WhiteLab Genomics présentera à l'ASGCT 2025 des résultats pilotés par l'IA qui font progresser l'avenir de la médecine génomique

AMA1842 - Mercredi 14 mai, 17h30 - 19h00

Auteurs : A.Barberis, B. Dafniet, T. Van Meter, U. Ferrari, P. El Darazi, D. Serillon, D. Dalkara, J. Cottineau

WhiteLab Genomics, Future4Care, 8 rue Jean Antoine de Baïf, 75013 Paris, France
Institut de la Vision, Paris, France

La thérapie génique utilisant des vecteurs viraux adéno-associés (AAV) s'est avérée cliniquement efficace pour le traitement des dystrophies rétiniennes, la plupart des mutations résidant dans les cellules rétiniennes les plus externes. Pour cibler ces cellules, les vecteurs viraux doivent traverser la membrane limitante interne et les neurones rétiniens internes, ce qui les rend plus difficiles à cibler par cette voie d'injection. Les vecteurs viraux actuels sont principalement injectés dans l'espace sous-rétinien pour cibler ces cellules, mais leur efficacité est limitée à la région des blebs. Pour relever ces défis, nous avons développé des approches rationnelles guidées par l'IA pour concevoir des vecteurs dérivés de l'AAV2 pour la thérapie génique oculaire, permettant une transduction rétinienne humaine à faible dose et à large diffusion via l'injection sous-rétinienne. Nous avons appliqué des approches d'apprentissage automatique aux données de séquençage de l'ARN d'une cellule unique et aux bases de données de protéines afin d'identifier les récepteurs intéressants pour le ciblage de l'AAV dans les photorécepteurs humains. Nous avons commencé par identifier les marqueurs spécifiques des photorécepteurs humains à l'aide de notre Atlas unicellulaire et de notre plateforme analytique. Pour quantifier leur spécificité à la rétine, nous avons calculé les niveaux d'expression moyens de ces marqueurs ainsi que leur pourcentage d'expression à la surface des photorécepteurs par rapport aux autres types de cellules rétiniennes regroupées. Nous avons également calculé des métriques clés telles que les informations de localisation des protéines associées. En outre, nous avons évalué leur implication dans les voies immunitaires et d'endocytose. Pour assurer la pertinence inter-espèces dans les modèles expérimentaux pour les études pré-cliniques, nous avons curaté les données RNA-seq unicellulaires du porc, en effectuant un contrôle de qualité et une annotation des cellules en utilisant des approches automatisées et manuelles pour identifier les marqueurs spécifiques des cellules dans la rétine du porc. Nous avons ensuite étudié la conservation de ces marqueurs chez l'homme. Une fois que les marqueurs exprimés à la membrane de surface ont été identifiés, des approches de biologie structurale computationnelle ont été réalisées pour la validation de la cible. Nous avons évalué à la fois la présence de structures 3D déjà existantes et la capacité des outils de prédiction à les reconstruire avec précision en 3D lorsqu'aucune structure n'était disponible. La présence d'un interacteur dans la structure résolue était importante pour considérer un marqueur comme un candidat potentiel à l'aide de notre approche rationnelle. Pour la dernière étape de notre approche de validation des cibles, nous avons effectué une analyse de la conservation structurelle du site d'interaction, lorsqu'elle était connue, entre l'homme et le porc. Cela a permis une conception plus efficace des AAV inter-espèces et nous a conduits à la sélection d'une cible prometteuse, maximisant tous nos critères pour la conception de nouveaux vecteurs viraux contre les maladies de la rétine. La prochaine étape consistera à créer des bibliothèques AAV optimisées en insérant des peptides ciblant le récepteur dans la séquence du vecteur AAV2. L'administration efficace reste un défi majeur dans le développement de thérapies géniques pour les maladies de la rétine. Notre approche globale intégrant la conception rationnelle pilotée par l'IA, la validation de marqueurs inter-espèces et la biologie structurale computationnelle permet de surmonter cette limitation actuelle. En identifiant des cibles conservées et exposées en surface, nous avons jeté les bases du développement de vecteurs AAV optimisés dotés de capacités de transduction rétinienne accrues. Ces avancées nous rapprochent d'un besoin critique non satisfait de traitements plus efficaces et plus ciblés pour les maladies rétiniennes héréditaires.

