توماس كلوزل، د.م.، المؤسس المشارك والرئيس التنفيذي لشركة Owkin – سلسلة المقابلات

Thomas Clozel، د.م. هو المؤسس المشارك والرئيس التنفيذي لشركة Owkin، شركة أ biotech تعمل بالذكاء الاصطناعي وتُحدث ثورة في قطاع الرعاية الصحية. بخلفية في البحث السريري، لعب كلوزل دورًا أساسيًا في قيادة Owkin منذ تأسيسها في عام 2016. تحت قيادته، حققت الشركة إنجازات بارزة، بما في ذلك جمع تمويل كبير وتشكيل شراكات استراتيجية مع شركات أدوية كبرى. وهو أستاذ مساعد سابق في علم الأورام والدم السريري في مستشفى هنري موندور في باريس وعضو سابق في مختبر الأورام للدكتور آري ميلنيك في كلية وييل كورنيل الطبية.

Owkin هي شركة تكنولوجيا حيوية تعتمد على الذكاء الاصطناعي تُطوّر أنظمة ذكاء اصطناعي مستقلة تهدف إلى تسريع البحث البيوميديكانيكي واكتشاف الأدوية. تأسست في عام 2016 على يد أخصائي الأورام توماس كلوزل والباحث في تعلم الآلة جيلس واينريب، وتجمع الشركة بين نماذج ذكاء اصطناعي متقدمة وبيانات مرضى متعددة الأنماط، والبحث البيولوجي، والخبرة السريرية لمساعدة فرق الصيدلة على فهم المرض بشكل أفضل، وتحديد الأهداف العلاجية، واكتشاف المؤشرات الحيوية، واتخاذ قرارات بحث وتطوير أكثر استنارة. منصة الشركة الرائدة، K Pro، تعمل كعالم ذكاء اصطناعي يمكنه تنسيق نماذج وأدوات بحث متخصصة لتحليل أسئلة بيولوجية معقدة، وتسعى Owkin في النهاية إلى ما تسميه “الذكاء الاصطناعي الفائق الحيوي”: نظام ذكاء اصطناعي يتحسن ذاتيًا قادر على تنفيذ أجزاء متزايدة من عملية اكتشاف الأدوية بشكل مستقل.

قامت Owkin بتأسيس علاقات استراتيجية مع شركات أدوية حيوية كبرى بما في ذلك سانوفي، وبريستول مايرز سكويب، وMSD، وبنت شبكة عالمية تشمل باحثين أكاديميين، وأطباء، وشركاء بيانات مرضى، وبنية تحتية مخبرية.

امتدت مسيرتك المهنية بين علم الدم السريري، وأبحاث الأورام، والبيولوجيا الحاسوبية. عندما شاركت في تأسيس Owkin في عام 2016، ما هي القيود التي رأيتها في البحث الطبي التقليدي والتي أقنعتك بأن الذكاء الاصطناعي يمكنه مساعدة العلماء على فهم المرض بطريقة مختلفة؟

كنت أخصائي أورام وأرى مرضى في الخامسة والثلاثين من العمر مصابين بالسرطان، ولم يفسر تاريخهم سبب إصابتهم أو عودتها. ولم يكن لدينا علم جيد يفسر ذلك — حتى مع كل الأبحاث التي جرت خلال المئة عام الماضية. لذا فكرت: البيولوجيا ليست مشكلة على مستوى الإنسان. إنها تحتاج إلى استدلال عبر مقاييس متعددة، من الجزيئات إلى الكائنات الحية بالكامل، وعبر أنواع متعددة من البيانات في آنٍ واحد: من عينات الأنسجة إلى تاريخ علاج المريض. لهذا نحتاج إلى الذكاء الاصطناعي. واعتقدت أن البيانات التي يمكن أن تقربنا من هذا الفهم في البشر هي بيانات المرضى. لذلك في عام 2016 شاركت في تأسيس Owkin مع جيلس واينريب، وبدأنا بالتعلم المتحدّ (federated learning) — طريقة تسمح لنماذج الذكاء الاصطناعي بالتعلم من بيانات المستشفيات دون أن تغادر هذه البيانات المستشفى — لفتح تلك البيانات والوصول إلى الإجابات.

