Rozhovory

Dr. Serafim Batzoglou, Chief Data Officer ve společnosti Seer – rozhovor

Antoine Tardif
Přidejte Unite.AI mezi své preferované zdroje na Google
Klíčové bodyPlatforma Proteograph od společnosti Seer detekuje v plazmě 5x až 8x více proteinů než…
Zobrazit více
  • Platforma Proteograph od společnosti Seer detekuje v plazmě 5x až 8x více proteinů než konvenční metody, což odhaluje dříve skryté signatury onemocnění.
  • Velké jazykové modely (LLM) budou podporovat lidské odborníky v diagnostice analýzou rozsáhlých pacientských dat, ale nemohou fungovat autonomně kvůli rizikům halucinací.
  • Strojové učení urychluje objevování léků identifikací cílů a optimalizací sloučenin, což může snížit miliardové náklady a zkrátit časové horizonty z desetiletí.

Serafim Batzoglou je ředitelem pro data ve společnosti Seer. Předtím, než nastoupil do Seer, působil Serafim jako ředitel pro data ve společnosti Insitro, kde vedl týmy strojového učení a datové vědy pro objevování léků. Předtím působil jako viceprezident pro aplikovanou a výpočetní biologii ve společnosti Illumina, kde vedl výzkum a vývoj technologií AI a molekulárních testů, které pomáhají lépe interpretovat genomická data pro lidské zdraví.

Co vás původně přitáhlo ke genomice?

Začal jsem se zajímat o obor výpočetní biologie na počátku svého doktorského studia v oboru počítačových věd na MIT, kdy jsem absolvoval kurz na toto téma, který vyučovali Bonnie Bergerová, jež se stala mou školitelkou, a David Gifford. Projekt lidského genomu během mého doktorského studia nabíral na tempu. Eric Lander, který vedl Genomové centrum na MIT, se stal mým druhým školitelem a zapojil mě do projektu. Motivován tímto projektem jsem pracoval na sestavování celého genomu a komparativní genomice lidské a myší DNA.

Později jsem přešel na Stanfordovu univerzitu jako člen akademického sboru katedry informatiky, kde jsem strávil 15 let a měl jsem tu čest vést kolem 30 mimořádně talentovaných doktorandů a mnoho postdoktorandů a studentů bakalářského studia. Můj tým se zaměřoval na použití algoritmů, strojového učení a softwarových nástrojů pro analýzu velkých genomických a biomolekulárních dat. V roce 2016 jsem opustil Stanford, abych vedl tým výzkumu a technologického rozvoje ve společnosti Illumina. Od té doby jsem měl možnost vést týmy výzkumu a vývoje v průmyslu. Zjistil jsem, že týmová práce, obchodní aspekt a přímý dopad na společnost jsou charakteristické pro průmysl ve srovnání s akademickou sférou. Pracoval jsem pro inovativní společnosti po celou svou kariéru: DNAnexus, kterou jsem spoluzaložil v roce 2009, Illumina, Insitro a nyní Seer. Počítačové výpočty a strojové učení jsou nezbytné v celém technologickém řetězci biotechnologií, od technologického rozvoje, přes získávání dat, až po biologickou interpretaci a aplikaci v lidském zdraví.

V posledních 20 letech se sekvenování lidského genomu stalo mnohem levnějším a rychlejším. To vedlo k dramatickému růstu trhu sekvenování genomu a širšímu použití v odvětví věd o živé přírodě. Nyní jsme na prahu toho, že budeme mít dostatečně rozsáhlá populační genomická, multiomická a fenotypová data, abychom mohli významně změnit zdravotní péči, včetně prevence, diagnostiky, léčby a objevování léků. Můžeme stále více objevovat molekulární základy onemocnění u jednotlivých lidí prostřednictvím počítačové analýzy genomických dat a pacienti mají šanci dostat se k léčbám, které jsou personalizované a cílené, zejména v oblastech rakoviny a vzácných genetických onemocnění. Kromě zjevného použití v medicíně umožňuje strojové učení spojené s genomickými informacemi získat poznatky i do jiných oblastí našeho života, jako je naše genealogie a výživa. V následujících letech budeme svědky přijetí personalizované, datově řízené zdravotní péče, nejprve pro vybrané skupiny lidí, jako jsou pacienti se vzácnými onemocněními, a postupně pro širší veřejnost.

Před svou současnou funkcí jste byl ředitelem pro data ve společnosti Insitro, kde jste vedl strojové učení a datovou vědu při objevování léčiv. Jaké hlavní poznatky jste získal o využití strojového učení k urychlení tohoto procesu?