AMA1560 - Jeudi 15 mai, 17h30-19h00

Auteurs : C.Alliot, B.Dafniet, Y.Habtoun, C.Colas, J.Maes, D. DelBourgo, J.Cottineau, D.Serillon

WhiteLab Genomics FUTURE4CARE, 8 rue Jean Antoine de Baif, 75013 Paris, France

La génération de bibliothèques chimiques, en particulier de bibliothèques de peptides, est un sujet d'actualité depuis plusieurs décennies. La conception de peptides fait l'objet de recherches actives en raison de leurs propriétés spécifiques (stabilité, liaison...), à la fois comme agent thérapeutique et, dans le domaine de la thérapie cellulaire et génique (C&G), pour leurs propriétés de ciblage. Ils peuvent être combinés à divers vecteurs viraux ou non viraux (par exemple, virus adéno-associés, nanoparticules...), car ils présentent un ensemble varié d'associations possibles allant, sans s'y limiter, de la conjugaison peptidique à l'insertion dans des conformations linéaires et cycliques. Une stratégie courante de conception de bibliothèques de peptides consiste à utiliser une approche aléatoire, qui conduit généralement à un grand nombre de candidats, avec une forte proportion de séquences structurellement et biologiquement non pertinentes, ce qui augmente à la fois le coût et le temps nécessaire à l'identification de liants pertinents. Malgré l'évolution rapide du domaine, le concept de bibliothèque peptidique in silico, en particulier sur la base de complexes biologiques rationnels, représente une avancée importante, mais reste largement inexploré en raison de sa nature complexe. WhiteLab Genomics présente une nouvelle approche in silico, qui s'appuie sur des données expérimentales structurellement résolues de complexes protéine-peptide. L'objectif est de créer une bibliothèque de peptides spécifiquement adaptée dans un contexte d'ingénierie vectorielle pour la thérapie génique, qui peut également être utilisée pour la découverte de motifs pertinents pour de nouveaux peptides thérapeutiques. Elle est basée sur des motifs biologiquement actifs qui, combinés à l'approche rationnelle de WhiteLab Genomics, peuvent améliorer à la fois la découverte in silico et l'évaluation de nouveaux hits contre un récepteur d'intérêt, réduisant ainsi le risque d'avoir des peptides biologiquement non pertinents. Elle a permis de générer plus de 300 000 séquences uniques, allant de peptides de 5 à 12 mers, reconstruites en 3D, dans quatre conformations initiales, à savoir l'hélice, le linéaire, le cyclique et le feuillet bêta, formant une bibliothèque totale de plus de 1,2 million de structures uniques. Cela permet d'élargir synthétiquement l'espace chimique des peptides disponibles en explorant un espace conformationnel très diversifié. Chaque structure nouvellement générée est cartographiée et caractérisée par des descripteurs de séquence et de structure. Pour améliorer de manière significative le taux de réussite de notre approche, nous avons également développé un sous-ensemble appelé bibliothèque de la diversité, composé de peptides représentatifs de propriétés clés. Cette bibliothèque améliore à la fois la recherche d'un criblage thérapeutique efficace et l'ingénierie d'un vecteur de choix en nous permettant d'explorer un vaste espace chimique tout en extrayant un nombre minimal de peptides partageant des propriétés similaires. Enfin, les propriétés générées dans ces deux bibliothèques seront également utiles pour le développement de modèles d'apprentissage automatique ou d'intelligence artificielle adaptés, ouvrant ainsi la voie à de nouvelles et meilleures solutions dans le domaine de la thérapie C&G.

