Lantern Pharma Inc. gab eine Reihe wichtiger Meilensteine im Zusammenhang mit der Entwicklung, dem Umfang und der Weiterentwicklung von RADR® bekannt. RADR® ist eine firmeneigene KI-Plattform, die sich darauf konzentriert, die Kosten, das Tempo und den Zeitrahmen der Entwicklung von Krebsmedikamenten zu verändern. Das Unternehmen plant, den Ausbau und das Wachstum der RADR®-Daten mit einem zunehmend automatisierten, maschinellen Lernprozess fortzusetzen, der es ermöglicht, Datensätze aus eigenen, kooperativen und öffentlichen Quellen auf hocheffiziente Weise zu sammeln, zu markieren und zu kuratieren. Lantern geht außerdem davon aus, dass ein bedeutender Teil der neuen Daten aus immunonkologischen (IO) Studien und klinischen IO-Versuchen sowie aus firmeneigenen Analysen zur Extraktion molekularer Merkmale aus Hunderttausenden von Molekülen (sowohl von der FDA zugelassene als auch in der Entwicklung befindliche) stammen wird.

Die Bemühungen um eine groß angelegte Datenexpansion wurden für RADR® Anfang 2019 begonnen, als die Plattform über weniger als 20 Millionen Datenpunkte verfügte, und wuchsen bis Mitte 2020 (zum Zeitpunkt des Börsengangs von Lantern) auf fast 300 Millionen Datenpunkte an, die inzwischen auf über 60 Milliarden angewachsen sind - eine 200-fache Steigerung seit dem Börsengang und eine fast 3.000-fache Steigerung seit dem Beginn der Datenwachstumskampagnen. Diese Strategie hat es ermöglicht, Daten aus Tausenden von zuvor isolierten Quellen auf eine umfassendere, vollständigere und produktivere Art und Weise zu analysieren und hat dazu beigetragen, neue Indikationen für LP-184 und die Entwicklung von LP-284 in einer sehr komprimierten und kosteneffizienten Art und Weise zu entwickeln, während sie auch zu mehreren Konferenzpostern und wissenschaftlichen Veröffentlichungen von Lantern Pharma und seinen Mitarbeitern geführt hat.

Die aktuellen Kampagnen zur Datenerweiterung, die die Hinzufügung von Antigen-, Immunreaktions- und Proteindaten vorsehen, ermöglichen auch eine robustere und leistungsfähigere Multi-Omic-Analyse, die den Einsatz von LP-184, LP-284 und anderen ähnlichen synthetisch tödlichen Wirkstoffen in Kombination mit Standard-Checkpoint-Inhibitoren leiten wird. Diese groß angelegten, auf maschinellem Lernen basierenden Analysen können in Zukunft von entscheidender Bedeutung sein, wenn KI einen effizienteren Beitrag zur Medikamentenentwicklung leisten kann, indem sie automatisch eigene Modelle erstellt und Kombinationen von Medikamenten testet, die zuvor nicht in Betracht gezogen wurden. Dies gilt auch für seltene und schwer zu behandelnde onkologische Indikationen, bei denen herkömmliche Therapien keine messbare Verbesserung gezeigt haben oder bei denen Patienten häufig Resistenzen gegen diese Therapien entwickeln und neue Ansätze benötigen.