BigHat Biosciences setzt darauf, dass ein mit ML gekoppeltes Nasslabor das Antikörper-Screening schlägt

Eine Plattform zur Antikörper-Entwicklung, die ein proprietäres Nasslabor mit Machine-Learning-Modellen kombiniert, um Antikörper-Kandidaten in Tagen statt Monaten zu entwerfen und zu testen

Ein eng mit Machine-Learning-Modellen gekoppeltes Nasslabor kann bessere Antikörper schneller entwickeln, als es das Screening Tausender Sequenzen jemals könnte

5,3 Mio. US-Dollar Seed-Finanzierung 2019, 19 Mio. US-Dollar Series A 2021 — insgesamt 24,3 Mio. US-Dollar eingeworben

Der Bioinformatik-Veteran Mark DePristo und CSO Peyton Greenside gründeten BigHat 2019 in San Carlos, Kalifornien, mit der Wette, dass die Kombination von Computation mit einem hauseigenen Nasslabor — nicht nur Software — der Weg sei, um die herkömmliche Antikörper-Entdeckung zu übertreffen.

BigHat warb 2019 eine Seed-Finanzierung über 5,3 Mio. US-Dollar unter der Führung von 8VC ein, baute seine Plattform aus Nasslabor plus ML auf und nutzte sie, um als frühen Beleg einen neutralisierenden SARS-CoV-2-bispezifischen Antikörper zu entwickeln. Im Februar 2021 schloss das Unternehmen eine überzeichnete Series A über 19 Mio. US-Dollar unter der Führung von Andreessen Horowitz ab, wobei Vineeta Agarwala, General Partner bei a16z, in den Vorstand eintrat; auch die früheren Investoren 8VC, AME Cloud Ventures und Innovation Endeavors beteiligten sich erneut.

Die meisten Antikörper-Unternehmen screenen eine große, aber feste Bibliothek vorhandener Sequenzen und erfassen damit nur einen winzigen Bruchteil dessen, was biologisch möglich ist.

Der Besitz eines Nasslabors bedeutete, dass BigHat seine eigene experimentelle Datenpipeline kontrollierte, statt von Daten abhängig zu sein, die andere Unternehmen zu veröffentlichen oder zu teilen beschlossen.

Das direkte Zurückspeisen frischer Labordaten in die ML-Modelle in einer engen Schleife ermöglichte es der Plattform, Antikörper-Designs anzusteuern, die in keiner Screening-Bibliothek existieren.

Ein früher Beleg — ein funktionierender SARS-CoV-2-bispezifischer Antikörper — gab den Investoren vor der Series A einen Nachweis, dass die Schleife funktionierte, und nicht nur ein Verkaufsargument.

Wenn eine ganze Branche denselben bereits vorhandenen Heuhaufen durchsiebt, kann der Besitz der eigenen Datengenerierungs-Schleife — nicht nur des Modells darüber — der eigentliche Burggraben sein.

Stand 2021-02-10 setzt BigHat das neue Kapital ein, um Antikörper- und Protein-Ingenieure, KI/ML-Ingenieure und Computational Biologists einzustellen, während das Unternehmen weiter seine Plattform ausbaut und interne therapeutische Programme in den nächsten zwei bis drei Jahren in Richtung klinischer Studien am Menschen vorantreibt.