AMA1552 - Jeudi 15 mai, 17h30-19h00

Auteurs : C. Alliot, C. Colas, B. Dafniet, J. Maes, J-P. Buffet, P. Vidal, A. Murza, D. Del Bourgo, J.Cottineau, P-L. Boudreault, D. Serillon

WhiteLab Genomics, FUTURE4CARE, 8 rue Jean Antoine de Baif, 75013 Paris, France
Département de pharmacologie et de physiologie, Faculté de médecine et des sciences de la santé, Institut de pharmacologie de Sherbrooke, Université de Sherbrooke, 3001, 12e Avenue Nord, J1H 5N4 Sherbrooke, Québec, Canada

Au cours de la dernière décennie, la conception rationnelle de peptides s'est imposée comme une approche prometteuse pour la découverte de médicaments. Les peptides se révèlent être des agents thérapeutiques très polyvalents, offrant des avantages uniques en ciblant des voies biologiques complexes. Cependant, leur conception et leur développement représentent toujours un défi important en raison de leur flexibilité structurelle intrinsèque et de leur potentiel d'interactions biologiques involontaires, qui peuvent compliquer les applications thérapeutiques. Au-delà de leur potentiel thérapeutique, les peptides peuvent améliorer l'administration de gènes par le biais de divers types de vecteurs et de modifications. Pour les vecteurs du virus adéno-associé (AAV), des peptides peuvent être insérés dans leurs séquences afin d'améliorer le ciblage. Les peptides peuvent également être conjugués sous forme linéaire ou cyclique pour améliorer la stabilité et la liaison du vecteur AAV ou du vecteur non viral (par exemple, les nanoparticules lipidiques, LNP). Les possibilités d'optimisation comprennent l'incorporation d'acides aminés non canoniques pour améliorer les propriétés pharmacologiques. Dans ce contexte, nous appliquons un protocole de conception de médicaments pour la découverte de nouveaux peptides destinés à une cible thérapeutique essentielle en oncologie et en immunothérapie. Malgré la disponibilité de nombreuses données, ce récepteur reste un défi pour la conception de médicaments à base de peptides en raison de la nature atypique du site de liaison : non enfoui, sans poche spécifique à utiliser comme base pour l'amarrage. Cependant, les structures cristallisées existantes du récepteur constituent une base solide pour les approches computationnelles basées sur la structure, en plus de la disponibilité d'un peptide de référence (Kd = 4,2nM), permettant des essais de liaison compétitifs. La plateforme de WhiteLab Genomics, alimentée par l'IA, a présélectionné des dizaines de milliers de peptides uniques extraits de notre bibliothèque de peptides brevetée, en utilisant un flux de travail rationnel : (i) Analyse des liaisons connues pour identifier les motifs d'interaction critiques, (ii) Personnalisation des outils informatiques adaptés à la liaison des récepteurs, (iii) Criblage virtuel des candidats à fort potentiel, (iv) Optimisation structurelle à l'aide de l'analyse SAR (Structure Activity Relationship), et (v) Raffinement des peptides par macrocyclisation, échantillonnage et modélisation dynamique. Au cours de la phase de criblage virtuel, plus de 1 000 peptides ont été modélisés en complexe pour prédire l'affinité de liaison et évaluer les relations structure-activité virtuelles. Environ 200 peptides ont été présélectionnés sur la base de la force de liaison prédite et de la compatibilité avec les stratégies de macrocyclisation. En utilisant des tests de résonance plasmonique de surface (SPR), nous avons évalué l'affinité de liaison de notre bibliothèque de peptides et obtenu des taux de réussite de 8,3 %. Notamment, chaque succès a démontré une affinité de liaison plus élevée que la référence, soulignant l'efficacité de notre pipeline computationnel et expérimental. Bien qu'il n'existe pas d'étalon-or pour le taux de réussite et la définition des résultats, nous considérons que la plateforme WhiteLab Genomics a dépassé les méthodologies établies sur le terrain en définissant les résultats comme étant supérieurs à la référence tout en atteignant un taux de réussite impressionnant. Nous présentons une plateforme automatisée pilotée par l'IA pour la découverte et l'optimisation de liants peptidiques. Cette plateforme a démontré des performances exceptionnelles, culminant avec la validation expérimentale de liants de haute affinité (Kd) pour une cible oncologique cliniquement pertinente. Ces résultats mettent en évidence le potentiel de la conception de peptides améliorée par l'IA pour conduire la prochaine génération d'innovations en matière de thérapie cellulaire et génique.