يمكن للذكاء الاصطناعي التوليدي إنتاج أعداد كبيرة من الفرضيات البيولوجية المعقولة. كيف ينبغي للباحثين التمييز بين اكتشاف جديد حقيقي وبين ارتباط مقنع لكنه في النهاية خاطئ تم توليده بواسطة الذكاء الاصطناعي؟

يجب أن تعتبر جميع فرضياتك خاطئة حتى تثبت عكس ذلك. هذا هو التصميم المقصود. أؤمن بأن وكلاء الذكاء الاصطناعي المتقدمين — الأنظمة المستقلة المتقدمة — عندما تُمنح الأدوات والبيانات المناسبة، ستكون أفضل في توليد فرضيات دقيقة مما نحن عليه الآن. وفي Owkin، تقوم نماذجنا بترتيب الفرضيات بحسب احتمال صمودها، استنادًا إلى الأنماط المتعلمة من البيانات.

لكننا ما زلنا بحاجة إلى اختبارها، أولًا في المختبر ثم عبر التجارب السريرية، قبل أن نضع كامل ثقتنا فيها. في Owkin نقوم بذلك من خلال ما نسميه “المختبر داخل الحلقة” — اختبار كل توقع للذكاء الاصطناعي على عينات بيولوجية حقيقية قبل الاعتماد عليه — ثم في التجارب السريرية. لذا ما زلنا نحتاج إلى اختبار كل فرضية تجريبيًا، كما كنا دائمًا. لكن الذكاء الاصطناعي يساعدنا على استخدام الموارد بشكل أفضل من خلال توجيهنا إلى مسارات الاختبار الأكثر احتمالًا للنجاح.

K Pro يجمع بين علم الأمراض، والوراثيات، والبيولوجيا المكانية، والنتائج السريرية. كيف يؤدي جمع هذه الأنواع المختلفة من البيانات إلى دليل بيولوجي أقوى مقارنةً بالاعتماد على مجموعة بيانات أو نمط واحد؟

نحاول رؤية الصورة الكاملة لما تسبب في مرض الشخص. كل نوع من هذه البيانات يمنحك لمحة عن جزء منها — لكن لا أحد منها يمكنه أن يقدم لك الشرح الكامل والسببى.

إذا استطعت النظر إلى المرض من زوايا متعددة في آنٍ واحد، تقترب أكثر من الصورة الكاملة. هذا ما نسعى لتحقيقه عبر كل مقاييس البيولوجيا — على سبيل المثال، ربط نشاط الجينات بتركيب النسيج الفيزيائي، وربط بيولوجيا المريض الأساسية (جيناته وجزيئاته) بما يُلاحظ فعليًا في العيادة (صور الأنسجة، السجلات الطبية، استجابته للعلاج).

هذا هو ما يجعل الذكاء الاصطناعي مهمًا: فهو قادر على دمج هذه الأنواع المتباينة من البيانات واكتشاف الأنماط الكامنة التي تقربنا من الصورة الكاملة — وهو أمر يصعب على العقل البشري القيام به بمفرده.

تصف Owkin الاكتشافات التي يولدها الذكاء الاصطناعي بأنها فرضيات وليس حقائق. ما هي المراحل التي يجب أن تمر بها فرضية K Pro قبل أن يعتبر فريقك أنها ذات معنى بيولوجي كافٍ للتأثير على قرار تطوير دواء؟

أربع مراحل.

أولاً، التكرار الحاسوبي: هل يبقى الإشارة صامدة عند فحصها ضد مجموعات بيانات مرضى مستقلة، وعبر أنواع بيانات لم تُستخدم في توليدها أصلاً؟ هذه الخطوة رخيصة التنفيذ وتستبعد معظم المرشحين مبكرًا.

ثانيًا، الفحص الميكانيكي: هل هناك تفسير سببى متماسك — جزء جديد معقول من علم الأحياء؟ وهل الأدلة تقول فعلاً ما يدعي النموذج أنه يقوله؟ نحن نستقصي الأدلة الأساسية، لا النتيجة فقط. هنا تدخل خبرة فريقنا البيوميديكانيكي المتخصص.

ثالثًا، نختبرها في المختبر. نتحقق من التوقع باستخدام نماذج مشتقة من المرضى — بما في ذلك الأورغانيئات (نسخ مصغرة من ورم المريض تُزرع في المختبر) — عبر اختبارات الأدوية وتجارب تعديل الجينات. هذه هي الخطوة التي يتحول فيها الارتباط إلى ادعاء سببي حقيقي، أو لا يتحول.

رابعًا، المرضى. نحن حاليًا نختبر OKN4395 — مرشح دوائي ساعدنا K Pro في فهم بيولوجيته الأساسية — في تجربة INVOKE السريرية. نستخدم أيضًا هذه التجربة لتحسين الذكاء الاصطناعي: فهي تجمع بيانات مفصلة عن المرضى طوال الفترة، لذا نحن لا نختبر دواءً فحسب، بل نتحقق مما إذا كان استدلال النموذج حول آلية المرض والسكان المرضى المناسبين صحيحًا.