Tradiční paradigma objevování a vývoje léčiv založené na pokusu a omylu trpí neefektivitou a mimořádně dlouhými lhůtami. Uvedení jediného léku na trh může stát přes miliardu dolarů a trvat více než deset let. Začleněním strojového učení můžeme v několika fázích výrazně snížit náklady i potřebný čas.

Jednou z nich je identifikace cíle: pomocí rozsáhlých genetických a chemických perturbací a měření fenotypu, například zobrazování a funkční genomiky, lze určit gen nebo skupinu genů, které mění fenotyp onemocnění či vracejí nemocné buňky do zdravějšího stavu. Další fází je identifikace a optimalizace sloučenin. Malou molekulu nebo jinou terapeutickou modalitu lze navrhnout pomocí výpočetních predikcí založených na strojovém učení a screeningu in vitro. Zároveň lze optimalizovat žádoucí vlastnosti léčiva, jako jsou rozpustnost, propustnost, specificita a netoxicita.

Nejobtížnější a patrně nejdůležitější je přenos výsledků na člověka. Výběr správného modelu pro dané onemocnění — buněčných linií odvozených z indukovaných pluripotentních kmenových buněk, primárních buněčných linií pacientů a vzorků tkání, nebo zvířecích modelů — představuje zásadní soubor kompromisů. Ty nakonec ovlivňují, nakolik lze výsledná data a strojové učení využít ve prospěch pacientů.

Seer Bio vyvíjí nové způsoby odhalování tajemství proteomu s cílem zlepšit lidské zdraví. Co je proteom pro čtenáře, kteří tento pojem neznají?

Proteom je proměnlivý soubor proteinů, které organismus vytváří nebo upravuje v průběhu času a v reakci na prostředí, výživu a zdravotní stav. Proteomika zkoumá proteom v daném typu buněk či vzorku tkáně. Genom člověka i jiných organismů je statický: s důležitou výjimkou somatických mutací zůstává genom přítomný při narození stejný po celý život a přesně se kopíruje do buněk těla. Proteom je naopak dynamický a mění se v průběhu let, dnů i minut. Proto je mnohem blíže fenotypu a nakonec i zdravotnímu stavu než genom, a poskytuje tak více informací pro sledování zdraví a pochopení nemocí.

Ve společnosti Seer jsme vyvinuli nový způsob přístupu k proteomu, který umožňuje hlubší poznání proteinů a jejich molekulárních forem v komplexních vzorcích, například v plazmě. Ta je snadno dostupným vzorkem, ale dosud představovala velkou výzvu pro konvenční proteomiku založenou na hmotnostní spektrometrii.

Co je platforma Proteograph™ společnosti Seer a jak nabízí nový pohled na proteom?

Platforma Proteograph využívá knihovnu proprietárních, cíleně navržených nanočástic a jednoduchý, rychlý a automatizovaný pracovní postup, který umožňuje hluboké a škálovatelné zkoumání proteomu.

Vyniká při analýze plazmy a dalších složitých vzorků s velkým dynamickým rozsahem: množství jednotlivých proteinů se v nich liší o několik řádů. Konvenční hmotnostní spektrometrie přitom nedokáže detekovat málo zastoupenou část proteomu. Nanočástice společnosti Seer mají nastavitelné fyzikálně-chemické vlastnosti a zachycují proteiny napříč dynamickým rozsahem nezaujatým způsobem. U běžných vzorků plazmy naše technologie umožňuje detekovat pětkrát až osmkrát více proteinů než zpracování neupravené plazmy bez platformy Proteograph. Od přípravy vzorku přes přístrojové měření až po analýzu dat tak naše produktová sada pomáhá vědcům nalézat proteomické znaky onemocnění, které by jinak mohly zůstat neodhaleny. Rádi říkáme, že v Seer otevíráme novou bránu k proteomu.

Vědcům navíc usnadňujeme rozsáhlé proteogenomické studie. Proteogenomika spojuje genomická a proteomická data, aby identifikovala a kvantifikovala varianty proteinů, propojila genomické varianty s množstvím proteinů a nakonec spojila genom a proteom s fenotypem a nemocí. Tím začíná rozplétat příčinné i navazující genetické dráhy související s onemocněním.

Můžete popsat některé technologie strojového učení, které Seer Bio v současnosti používá?