AMA1239 - Jeudi 15 mai, 17h30-19h00

Auteurs : Yanis Habtoun, Ajanthan Nesarajah, D. Del Bourgo, Julien Cottineau, Oscar De Felice, Anne Galy

WhiteLab Genomics, Future4Care, 8 rue Jean Antoine de Baïf, 75013 Paris, France
ART-TG, Inserm, 30 rue H. Desbruères, 91100 Corbeil-Essonnes, France

La bioproduction industrielle de vecteurs lentiviraux de thérapie génique (LV) reste une opération complexe et coûteuse. Quels que soient les systèmes de production utilisés, les particules LV récoltées subissent un traitement en aval (DSP), un flux de travail en série qui comprend plusieurs étapes pour concentrer et purifier les LV. Le défi du traitement en aval consiste à obtenir une puissance biologique élevée, une qualité élevée et des rendements élevés du produit fini avec une faible variabilité d'un lot à l'autre. Les essais répétés sont coûteux, mais nécessaires : ils permettent d'établir le flux de production et d'optimiser les étapes du protocole. Les bases de données privées et publiques regorgent d'informations qui devraient être utilisées pour évaluer et établir des critères de qualité pour ces étapes de manière efficace. Cependant, la nature hétérogène, hautement dimensionnelle et manuscrite de ces données disponibles reste un goulot d'étranglement dans la caractérisation efficace des essais en vue de leur inclusion dans les repères, les pipelines d'inférence et les algorithmes d'analyse.

Les outils informatiques existants ne peuvent pas être utilisés efficacement en raison de ce manque d'outils structurés permettant de donner un sens à ce corpus de données disparates mais importantes. Les approches actuelles visant à rationaliser la production pour faciliter la collecte de données sont centrées sur l'examen ou la description des protocoles sans faire référence aux relations complexes impliquées ou aux résultats escomptés. Chacun de ces ensembles de données, par ailleurs très riches, finit par représenter un ensemble fini, ce qui limite fortement l'échelle de ces approches.

Toutes les raisons exposées ci-dessus nous ont incités à développer une approche rationnellement guidée en fournissant une solution pour structurer les données de la littérature ainsi que les données internes des producteurs et en fournissant des solutions statistiques sur les données structurées. En utilisant une approche rationnellement guidée, nous avons développé OLIVIA, une nouvelle plateforme qui s'appuie sur les Grands Modèles de Langage (LLM) intégrés à la Génération Assistée par Récupération (RAG) et une approche de graphe de connaissances pour traiter et organiser dynamiquement les données de bioproduction. En utilisant notre expertise interne en bioproduction pour générer des données expérimentales pertinentes, nous avons généré un cadre pour l'analyse automatisée de la bioproduction de LV. Nous avons également identifié des articles et des brevets clés dans le domaine, dans lesquels des protocoles de production ont été documentés et qui incluent des approches expérimentales, l'évaluation des rendements et la description des matériaux pertinents. OLIVIA utilise une approche globale intégrant le contexte biologique, le matériau, l'échelle, les étapes et les paramètres pour générer une perspective globale sur les processus, appliquer des méthodes analytiques et même faciliter les interactions avec l'utilisateur. Un prototype a été créé et sera présenté.

Cet outil est utile non seulement pour suivre les performances de production d'un lot à l'autre ou en comparaison avec des étapes de processus similaires, mais il jette également les bases d'une approche d'apprentissage automatique potentiellement plus puissante pour l'amélioration des performances et de la qualité de la bioproduction. En fin de compte, OLIVIA devrait accélérer le développement de la production de vecteurs pour de nouvelles thérapies génomiques et cellulaires.