Lantern Pharma Inc. kondigt een reeks belangrijke mijlpalen aan in verband met de ontwikkeling, omvang en vooruitgang van RADR® - haar eigen AI-platform dat zich richt op het transformeren van de kosten, het tempo en de tijdlijn van de ontwikkeling van oncologische geneesmiddelen. Het bedrijf is van plan om de uitbreiding en groei van RADR®-gegevens voort te zetten met een steeds verder geautomatiseerd proces op basis van machinaal leren, waarmee datasets uit eigen, gezamenlijke en openbare bronnen op een zeer efficiënte manier kunnen worden verzameld, getagd en gecureerd. Lantern verwacht ook dat een aanzienlijk deel van de nieuwe gegevens afkomstig zal zijn van immuno-oncologische (IO) studies en klinische IO-onderzoeken, evenals van eigen analyses gericht op het extraheren van moleculaire kenmerken uit honderdduizenden moleculen (zowel door de FDA goedgekeurd als moleculen in ontwikkeling).

De grootschalige uitbreiding van gegevens begon voor RADR® in het begin van 2019, toen het platform minder dan 20 miljoen datapunten had, en groeide tot bijna 300 miljoen datapunten halverwege 2020 (ten tijde van de beursgang van Lantern) en is inmiddels gegroeid tot meer dan 60 miljard datapunten, een 200-voudige toename sinds de beursgang en een bijna 3-duizendvoudige toename sinds het begin van de datagroeicampagnes. Deze strategie heeft het mogelijk gemaakt om gegevens uit duizenden voorheen geïsoleerde bronnen op een uitgebreidere, volledigere en productievere manier te analyseren en heeft geholpen bij de ontwikkeling van nieuwe indicaties voor LP-184 en de ontwikkeling van LP-284 op een zeer gecomprimeerde en kosteneffectieve manier, terwijl het ook heeft geleid tot verschillende conferentieposters en wetenschappelijke publicaties door Lantern Pharma en haar medewerkers.

De huidige campagnes voor gegevensgroei, waarbij antigeen-, immuunrespons- en eiwitgegevens worden toegevoegd, maken ook een robuustere en krachtigere multi-omische analyse mogelijk die gepositioneerd is om het gebruik van LP-184, LP-284 en andere soortgelijke synthetisch dodelijke middelen in combinatie met standaard checkpointremmers te begeleiden. Deze grootschalige, door machine-learning aangedreven analyses kunnen van cruciaal belang zijn bij toekomstige inspanningen waarbij AI efficiënter kan bijdragen aan de ontwikkeling van geneesmiddelen door automatisch eigen modellen te creëren en combinaties van geneesmiddelen te testen die eerder niet werden overwogen, inclusief bij zeldzame en moeilijk te behandelen oncologie-indicaties waarbij conventionele therapieën geen meetbare verbetering hebben laten zien of waarbij patiënten vaak resistentie tegen deze therapieën zullen ontwikkelen en nieuwe benaderingen nodig hebben.