Seer využívá strojové učení ve všech fázích od vývoje technologie po následnou analýzu dat. Patří sem: (1) návrh našich proprietárních nanočástic, při němž strojové učení pomáhá určit vhodné fyzikálně-chemické vlastnosti a kombinace nanočástic pro konkrétní produktové řady a testy; (2) detekce a kvantifikace peptidů, proteinů, variant a proteoforem z dat hmotnostních spektrometrů; (3) následné proteomické a proteogenomické analýzy rozsáhlých populačních kohort.

Minulý rok jsme publikovali článek v časopise Advanced Materials, který spojil proteomické metody, nanoinženýrství a strojové učení, abychom lépe pochopili mechanismy vzniku proteinové korony. Odhalil interakce mezi nanočásticemi a biologickými strukturami a pomáhá nám při tvorbě lepších budoucích nanočástic a produktů.

Kromě vývoje nanočástic vytváříme nové algoritmy pro identifikaci variantních peptidů a posttranslačních modifikací. Nedávno jsme vyvinuli metodu detekce lokusů kvantitativních znaků proteinů (pQTL), která je odolná vůči vlivu proteinových variant, známému zdroji zkreslení u proteomiky založené na afinitě. Práci rozšiřujeme o přímou identifikaci těchto peptidů ze surových spekter pomocí de novo sekvenování založeného na hlubokém učení, abychom mohli vyhledávat bez zvětšování spektrálních knihoven.

Náš tým také vyvíjí metody, které vědcům bez hluboké znalosti strojového učení umožní optimálně ladit a používat modely při objevování. Zajišťuje to rámec Seer ML založený na nástroji AutoML, který umožňuje efektivně ladit hyperparametry pomocí bayesovské optimalizace.

A konečně vyvíjíme metody pro omezení efektů mezi šaržemi a zvýšení kvantitativní přesnosti měření hmotnostní spektrometrie. Modelujeme naměřené kvantitativní hodnoty tak, abychom maximalizovali očekávané metriky, například korelaci intenzit peptidů v rámci jedné proteinové skupiny.

Halucinace jsou častým problémem velkých jazykových modelů. Jaká řešení jim mohou předcházet nebo je zmírnit?

Velké jazykové modely jsou generativní metody, které dostanou rozsáhlý korpus a učí se vytvářet podobný text. Zachycují jeho statistické vlastnosti od jednoduchých lokálních jevů, například četnosti společného výskytu určitých slov či tokenů, až po vlastnosti vyšší úrovně napodobující pochopení kontextu a významu.

Nejsou však primárně trénovány ke správnosti. Posilované učení z lidské zpětné vazby (RLHF) a další techniky pomáhají osvojovat žádoucí vlastnosti včetně správnosti, ale neuspějí dokonale. Na základě zadání model vytvoří text, který se nejvíce podobá statistickým vlastnostem trénovacích dat. Často je také správný. Například na otázku „Kdy se narodil Alexandr Veliký?“ pravděpodobně odpoví správně 356 př. n. l., protože toto datum v trénovacích datech často figuruje.

Na otázku „Kdy se narodila císařovna Reginella?“, což je fiktivní postava nepřítomná v trénovacím korpusu, však model pravděpodobně vytvoří smyšlený příběh. Podobně může halucinovat a odpovídat, jako by odpověď znal, pokud správnou odpověď nedokáže získat — ať už neexistuje, nebo z jiných statistických důvodů. To představuje zjevný problém pro závažné aplikace, například dotazy na léčbu konkrétního typu rakoviny.

Dokonalá řešení halucinací zatím neexistují; jsou vlastní návrhu těchto modelů. Částečným řešením je vhodné zadání, například požádat model, aby „pečlivě přemýšlel krok za krokem“. Tím se zvyšuje pravděpodobnost, že si nebude vymýšlet. Vyvíjí se i pokročilejší přístup využívající znalostní grafy. Ty poskytují strukturovaná data, v nichž jsou entity propojeny předem definovaným logickým způsobem. Vytvořit znalostní graf pro danou oblast je náročné, ale možné kombinací automatizovaných a statistických metod a odborné správy dat. Model se zabudovaným znalostním grafem může své výroky ověřovat proti strukturovanému souboru známých faktů a lze jej omezit tak, aby negeneroval tvrzení, která grafu odporují nebo v něm nemají oporu.

Kvůli zásadnímu problému halucinací a patrně také nedostatečným schopnostem uvažování a úsudku jsou dnes tyto modely silné při vyhledávání, propojování a shrnování informací, ale nemohou nahradit lidské odborníky v závažných aplikacích, jako jsou lékařská diagnostika či právní poradenství. Mohou však výrazně zvýšit jejich efektivitu a schopnosti.

