تشارلز فيشر، دكتوراه في الفلسفة، الرئيس التنفيذي ومؤسس Unlearn – سلسلة المقابلات

تشارلز فيشر، دكتوراه في الفلسفة، هو الرئيس التنفيذي ومؤسس Unlearn، وهي منصة تستخدم الذكاء الاصطناعي لمواجهة أكبر معوقات التطوير السريري: أوقات التجارب الطويلة، والتكاليف العالية، والنتائج غير المؤكدة. وتحليل نماذج الذكاء الاصطناعي الخاصة بهم كميات هائلة من بيانات المرضى لتوقعات النتائج الصحية للمرضى. من خلال دمج النماذج الرقمية في التجارب السريرية، يمكن لـ Unlearn تسريع البحث السريري ومساعدة تقديم علاجات جديدة إنقاذية للمرضى المحتاجين.

تشارلز هو عالم مع اهتمامات في تقاطع الفيزياء والتعلم الآلي وعلم الأحياء الحاسوبي. في السابق، عمل تشارلز كمهندس تعلم آلي في Leap Motion وعالم أحياء حاسوبي في Pfizer. كان زميل Philippe Meyer في الفيزياء النظرية في École Normale Supérieure في باريس، فرنسا، وعالم ما بعد الدكتوراه في الفيزياء الحيوية في جامعة بوسطن. يحمل تشارلز دكتوراه في الفيزياء الحيوية من جامعة هارفارد ودرجة البكالوريوس في الفيزياء الحيوية من جامعة ميشيغان.

أنت حاليًا في الأقلية في معتقدك الأساسي بأن الرياضيات والحوسبة يجب أن تكون أساس الأحياء. كيف وصلت في الأصل إلى هذه الاستنتاجات؟

هذا ربما بسبب أن الرياضيات والأساليب الحسابية لم يتم التأكيد عليها بما فيه الكفاية في تعليم الأحياء في السنوات الأخيرة، ولكن من حيث أنا جالس، الناس يبدؤون في تغيير أفكارهم والاتفاق معي. وقد أعطتنا الشبكات العصبية العميقة مجموعة جديدة من الأدوات لأنظمة معقدة، وتساعد الآلية في إنشاء مجموعات بيانات بيولوجية كبيرة النطاق المطلوبة. أعتقد أنه من غير المحتمل أن تنتقل الأحياء إلى علم حسابي في العقد المقبل.

كيف انتقل هذا المعتقد بعد ذلك إلى إطلاق Unlearn؟

في الماضي، تم اعتبار العديد من الأساليب الحسابية في الأحياء على أنها حل مشاكل صغيرة أو مشاكل بعيدة عن التطبيقات في الطب، مما جعل من الصعب إثبات القيمة الحقيقية. هدفنا هو اختراع أساليب جديدة في الذكاء الاصطناعي لحل مشاكل في الطب، ولكننا также مركزون على العثور على مجالات، مثل التجارب السريرية، حيث يمكننا إثبات القيمة الحقيقية.

يمكنك شرح مهمة Unlearn لإliminate التجارب والخطأ في الطب من خلال الذكاء الاصطناعي؟

من الشائع في الهندسة تصميم واختبار جهاز باستخدام نموذج حاسوبي قبل بناء الشيء الحقيقي. نريد تمكين شيء مشابه في الطب. هل يمكننا محاكاة تأثير علاج على مريض قبل إعطائه إياه؟ على الرغم من أنني أعتقد أن المجال بعيد جدًا عن ذلك اليوم، هدفنا هو اختراع التكنولوجيا لجعلها ممكنة.

كيف يستخدم Unlearn النماذج الرقمية في التجارب السريرية لتسريع عملية البحث وتحسين النتائج؟

يخترع Unlearn نماذج الذكاء الاصطناعي تسمى مولدات النماذج الرقمية (DTGs) التي تنتج نماذج رقمية للمشاركين في التجارب السريرية. كل نموذج رقمي للمشارك يتنبأ بما سيكون نتيجة المريض لو تلقى العلاج الوهمي في التجربة السريرية. إذا كانت DTGs الخاصة بنا دقيقة تمامًا، ثم من الناحية النظرية، يمكن إجراء التجارب السريرية دون مجموعات وهمية. لكن في الممارسة، جميع النماذج ت phạmأخطاء، لذلك نهدف إلى تصميم تجارب عشوائية تستخدم مجموعات وهمية أصغر من التجارب التقليدية. هذا يجعل من السهل المشاركة في الدراسة، مما يسرع من جداول التجارب.

