Executive Summary
Parvotec entwickelt einen AAV-Vektor mit selektivem Tropismus für nozizeptive Neuronen (Dorsal Root Ganglia, DRG) und effizienter retrograder Transportkapazität als Plattform für periphere Schmerzgentherapie.
Kernhypothese: Durch Kombination von experimentellem Deep Mutational Scanning (DMS), ESM-2 Protein Language Model Embeddings, konditionaler generativer Modellierung (cVAE) und Multi-objective Bayesian Optimization kann in 3–4 iterativen Runden ein nozizeptiver DRG-spezifischer AAV-Vektor mit 5–10× verbessertem Tropismus gegenüber Wild-type identifiziert werden.
Projektzeitraum & Umfang
| Parameter | Wert |
|---|---|
| Laufzeit | 24 Monate (M1–M24) |
| Work Packages | 5 (WP1–WP5) |
| Schlüsseltechnologien | ESM-2/3, cVAE, Multi-objective BO, DMS, NGS |
| Ziel-Zelltyp | Nozizeptive Neuronen (TRPV1+, CGRP+) in DRG L4–S1 |
| Applikationsroute | Intrathecal (IT) oder intraplantar peripheral |
| Primäre Erfolgsmetrik | Tropismus Score ≥0.80 in primären Ratten-DRG-Neuronen |
Work Packages
Target Definition & Competitive Intelligence
Systematische Literaturrecherche und Wettbewerbsanalyse. Definition des Zielprofils (Target Product Profile, TPP) für den AAV-Vektor.
Aufgaben
- Systematisches Review aller relevanten AAV-DRG-Tropismus-Publikationen (2020–2026)
- Competitive Landscape Matrix: Exgenesis EXG117, SereNeuro SN102, Sangamo, Sanofi GMU037, WhiteLab CapsidFlow, PackGene π-Icosa
- Definition des primären Zelltyps: TRPV1+ CGRP+ nozizeptive Neuronen in DRG L4–S1
- Serotyp-Selektion: AAV6 als Backbone. 7-Mer Insertion Library-Design: VP1 533–540, 587–594
- Entwurf des Target Product Profile (TPP) mit Go/No-Go Kriterien
DMS Library Design, Synthese & Datenerhebung
Experimentelle Generierung des Trainings-Datasets. Synthese einer ~1 Million Varianten AAV-Capsid-Library, Selection in nozizeptiven DRG-Neuronen, NGS-basierte Quantifizierung.
Aufgaben
- M2–M3: Computationales Design der 7-Mer Insertion Library. Oligonukleotid-Pool Synthese (Twist Bioscience). Klonierung in AAV-Backbone. Produktion in HEK293T. Titer ≥10¹² vg/mL
- M4–M6: Primäre Ratten-DRG-Neuron-Kulturen (TRPV1-GFP+). Infektion mit Library (MOI = 10⁴ vg/cell). FACS-Sort für GFP+ (nozizeptive) vs. GFP− Neuronen
- M5–M7: PCR-Amplifikation der Barcode-Region. Illumina Sequenzierung (>100M Reads/Sample). Enrichment = log2(Freq_post/Freq_pre)
- M6–M8: In vivo Retrograde Transport Screen: Injektion in Pfote, DRG L4–L5 Entnahme nach 14d
Fitness Oracle Infrastruktur & Modelltraining
Aufbau des ML-Stacks: ESM-2 Embedding Pipeline, Multi-task Fitness Predictor, cVAE Generator. Produktion von Fitness Oracle v1.0.
Aufgaben
- M4–M5: ETL-Pipeline für DMS-Daten. Quality Filters (Coverage ≥10 reads). Train/Val/Test Split (70/15/15)
- M5–M6: ESM-2 650M Deployment (A100 GPU). Batch-Processing ~1M Sequenzen → 1280-dim Vektoren
- M6–M8: Multi-task NN: 1280→512→256→128, ReLU, Dropout=0.15. 4 Outputs. Optuna Hyperparameter-Suche
- M7–M9: cVAE Training. Latent Dim=128. Conditioning auf Fitness-Zielvektor. Diversity/Validity/Novelty Evaluation
- M8–M10: End-to-End Integration. Benchmark vs. Random Baseline. Oracle v1.0 Release
Iterative ML-guided Optimierungskampagnen
Drei Bayesian Optimization Runden mit experimenteller Validierung. Multi-objective Pareto-Front über Tropismus × Yield × Stabilität × Immunogenizität.
Aufgaben
- Runde 1 (M8–M11): cVAE generiert 500 Kandidaten. EHVI selektiert Top-50. FACS/qPCR/DSF Validierung. Oracle Update
- Runde 2 (M11–M14): Active Learning: 60% Uncertainty-Regions, 40% High-Value. Erwartet: Tropismus ≥0.65
- Runde 3 (M14–M18): Convergenz. 200 Kandidaten, 30 validiert. Pareto-Front: 10–20 non-dominated. Erwartet: Tropismus ≥0.80
Lead Candidate Validierung & IND-Enabling
Tiefergehende in vitro und in vivo Validierung der Top-3 Lead Kandidaten. Datengenerierung für IND-Antrag.