Můžete se podělit o vizi budoucnosti, v níž biologii řídí data místo hypotéz?

Tradiční přístup založený na hypotézách, kdy vědci nacházejí vzorce, vytvářejí hypotézy, ověřují je experimenty či studiemi a podle dat upřesňují teorie, ustupuje novému paradigmatu datově řízeného modelování.

V něm vědci začínají rozsáhlou tvorbou dat bez předem stanovených hypotéz. Poté trénují model strojového učení, například velký jazykový model, s cílem přesně rekonstruovat zakrytá data a dosahovat silných výsledků v regresi či klasifikaci v různých navazujících úlohách. Jakmile model přesně předpovídá data a jeho věrnost je srovnatelná se shodou mezi opakováními experimentu, mohou jej vědci zkoumat, aby získali poznatky o biologickém systému a rozpoznali základní biologické principy.

Velké jazykové modely se ukazují jako zvlášť dobré při modelování biomolekulárních dat a mohou podpořit přechod od biologických objevů řízených hypotézami k objevům řízeným daty. Během příštích deseti let bude tento posun stále výraznější a umožní přesně modelovat biomolekulární systémy s podrobností daleko přesahující lidské schopnosti.

Jaký to může mít dopad na diagnostiku onemocnění a objevování léčiv?

Věřím, že velké jazykové modely a generativní AI výrazně promění odvětví věd o živé přírodě. Velmi získá klinická diagnostika, především vzácná a obtížně diagnostikovatelná onemocnění a podtypy rakoviny. Můžeme využít obrovské množství komplexních informací o pacientech, od genomických profilů a reakcí na léčbu po zdravotní záznamy a rodinnou anamnézu, abychom podpořili přesnou a včasnou diagnózu. Pokud tato data dokážeme spojit a zpřístupnit, místo aby byla izolována v jednotlivých zdravotnických organizacích, můžeme výrazně zvýšit přesnost diagnostiky.

Neznamená to, že modely strojového učení včetně velkých jazykových modelů budou diagnostikovat samostatně. Kvůli technickým omezením nebudou v dohledné budoucnosti autonomní, ale budou posilovat lidské odborníky. Pomohou lékaři připravit velmi dobře podložená hodnocení a diagnózy ve zlomku dosavadního času a řádně je dokumentovat a sdělovat pacientovi i celé síti poskytovatelů péče propojených prostřednictvím systému strojového učení.

Odvětví již strojové učení využívá při objevování a vývoji léčiv a zdůrazňuje jeho schopnost snížit náklady a dobu vývoje oproti tradičnímu přístupu. Velké jazykové modely rozšiřují dostupné nástroje a nabízejí výborné rámce pro modelování rozsáhlých biomolekulárních dat, včetně genomů, proteomů, funkčních genomických a epigenomických dat či dat jednotlivých buněk. Základní jazykové modely v dohledné budoucnosti nepochybně propojí všechny tyto modality i rozsáhlé kohorty lidí, u nichž se shromažďují genomické, proteomické a zdravotní informace.

Pomohou vytvářet slibné lékové cíle, identifikovat pravděpodobně aktivní vazebné kapsy proteinů souvisejících s biologickou funkcí a nemocí nebo navrhovat dráhy a složitější buněčné funkce, které lze cíleně ovlivnit malými molekulami či jinými terapeutickými modalitami. Můžeme je také využít k rozpoznání pacientů reagujících a nereagujících na léčivo podle genetické náchylnosti nebo k nalezení nových indikací existujících léků. Mnohé inovativní společnosti využívající AI pro objevování léčiv již tímto směrem nepochybně uvažují a vyvíjejí. Můžeme očekávat další společnosti i veřejné iniciativy zaměřené na využití jazykových modelů pro lidské zdraví a objevování léčiv.

Děkujeme za podrobný rozhovor. Čtenáři, kteří chtějí vědět více, mohou navštívit Seer.

Antoine je vizionářský lídr a zakládající partner Unite.AI, kterého pohání neochvějné nadšení pro utváření a podporu budoucnosti umělé inteligence a robotiky. Jako podnikatel, který založil několik společností, věří, že AI promění společnost stejně zásadně jako elektřina, a často s nadšením hovoří o potenciálu převratných technologií a obecné umělé inteligence (AGI).

Jako futurista se věnuje zkoumání toho, jak tyto inovace budou utvářet náš svět. Je také zakladatelem Securities.io, platformy zaměřené na investice do špičkových technologií, které nově definují budoucnost a proměňují celá odvětví.