O sistema imunológico humano é uma rede composta por trilhões de células que circulam constantemente por todo o corpo. A rede celular orquestra interações com cada órgão e tecido para realizar uma lista impossivelmente longa de funções que os cientistas ainda estão trabalhando para compreender. Toda essa complexidade limita a nossa capacidade de prever quais pacientes responderão aos tratamentos e quais poderão sofrer efeitos colaterais debilitantes.

A questão muitas vezes leva as empresas farmacêuticas a parar de desenvolver medicamentos que poderiam ajudar certos pacientes, interrompendo os ensaios clínicos mesmo quando os medicamentos mostram resultados promissores para algumas pessoas.

Agora, a Immunai está ajudando a prever como os pacientes responderão aos tratamentos, construindo um mapa abrangente do sistema imunológico. A empresa montou um vasto banco de dados chamado AMICA, que combina múltiplas camadas de dados de expressão de genes e proteínas em células com dados de ensaios clínicos para combinar os medicamentos certos com os pacientes certos.

“Nosso ponto de partida foi criar o que chamo de Google Maps para o sistema imunológico”, diz o cofundador e CEO da Immunai, Noam Solomon. “Começamos com o sequenciamento de RNA unicelular e, com o tempo, adicionamos cada vez mais 'ômicas': genômica, proteômica, epigenômica, tudo para medir a expressão e função celular do sistema imunológico, para medir o ambiente imunológico de forma holística. Depois começamos a trabalhar com empresas farmacêuticas e hospitais para traçar o perfil do sistema imunológico dos pacientes submetidos a tratamentos para realmente chegar aos mecanismos básicos de ação e resistência à terapêutica.”

A base de big data da Immunai é resultado da experiência única de seus fundadores. Solomon e o cofundador Luis Voloch '13, SM '15 são formados em matemática e ciência da computação. Na verdade, Solomon era pós-doutorado no Departamento de Matemática do MIT na época da fundação da Immunai.

Solomon enquadra a missão da Immunai como parar a divergência de décadas entre a ciência da computação e as ciências da vida. Ele acredita que o maior fator que impulsionou a explosão da computação foi a Lei de Moore – nossa capacidade de aumentar exponencialmente o número de transistores em um chip nos últimos 60 anos. Na indústria farmacêutica, está a acontecer o inverso: segundo uma estimativa, o custo de desenvolvimento de um novo medicamento praticamente duplica a cada nove anos. O fenômeno foi apelidado de Lei de Eroom (“Eroom” para “Moore” escrito ao contrário).

Solomon vê que a tendência está corroendo o argumento do desenvolvimento de novos medicamentos, com enormes consequências para os pacientes.

“Por que as empresas farmacêuticas deveriam investir em descobertas se não obtêm retorno do investimento?” Salomão pergunta. “Hoje, há apenas 5 a 10 por cento de probabilidade de que qualquer ensaio clínico seja bem-sucedido. O que construímos através de um mapeamento muito robusto e granular do sistema imunológico é uma oportunidade de melhorar os estágios pré-clínicos e clínicos do desenvolvimento de medicamentos.”

Solomon ingressou na Universidade de Tel Aviv quando tinha 14 anos e obteve seu diploma de bacharel em ciência da computação aos 19. Ele obteve dois doutorados em Israel, um em ciência da computação e outro em matemática, antes de vir para o MIT em 2017 como pós-doutorado para continuar sua matemática. carreira de pesquisa.

Naquele ano, Solomon conheceu Voloch, que já havia obtido bacharelado e mestrado em matemática e ciência da computação pelo MIT. Mas os pesquisadores logo foram expostos a um problema que os tiraria de sua zona de conforto e mudaria o rumo de suas carreiras.

O avô de Voloch estava recebendo um coquetel de tratamentos contra o câncer na época. O câncer entrou em remissão, mas ele sofreu terríveis efeitos colaterais que o fizeram parar de tomar a medicação.

Voloch e Solomon começaram a se perguntar se seus conhecimentos poderiam ajudar pacientes como o avô de Voloch.

“Quando percebemos que poderíamos causar impacto, tomamos a difícil decisão de interromper nossas atividades acadêmicas e iniciar uma nova jornada”, lembra Solomon. “Esse foi o ponto de partida para Immunai.”