تختبر Owkin توقعات K Pro المختارة في مختبرها الرطب باستخدام أساليب مثل الأورغانيئات المشتقة من المرضى والاضطراب الجيني. كيف يحسن هذا التغذية الراجعة النظام، وماذا يحدث عندما تتعارض النتائج التجريبية مع التوقع الأصلي؟

يقوم K Pro بتوقع بيولوجيا جديدة، نصمم التجربة، ونختبرها باستخدام نماذج مختبرية مشتقة من المرضى — بما في ذلك الأورغانيئات، والثقافات المشتركة (زراعة أنواع خلايا مختلفة معًا لرؤية تفاعلها)، والنماذج التي تم تشغيل أو إيقاف جينات محددة فيها. ثم تُعاد النتائج إلى النظام لتحسينه. اليوم، لا يزال جزء من هذه الحلقة يُجرى يدويًا؛ أتمتة العملية بالكامل هي خطوتنا التالية.

لقد قسنا بالفعل تأثير هذه التغذية الراجعة. في دراسة نشرناها على ArXiv (مستودع للأوراق العلمية) هذا العام، كانت الوكلاء الذكائيون الذين تلقوا هذا النوع من التغذية الراجعة المختبرية أفضل بنسبة 166–185% من الاختيار العشوائي في تحديد الجينات التي تغير بشكل ملحوظ سلوك الخلية — أي الجينات التي تستحق الاستهداف الدوائي.

ما هي المقاييس التي يجب على شركات الأدوية استخدامها لتقييم عالم ذكاء اصطناعي؟ هل يجب قياس النجاح بدقة التنبؤ، أو القابلية للتكرار، أو عدد الأهداف التي تم التحقق منها، أو تحسين قرارات التجارب السريرية، أم بمعيار آخر؟

نعتقد أن المعيار الأكثر أهمية هو الاعتمادية. الذكاء الاصطناعي الذي ينتج إجابة دقيقة بين الحين والآخر قد يكون مثيرًا، لكن أنظمة الذكاء الاصطناعي لا تصبح مفيدة حقًا للصناعة إلا عندما تستطيع الإجابة على نفس السؤال بنفس الطريقة، بشكل موثوق، بغض النظر عن عدد مرات السؤال.

هذا ما يحول هذه الأنظمة من عرض مبهر إلى أساس سير عمل فعلي. هكذا بنينا K Pro: بحيث يتبع استدلال الذكاء الاصطناعي داخلها نفس العملية القابلة للتكرار والشفافة في كل مرة يجيب فيها على سؤال.

القابلية للتكرار العلمي أمر أساسي في أبحاث الأدوية. كيف يُظهر K Pro للباحثين أي مجموعات بيانات، وأي سير عمل تحليلي، وأي خطوات استدلال ساهمت في الاستنتاج بحيث يمكن مراجعة نتائجه بصورة مستقلة؟

يوثق K Pro عملية الاستدلال التي يمر بها الذكاء الاصطناعي للإجابة على كل استفسار.

كل مجموعة بيانات يستخدمها يتم تحديد مصدرها وإصدارها. يمكنك رؤية مجموعة المرضى تتقلص في كل خطوة تصفية: على سبيل المثال، كيف تحولت أربعة آلاف مريض إلى ثلاثمائة. كل أداة يستدعيها تُظهر. كل “مهارة” يستخدمها تُظهر. كل خطوة استدلال تُظهر.

“المهارة” هي سير عمل علمي تم ترميزه مرة واحدة — تسلسل التحليلات، والحدود، والاستدلال — والتي يطبقها K Pro بصورة متماثلة في كل مرة تكون ذات صلة. المهارات مهمة بشكل خاص للقابلية للتكرار، لأنها إحدى الطرق التي يقلل بها K Pro من التباين الطبيعي في أنظمة الذكاء الاصطناعي: يجب أن تعطي المهمة نفسها التي تُنفذ مرتين النتيجة نفسها. نحن نواصل تطوير ذلك، لأن القدرة على التحقق من عمل الذكاء الاصطناعي تُعد ميزة رئيسية في صناعتنا.