يمكنك توضيح بالضبط ما هو منهج Unlearn المعتمد من الناحية التنظيمية لتعديل التوقعات (PROCOVA ™)؟

PROCOVA ™ هو أول طريقة طورناها لتمكين نماذج المرضى الرقمية من الاستخدام في التجارب السريرية بحيث تكون نتائج التجربة قوية أمام الأخطاء التي قد يرتكبها النموذج في توقعاته. بشكل أساسي، يستخدم PROCOVA حقيقة أن بعض المشاركين في الدراسة يتم تعيينهم عشوائيًا إلى مجموعة الوهمية لتصحيح توقعات النماذج الرقمية باستخدام طريقة إحصائية تسمى تعديل المتغيرات. هذا يسمح لنا بتصميم دراسات تستخدم مجموعات تحكم أصغر من المعتاد أو لديها قوة إحصائية أعلى مع ضمان أن هذه الدراسات لا تزال توفر تقييمات صارمة لفعالية العلاج. نحن أيضًا مستمرين في البحث والتطوير لتوسيع هذه سلسلة من الحلول وتوفير دراسات أكثر قوة في المستقبل.

كيف يوازن Unlearn بين الابتكار والامتثال التنظيمي في تطوير حلول الذكاء الاصطناعي؟

تتم تنظيم الحلول الموجهة للتجارب السريرية بشكل عام بناءً على سياق استخدامها، مما يعني أننا يمكننا تطوير حلول متعددة ذات مخاطر مختلفة تهدف إلى استخدامات مختلفة. على سبيل المثال، قمنا بتطوير PROCOVA لأنها مخاطر منخفضة للغاية، مما أتاح لنا الحصول على رأي مؤهل من الوكالة الأوروبية للدواء (EMA) للاستخدام كتحليل أساسي في التجارب السريرية من المرحلة 2 و 3 مع نتائج مستمرة. لكن PROCOVA لا تستفيد من جميع المعلومات المقدمة من النماذج الرقمية التي ننشئها للمشاركين في التجربة – تترك بعض الأداء على الطاولة لتتوافق مع التوجيهات التنظيمية. بالطبع، Unlearn موجودة لدفع الحدود حتى نتمكن من إطلاق حلول أكثر ابتكارًا تهدف إلى تطبيقات في المراحل المبكرة من الدراسات أو التحليلات اللاحقة حيث يمكننا استخدام أساليب أخرى (مثل التحليلات البيزيانية) التي توفر كفاءة أكبر مما يمكننا القيام به مع PROCOVA.

ما هي بعض أكبر التحديات والانجازات التي واجهتها Unlearn في استخدام الذكاء الاصطناعي في الطب؟

أعظم تحدي لنا وكل شخص آخر متورط في تطبيق الذكاء الاصطناعي على مشاكل في الطب هو ثقافي. حاليًا، الغالبية العظمى من الباحثين في الطب ليست على دراية تامة بالذكاء الاصطناعي، وهم عادة ما يتم إعلامهم بشكل خاطئ عن كيفية عمل التكنولوجيا الأساسية. ونتيجة لذلك، معظم الناس متشككون للغاية في أن الذكاء الاصطناعي سيكون مفيدًا في المدى القصير. أعتقد أن هذا سيتغير بالضرورة في السنوات القادمة، ولكن الأحياء والطب عمومًا ي tụن وراء معظم المجالات الأخرى عندما يتعلق الأمر بالاعتماد على تكنولوجيا الكمبيوتر الجديدة. لقد حققنا العديد من الانجازات التكنولوجية، ولكن الأهم هو الحصول على نقاط البرهان من الجهات التنظيمية أو العملاء.

ما هو رؤيتك الشاملة لاستخدام الرياضيات والحوسبة في الأحياء؟

 في رأيي، لا يمكننا أن نسمي شيء “علم” إلا إذا كان هدفه هو إجراء توقعات دقيقة وكمية للنتائج المستقبلية للتجارب. حاليًا، حوالي 90% من الأدوية التي تدخل التجارب السريرية على البشر تفشل، وعادةً لأنها لا تعمل حقًا. لذلك، نحن بعيدون جدًا عن إجراء توقعات دقيقة وكمية الآن عندما يتعلق الأمر معظم مجالات الأحياء والطب. لا أعتقد أن هذا يتغير حتى يتغير قلب تلك التخصصات – حتى تصبح الرياضيات والأساليب الحسابية أدوات التفكير الأساسية للأحياء. أتمنى أن يبرز عملنا في Unlearn قيمة اتخاذ نهج “الذكاء الاصطناعي أولا” لحل مشكلة عملية مهمة في البحث الطبي، ويمكن للباحثين في المستقبل أن يأخذوا تلك الثقافة ويطبقوها على مجموعة أوسع من المشاكل.

شكرًا على المقابلة الرائعة، يرغب القراء في معرفة المزيد في زيارة Unlearn.