WO2025172775 - MACHINE LEARNING APPROACH TO PREDICT VIRUS OR CANCER MUTATIONS FOR VACCINE PRODUCTION OR DRUG DESIGN
National phase entry is expected:
Publication Number
WO/2025/172775
Publication Date
21.08.2025
International Application No.
PCT/IB2025/050405
International Filing Date
14.01.2025
Title **
[English]
MACHINE LEARNING APPROACH TO PREDICT VIRUS OR CANCER MUTATIONS FOR VACCINE PRODUCTION OR DRUG DESIGN
[French]
APPROCHE D'APPRENTISSAGE AUTOMATIQUE POUR PRÉDIRE DES MUTATIONS VIRALES OU CANCÉREUSES POUR LA PRODUCTION DE VACCINS OU LA CONCEPTION DE MÉDICAMENTS
Applicants **
NEC LABORATORIES EUROPE GMBH
Inventors
SIARHEYEU, Raman
XU, Zhao
Priority Data
24157633.9
14.02.2024
EP
Application details
| Total Number of Claims/PCT | * |
| Number of Independent Claims | * |
| Number of Priorities | * |
| Number of Multi-Dependent Claims | * |
| Number of Drawings | * |
| Pages for Publication | * |
| Number of Pages with Drawings | * |
| Pages of Specification | * |
| * | |
| Number of Office Actions | * |
| * | |
International Searching Authority |
EPO
* |
| Recordal of a Change of the Applicant's Name/Address |
Change of Applicant's Name and Address
* |
| Type of Assignment |
The Standard Agent's Assignment
* |
| Applicant's Legal Status |
Legal Entity
* |
| * | |
| * | |
| * | |
| * | |
| * | |
| Entry into National Phase under |
Chapter I
* |
| Patent Delivery |
Send the Letters Patent by Courier
* |
| Translation |
|
* The data is based on automatic recognition. Please verify and amend if necessary.
** IP-Coster compiles data from publicly available sources. If this data includes your personal information, you can contact us to request its removal.
Quotation for National Phase entry
| Country | Stages | Total | |
|---|---|---|---|
| China | Filing, Examination, Granting | 2035 | |
| EPO | Filing, Examination, Granting | 8103 | |
| Japan | Filing, Examination, Granting | 2179 | |
| South Korea | Filing, Examination, Granting | 2012 | |
| USA | Filing, Examination, Granting | 5340 |
Total:
19,669
Contact Us
Abstract[English]
A computer-implemented, machine learning method for predicting a top-k most likely mutated molecular sequences includes encoding a molecular sequence at a first time into a first vector in a latent space. A second vector is generated, by a time-varying mutation models, in the latent space using as input the first vector. The second vector indicates a time-varying influence of the molecular sequence on a mutated version of the molecular sequence at a subsequent time. The second vector is decoded to generate a prediction of the top-k most likely mutated molecular sequences for the molecular sequence at the subsequent time. The method has applications including, but not limited to, use cases in computational biology and medical AI and healthcare for optimizing vaccine design or supporting decision making in diagnosis and treatment of patients.[French]
Un procédé d'apprentissage automatique mis en œuvre par ordinateur pour prédire des k meilleures séquences moléculaires mutées les plus probables comprend le codage d'une séquence moléculaire à un premier instant en un premier vecteur dans un espace latent. Un second vecteur est généré, par un modèle de mutation variant dans le temps, dans l'espace latent à l'aide en tant qu'entrée du premier vecteur. Le second vecteur indique une influence variable dans le temps de la séquence moléculaire sur une version mutée de la séquence moléculaire à un instant ultérieur. Le second vecteur est décodé pour générer une prédiction des k meilleures séquences moléculaires mutées les plus probables pour la séquence moléculaire à l'instant ultérieur. Le procédé comprend des applications comprenant, entre autres, des cas d'utilisation dans la biologie informatique et l'IA médicale et les soins de santé pour optimiser la conception de vaccin ou prendre en charge la prise de décision dans le diagnostic et le traitement de patients.