Aufgaben
- M14–M17: Primäre Ratten & Maus DRG-Neuronenkulturen. scRNAseq Zelltyp-Analyse. Transduktionseffizienz >80% in TRPV1+ als Go-Kriterium
- M16–M20: CFA inflammatorisch & SNI neuropathisch Rattenmodell (n=10/Gruppe). qPCR Genomkopien DRG nach 14d. Endpoint: ≥3× retrograder Transport vs. WT
- M18–M22: Histopathologie DRG. NAb-Titer Serum. T-Zell-ELISpot. DRG-spezifische Biodistribution (kein Cardiac Ganglia)
- M20–M24: GMP-Herstellungsprozess. 6-Monat Stabilitätsstudien. Toxikologie GLP. FDA Pre-IND Briefing Document
Budget-Übersicht
| Work Package | Budget |
|---|---|
| WP1 — Target Definition & Competitive Intelligence | €30k–50k |
| WP2 — DMS Library Design, Synthese & Datenerhebung | €280k–400k |
| WP3 — Fitness Oracle Infrastruktur & Modelltraining | €150k–220k |
| WP4 — Iterative ML-guided Optimierungskampagnen | €320k–480k |
| WP5 — Lead Candidate Validierung & IND-Enabling | €450k–650k |
| Total — 24 Monate · 6–8 peak | €1.23M–1.8M |
Gantt Chart — 24 Monate
DRG Fitness Oracle — Systemarchitektur
Embedding
ESM-2 650M / ESM-3 3B
Protein Language Model
Output: 1280-dim Vektor
Predictor
Feed-Forward NN
Multi-task (4 Outputs)
Spearman r ≥ 0.65
Generator
Conditional VAE (cVAE)
Latent Dim = 128
Conditional auf Fitness-Ziele
Optimizer
Multi-objective Bayesian Opt.
EHVI Acquisition Function
Pareto-Front Tracking
Oracle Outputs
| Output | Range | Loss Weight | Beschreibung |
|---|---|---|---|
| Tropismus Score | 0–1 | 50% | Nozizeptive Neuron-Infektionseffizienz |
| Production Yield | 0–1 | 25% | Relative AAV-Partikelproduktion vs. WT |
| Thermostabilität | 0–1 | 15% | Schmelztemperatur normalisiert |
| Immunogenizität | 0–1 | 10% | NAb-Titer-Vorhersage (niedrig = gut) |
DRG Fitness Oracle — Datenpipeline
Das Oracle wird auf experimentellen DMS-Daten trainiert. Jede Variante erhält Labels für alle Outputs. Fehlende Labels (z.B. SAXS nur für Top-100) werden als NaN geführt — der Task-specific Loss maskiert NaN-Werte automatisch.
Composite Score: Gewichteter Score aller Outputs gemäß Loss-Weighting. Ranking aller Kandidaten vor BO-Selektion.
DRG Fitness Oracle — Modell
Architektur: ESM-2 650M → 1280-dim Embedding → Feed-Forward NN (1280→512→256→128, ReLU, Dropout=0.15) → Task-spezifische Heads → Multi-task MSE Loss. Training: AdamW, CosineAnnealing, Early Stopping (patience=15).
DRG Fitness Oracle — Betrieb & API
Jede Optimierungsrunde folgt einem fixierten 5-Schritt Protokoll: (1) cVAE Kandidaten-Generierung mit Constraint-Filter, (2) BO-Selektion via EHVI, (3) Experimentelle Validierung (28d), (4) Data Integration, (5) Oracle Re-Training auf kumulativen Daten.
API: oracle.predict(sequence) · oracle.generate(targets, n, strategy) · oracle.pareto_front(objectives)
Meilensteine & Deliverables
| Monat | Meilenstein | Deliverable | WP |
|---|---|---|---|
| M3 | Target Product Profile finalisiert | D1.1–D1.3 | WP1 |
| M5 | AAV Library produziert (QC: Titer, Coverage) | Library QC Report | WP2 |
| M8 | DMS Dataset abgeschlossen | D2.2 + D2.4 Training Dataset | WP2 |
| M10 | Fitness Oracle v1.0 Release (Spearman r ≥0.65) | D3.1–D3.4 | WP3 |
| M11 | BO Runde 1 abgeschlossen (50 Kandidaten) | D4.1 | WP4 |
| M14 | BO Runde 2 abgeschlossen, Lead Panel Draft | D4.2 | WP4 |
| M18 | Lead Candidate Panel Final (Top-10 Pareto) | D4.3 + D4.4 Oracle v2.0 | WP4 |
| M20 | In Vitro Vollcharakterisierung Top-3 | D5.1 | WP5 |
| M22 | In Vivo Wirksamkeit + Biodistribution | D5.2 + D5.3 | WP5 |
| M24 | IND-Enabling Package | D5.4 — Projektziel erreicht | WP5 |
Risiko-Register
| Risiko | Wahrscheinlichkeit | Impact | Mitigation |
|---|---|---|---|
| DMS Library Coverage <50% | Mittel | Hoch | Parallele Library mit kleinerer Komplexität als Backup |
| Oracle generalisiert nicht auf neue Insertionen | Mittel | Mittel | Active Learning priorisiert unsichere Regionen, robuste Benchmarks |
| Kein Kandidat erfüllt In-Vivo Kriterien M20 | Niedrig-Mittel | Sehr Hoch | Frühzeitige In-Vivo Pilotdaten für Top-Kandidaten aus Runde 2 |
| IP-Konflikte mit WhiteLab/PackGene | Niedrig | Mittel | Freedom-to-Operate Analyse in WP1 (M1) |