Korro Bio (KRRO) Earnings Call Presentation

Korro Bio Methodology - Korro Bio利用机器学习优化寡核苷酸，并结合对ADAR生物学的深入理解、定制的递送方式和专业的寡核苷酸化学技术，实现RNA编辑[7] - Korro Bio采用成熟和新型的化学修饰来改善ADAR引导寡核苷酸的药理学特性[10] Machine Learning for Chemically Modified Oligonucleotide Design - 针对单一靶点，在20%的体外数据上测试模型，预测结果与体外编辑结果相差在7%以内[29] - 通过迭代设计批次，机器学习能够促进mRNA编辑[33] - 增加化学特征的提取，会导致模型总体误差增加约1%[47] - 化学广义图神经网络（GNN）可以帮助公司进行新的修饰滴定[63] - GNN模型在序列上的r值为0.06，而经过化学修饰的GNN模型，r值可以达到0.72[64] Methods for Increasing Use-Cases for ML Oligonucleotide Design - 序列单体模型的r值为0.78，原子模型的r值为0.66，而序列模型的r值为0.80[48] - 在寡核苷酸中，化学特征可以改善8种未见过的修饰的总体误差[56] - 靶标不可知的特征提取方法，通过插入与靶标的关系，可以用于新的靶标[69, 70] - 寡核苷酸-靶标相互作用特征可以为新的靶标和细胞系带来更好的模型[71] - ACTB在Target Agnostic的情况下ρ = -0.07，在使用Sequence Model Predictions的情况下ρ = 0.61[72]