Enveda獲6800萬美元B輪融資，開發藥物發現搜索引擎

    近日，Enveda Biosciences宣布完成6800萬美元的股權和債權融資。本輪融資由Dimension領投，多家新機構投資者的參與，包括FPV，Jazz Venture Partners，Level Ventures，Amino Collective，Allen & Co和Possible Ventures。Enveda目前的所有主要投資者，包括True Ventures，Lux Capital，Wireframe Ventures，Hummingbird Ventures和Two Sigma Ventures也參與了本輪融資。本輪B輪融資的結束使Enveda籌集的總資本達到1.24億美元。

    Enveda Biosciences是一家生物技術公司，致力于繪制第一張高分辨率的自然世界化學地圖，以解決藥物發現中最棘手的問題。Enveda的藥物發現搜索引擎，建立在代謝組學和機器學習交叉領域多年的前沿進步之上，用于探索大自然未知的化學。作為對其突破性技術的補充，Enveda的團隊包括經驗豐富的藥物開發者，他們與世界領先的數據科學家合作，在制藥行業擁有數十年的經驗。

    Enveda的新型藥物發現平臺識別具有獨特性質的新化合物。這些化合物克服了小分子的關鍵挑戰。此次融資是由公司平臺的突破性里程碑促成，這些里程碑將迅速轉化為高度差異化的管道資產。這筆資金將支持這些先導化合物在許多重要靶點和途徑中獲得臨床候選資格，包括細胞因子，受體相互作用，GPCR和炎癥小體途徑。

    “我們很高興有這群令人難以置信的投資者參與我們的B輪融資，”Enveda創始人兼首席執行官Viswa Colluru博士說。“我們的投資者是生物技術領域的領導者，為我們提供了建立產品管線所需的資金，同時為未來更強大的集團奠定了基礎。他們的支持將使我們能夠將我們的領先項目推進到臨床試驗中，并在蛋白質降解和穩定等新興模式中擴展我們的平臺。我們很高興能夠繼續這些努力，并鞏固我們在非基因組學天然產物發現方面的領導地位。”

    “通過將尖端技術進步應用于生命科學，我們為世界各地的患者帶來希望，”Dimension的聯合創始人兼管理合伙人Zavain Dar說。“除了構建多種技術來拓展其平臺外，Enveda還生產了處于臨床前開發階段的獨特化合物。”

    “雖然我們優先考慮建立和推進我們的內部產品線，但我們將繼續與行業領先的制藥和生物技術公司在各種治療領域建立合作伙伴關系，包括炎癥，纖維化和其他慢性疾病，”Enveda首席商務官Vanitha Sekar博士說。

相關文章：

機器學習結合質譜，能加速天然產物藥物發現？

Medium.com網站上August Allen發布了一篇博客轉化天然產物藥物發現：利用代謝組學數據進行高保真化學性質預測的機器學習。

天然產物藥物發現的核心問題：大海撈針

天然產物是自然對人類的饋贈。到2020 年，有約 30%—60%的 FDA 批準的藥物源于自然界的分子。但是自然界中我們已知的天然產物化學不到它總量的10%。這意味著存在一個巨大的、未開發的，來自數十億年的自然進化的化學池。

那么，為什么天然產物庫會在藥物發現中失寵呢？主要有以下幾點原因：

• 無法快速確定lead-like的優先級 [“化學注釋”]

• 無法準確地識別混合物中的生物活性分子 [“生物注釋”]

• 無法獲得足夠的材料來進行臨床前、臨床和商業開發[“材料獲取”]

在 Enveda，我們已經建立了一個技術平臺，試圖逐個解決這些問題。而現在我們已經成功地解決了化學注釋的問題。大約兩年前，我們問自己一個問題：如何在不使用核磁共振波譜進行反復試驗的情況下找到最有趣、最有吸引力和易于處理的新型化學物質呢？

使用質譜法解鎖代謝組學可以擴大天然產物藥物的發現

我們使用基于串聯質譜 (LC-MS/MS) 的代謝組學來進行藥物發現。這種方法可以 (i) 提取從天然來源中提取的化合物的混合物，一次最多提取 1000 個分子，(ii) 使用色譜分離它們， (iii) 將它們通過串聯或兩級質譜儀。第一階段 (MS1) 測量單個化合物的質量及其豐度。第二階段 (MS2) 將化合物分解成碎片，并為每個碎片測量其質量和豐度。

與 NMR 相比，質譜法在數據收集方面具有巨大優勢：

• 單個化合物無需分離就可用于分析

• 數以千計的化合物可以在幾分鐘內進行分析

• 測量每個樣本的成本很低

此外，事實證明，質譜硬件遠遠領先于其配套軟件，每個實驗產生數百萬個數據點，這些數據點主要由定制軟件包進行分析。Enveda 的Pieter Dorrestein 幫助扭轉了這一趨勢，他設計了一些用于存儲和搜索質譜原始數據的軟件。在此時我們得到了另一個關鍵因素的幫助：天然產物的代謝組學數據非常適合機器學習。

代謝組學與Transformers的完美匹配

質譜從根本上說是數據表示的問題，MS2二級質譜圖在各峰之間缺乏直接的順序或空間依賴性。我們意識到，這使得它們不適合通過卷積或遞歸神經網絡（CNN或RNN）的傳統深度學習。

Transformers是一種神經網絡架構，最初是為了捕捉整個文本段落的語言結構，它可能是MS/MS光譜的理想選擇。Transformers的自我關注層將允許僅根據碎片的身份來學習復雜的依賴關系，而不需要對MS/MS數據不合適的位置性或排序假設。Transformers的使用只有幾年時間，但最近Transformers的商品化使這些強大的模型更容易獲得。

將Transformers應用于預測新型化學空間中的特性，得到了很好的效果

利用Transformers，我們建立了機器學習模型MS2Prop，它可以從質譜數據中直接預測新型化合物的化學性質。換句話說，該模型直接從質譜中預測用于藥物發現的化合物的化學相關特性，而不依賴于實際或預測的結構。MS2Prop性能的平均R²為70%，這意味著它的預測解釋新型化合物在不同結構間的性能變化的準確率為70%左右，這與在數據庫中查找最接近的光譜匹配并根據該分子計算屬性的默認方法的22%和使用CSI的9%形成對比。（CSI:FingerID是一個公開的工具，它結合了fragmentation tree computation和機器學習。）

MS2Prop首次實現了直接從質譜數據中對新的化學空間做出了準確的決策。

我們正在構建世界上最大的代謝組學數據集，用于訓練我們的下一代算法

我們為我們在 MS2Prop 背后的工作感到無比自豪，但這僅僅是個開始。我們知道模型的好壞取決于它的數據。為了保持我們在代謝組學前沿的優勢，我們正在構建最大的代謝組學數據集，專門用于機器學習。我們從天然產物化學開始，它在歷史上是治療藥物最豐富的來源之一。主動學習策略將幫助我們識別和描述質譜，其特征也最有可能改善我們的模型，然后我們可以主動描述這些質譜，直到我們的模型在所有植物化學空間以及所有的自然化學空間表現良好。

參考資料：

https://medium.com/@august.allen_51342/transforming-natural-product-drug-discovery-machine-learning-for-high-fidelity-chemical-property-94da4cd8ca73