BigHat Biosciences aposta que um laboratório úmido conectado a ML supera a triagem de anticorpos

Uma plataforma de engenharia de anticorpos que combina um laboratório úmido proprietário com modelos de aprendizado de máquina para projetar e testar candidatos a anticorpos em dias, em vez de meses

Um laboratório úmido firmemente conectado a modelos de aprendizado de máquina pode projetar anticorpos melhores mais rapidamente do que a triagem de milhares de sequências jamais conseguiria

US$ 5,3 milhões em seed em 2019, US$ 19 milhões em Série A em 2021 — US$ 24,3 milhões no total levantado

O veterano de bioinformática Mark DePristo e a CSO Peyton Greenside fundaram a BigHat em San Carlos, Califórnia, em 2019, apostando que combinar computação com um laboratório úmido próprio — e não apenas software — era o caminho para superar em engenharia a descoberta de anticorpos tradicional.

A BigHat levantou uma seed de US$ 5,3 milhões em 2019 liderada pela 8VC, construiu sua plataforma de laboratório úmido mais ML e a usou para projetar um anticorpo bispecífico neutralizante contra o SARS-CoV-2 como prova de conceito inicial. Em fevereiro de 2021, fechou uma Série A de US$ 19 milhões sobrescrita, liderada pela Andreessen Horowitz, com a sócia-geral da a16z Vineeta Agarwala ingressando no conselho; os investidores anteriores 8VC, AME Cloud Ventures e Innovation Endeavors também retornaram.

A maioria das empresas de anticorpos faz triagem de uma biblioteca grande, mas fixa, de sequências existentes, capturando apenas uma fração minúscula do que é biologicamente possível.

Ter um laboratório úmido próprio significava que a BigHat controlava seu próprio pipeline de dados experimentais, em vez de depender de dados que outras empresas escolhessem publicar ou compartilhar.

Alimentar dados frescos de laboratório diretamente de volta nos modelos de ML em um ciclo fechado permitia que a plataforma mirasse projetos de anticorpos que não existem em nenhuma biblioteca de triagem.

Uma prova de conceito inicial — um anticorpo bispecífico funcional contra o SARS-CoV-2 — deu aos investidores evidência de que o ciclo funcionava antes da Série A, e não apenas um discurso de venda.

Quando uma indústria inteira faz triagem do mesmo palheiro preexistente, possuir o próprio ciclo de geração de dados — e não apenas o modelo em cima dele — pode ser o verdadeiro fosso competitivo.

Em 2021-02-10, a BigHat está usando o novo capital para contratar engenheiros de anticorpos e proteínas, engenheiros de IA/ML e biólogos computacionais, enquanto continua a construir sua plataforma e a impulsionar programas terapêuticos internos rumo a ensaios clínicos em humanos nos próximos dois a três anos.