNNs)

Anwendungsbeispiel Dermatologie, Hautalterung, Hautkrankheiten

Zellen: Hautzellen + Cannabinoide
Referenz: Fraunhofer IGB, 420 Pharma, ZIM /Eureka

HPC (highproducer cells)

KI-basierte Lösung für den Herstellungsprozess von Biopharmazeutika, welches ermöglicht High-Producer Einzelzellen zu identifizieren und (semi-) quantitative Aussagen zur Produktionskapazität der Zellen zu treffen. Die Folge: signifikante Verkürzung der Herstellungszeit von Biopharmazeutika und deutliche Reduzierung des Materialbedarfs

Anwendungsbeispiel Biopharmazeutika

Zellen: Highproducer Zellen, Produktionszelllinien
Referenz: Fraunhofer IGB

KONTAKT

Haben Sie Interesse an unserer Lösung oder an einer Zusammenarbeit? Kontaktieren Sie uns!

oder direkt

Entdecken Sie
die Zukunft

Buchen Sie jetzt eine Demo, um zu sehen, wie unsere Plattform Ihre Forschung beschleunigen, Kosten senken und die Erfolgsquote durch automatisierte Analyse von tausenden Zellbildern verbessern kann.

Wissenschaftlich fundiert

Challenge false hits​