تطور Owkin وكلاء K Pro المخصصين لأسترازينيكا وسانوفي. ماذا علمتك هذه التعاونات حول دمج علماء الذكاء الاصطناعي في سير عمل الصيدلة القائمة دون إضعاف الرقابة البشرية أو الحوكمة أو الصرامة العلمية؟

يجب أن تلتقي بشركات الأدوية حيثما هي. كل شركة لديها إعداد مختلف، وتاريخ مختلف، ورغبة مختلفة في تبني الذكاء الاصطناعي — وداخل كل شركة، الفرق المختلفة لديها احتياجات مختلفة.

تجربتنا مع شركات الأدوية على مدار ما يقرب من العقد الماضي تُظهر أنها ستعطي الأولوية دائمًا للرقابة والصرامة، ولن تُسمح لك بالدخول إلى الباب دون الالتزام بمعايير الحوكمة الخاصة بها.

لذلك صممنا K Pro ليكون قابلًا للتفسير: بمعنى أنه يمكنك رؤية كيف يستدلي، وما الأدوات التي يختارها، وما البيانات التي يستدعيها&#؛ مرنًا بما يكفي للعمل ضمن الأنظمة القائمة في الشركة دون الحاجة لتغيير البنية التحتية، وقادرًا على الوصول إلى البيانات المملوكة حيثما تُخزن بالفعل، دون نقلها أو تكرارها.

هذا يساهم كثيرًا في بناء الثقة اللازمة لتبني الصيدلة.

يمكن أن تحتوي بيانات المرضى المتعددة الأنماط على تحيزات مؤسسية، وتعليقات غير متسقة، وسكان غير ممثلين. كيف تمنع Owkin أن تتحول هذه القيود إلى استنتاجات بيولوجية مضللة أو تضيق نطاق المرضى الذين قد يستفيدون من اكتشاف ما؟

كل البيانات تحمل نوعًا من التحيز، سواء كان من المختبر الذي أُنتجت منه أو من المرضى الذين تمثلهم. نهجنا هو فهم مجموعات البيانات بأكبر قدر ممكن، حتى نتمكن من تحديد ما إذا كان هناك تحيز وكيفية معالجته.

نستطيع القيام بذلك لأن لدينا علاقات قوية مع الباحثين الذين أنشأوا كل مجموعة بيانات في الأصل، وهم يساعدوننا على فحصها بعمق.

نحن واثقون أنه إذا كان هناك مجموعة بيانات ذات صلة، يمكننا العثور عليها. ولكن إذا كان هناك فجوة: على سبيل المثال، مجموعة سكانية من المرضى غير ممثلة جيدًا في البيانات الحالية&#؛ يمكننا توليد بيانات جديدة بمعايير صارمة بأنفسنا، بالتعاون مع شركائنا الأكاديميين، كما فعلنا مع مجموعة بيانات MOSAIC.

لقد وصفت هدف Owkin طويل الأمد بأنه “الذكاء الاصطناعي الفائق الحيوي”. ما هي القدرات التي ستميّزه عن أدوات البحث الذكائي الحالية، وما الدليل الذي سيقنعك بأن نظام الذكاء الاصطناعي يفهم البيولوجيا فعلاً بدلاً من مجرد التعرف على أنماط متزايدة التعقيد؟

الذكاء الاصطناعي الفائق الحيوي (BASI): مصطلحنا لنظام ذكاء اصطناعي قادر على اقتراح بيولوجيا جديدة وصحيحة بشكل مستقل&#؛ سيظهر عندما يبدأ نظام الذكاء الاصطناعي في اقتراح بيولوجيا أمراض جديدة لا يكتشفها البحث البشري، وتثبت لاحقًا صحتها.

نحن نعمل نحو ذلك بنظام يمكنه:

• العمل باستقلالية، صقل فرضياته دون الحاجة إلى تدخل بشري في كل خطوة، بما في ذلك تصميم وإجراء التجارب في مختبرات آلية
• الاستدلال حول السبب والنتيجة في الأنظمة البيولوجية، وليس مجرد رصد الارتباطات

أما بالنسبة لما إذا كان الذكاء الاصطناعي “يفهم” البيولوجيا حقًا، فهذه مسألة فلسفية مثيرة. في أي نقطة تصبح تمثيلات النموذج الداخلية معقدة بما يكفي لتُعدّ فهماً حقيقيًا، بدلاً من مجرد مطابقة أنماط متطورة جدًا؟ في الوقت الحالي، سأكتفي بأن يكون قادرًا على اقتراح بيولوجيا جديدة تتثبت صحتها.

شكرًا لكم على هذه المقابلة الرائعة، وعلى القارئ الذي يرغب في معرفة المزيد يُنصح بزيارة Owkin.