Voloch e Solomon logo fizeram parceria com os cofundadores científicos da Immunai, Ansu Satpathy, pesquisador da Universidade de Stanford na época, e Danny Wells, pesquisador do Instituto Parker de Imunoterapia do Câncer. Satpathy e Wells mostraram que o sequenciamento de RNA unicelular poderia ser usado para obter insights sobre por que os pacientes respondem de maneira diferente a um tratamento comum contra o câncer.

A equipe começou a analisar dados de sequenciamento de RNA unicelular publicados em artigos científicos, tentando vincular biomarcadores comuns aos resultados dos pacientes. Em seguida, integraram dados da base de dados de saúde pública Biobank do Reino Unido, descobrindo que eram capazes de melhorar as previsões dos seus modelos. Em breve estavam a incorporar dados de hospitais, instituições de investigação acadêmica e empresas farmacêuticas, analisando informações sobre a estrutura, função e ambiente das células – multiómica – para obter uma imagem mais clara da atividade imunitária.

“O sequenciamento de célula única fornece métricas que você pode medir em milhares de células, onde você pode observar 20 mil genes diferentes, e essas métricas fornecem um perfil imunológico”, explica Solomon. “Quando você mede tudo isso ao longo do tempo, especialmente antes e depois de receber terapia, e compara os pacientes que respondem com os pacientes que não respondem, você pode aplicar modelos de aprendizado de máquina para entender o porquê.”

Esses dados e modelos constituem a AMICA, o que Immunai chama de maior base de conhecimento imunológico em nível celular do mundo. AMICA significa Atlas anotado de células imunológicas multiômicas. Ele analisa dados multiômicos de células únicas de quase 10.000 pacientes e dados de RNA em massa de 100.000 pacientes em mais de 800 tipos de células e 500 doenças.

No centro da abordagem da Immunai está o foco no sistema imunológico, do qual outras empresas evitam devido à sua complexidade.

“Não queremos ser como outros grupos que estudam principalmente microambientes tumorais”, diz Solomon. “Olhamos para o sistema imunológico porque o sistema imunológico é o denominador comum. É o único sistema que está implicado em todas as doenças, na resposta do seu corpo a tudo o que você encontra, seja uma infecção viral ou bacteriana ou um medicamento que você está recebendo – até mesmo no modo como você está envelhecendo.”

A Immunai já fez parceria com algumas das maiores empresas farmacêuticas do mundo para ajudá-las a identificar tratamentos promissores e a preparar os seus ensaios clínicos para o sucesso. Os insights da Immunai podem ajudar os parceiros a tomar decisões críticas sobre cronogramas de tratamento, dosagem, combinações de medicamentos, seleção de pacientes e muito mais.

“Todo mundo está falando sobre IA, mas acho que o aspecto mais interessante da plataforma que construímos é o fato de ela ser integrada verticalmente, desde o laboratório úmido até a modelagem computacional com múltiplas iterações”, diz Solomon. “Por exemplo, podemos fazer perfis imunológicos unicelulares de amostras de pacientes, depois carregamos esses dados para a nuvem e nossos modelos computacionais geram insights, e com esses insights fazemos validação in vitro ou in vivo para ver se nossos modelos estão certos e melhorá-los iterativamente.”

Em última análise, a Immunai deseja possibilitar um futuro onde os experimentos de laboratório possam se transformar de maneira mais confiável em novas recomendações e tratamentos impactantes para os pacientes.

“ Os cientistas podem curar quase todos os tipos de cancro, mas apenas em ratos”, diz Solomon. “Em modelos pré-clínicos sabemos como curar o câncer. Nos seres humanos, na maioria dos casos, ainda não o fazemos. Para superar isso, a maioria dos cientistas procura melhores modelos ex vivo ou in vivo. Nossa abordagem é ser mais agnóstico em relação ao sistema modelo, mas alimentar a máquina com mais e mais dados de múltiplos sistemas modelo. Estamos demonstrando que nossos algoritmos podem superar repetidamente os principais padrões de referência na identificação das principais características imunológicas pré-clínicas que correspondem aos resultados dos pacientes”.