Jinhan Kim, generální ředitel Standigm – Interview Series

Jinhan Kim je generálním ředitelem Standigm, společnosti, která se zabývá workflow AI pro objevování léků.

Od přizpůsobené identifikace cílů po generaci leadů, platforma Standigm workflow AI generuje informace pro každý krok při vývoji komerčně hodnotných léků z interních a partnerských projektů. ​

Začal jste programovat, když jste byl ve 6. třídě, můžete říct, jak jste se o to začal zajímat a na čem jste最初ně pracoval?

Ano, na mém Apple (AAPL ) II Plus. To byla katalyzátorem, který mě změnil z bookworma na tvůrce. Začal jsem programovat, začínaje s programováním v C, z čistého zájmu. Začal jsem se zajímat o principy a teoretické aspekty mého počítače. Odtud jsem se stal celoživotním učitelem v oblasti technologií.

Co vás最初ně přitáhlo k strojovému učení?

Dosáhl jsem svých titulů v aplikované chemii a umělé inteligenci na Univerzitě v Edinburghu pod vedením Geoffreyho Hintona. On je neurovědec a počítačový vědec, který prakticky vytvořil hluboké učení. Hinton pracoval na umělých neuronových sítích a navrhoval autonomní, inteligentní stroje – a později, algoritmy strojového učení. Google (GOOGL ) ho před deseti lety najal, aby vytvořil jejich AI a zbytek je historie.

Kdy jste poprvé začal pracovat na průniku biologie a strojového učení?

Pracoval jsem v Samsung Advanced Institute of Technology, kde jsem vyvíjel algoritmy. Jedním z algoritmů, které jsem vyvinul, byl mechanismus pro opravu poškození DNA. Chtěl jsem se věnovat práci v oblasti biologie a řešit nejkomplikovanější problémy. Jak lidské tělo, tak počítače, které myslí jako lidé, jsou stejně komplikované, a abyste jeden pochopili, musíte pracovat na druhém. Systémy AI nemohou pouze procházet rozsáhlými vědeckými daty publikovanými za desetiletí z celého světa, ale mohou také zpracovat komplikovanosti lidského těla a rychle a koherentně chytit vzorce biologických mechanismů. Bylo snadné vidět, že biologie a strojové učení jdou ruku v ruce.

Můžete sdílet příběh o vzniku Standigm?

Moje práce ve zdravotnictví a vědě odhalila, co pro mě bylo velkým problémem v tradičním objevování léků: čas a peníze, které se vyžadovaly na prohledávání vědeckých výzkumných prací a screeningových studií nebo stop, které poskytovaly výchozí bod pro potenciální novou tvorbu léků. Lidský vědec prováděl tuto intenzivní výzkum. Já a dva kolegové ze Samsungu, Sang Ok Song a So Jeong Yun, viděli příležitost přenést tuto práci z lidí na inteligentní stroj a navrhnout nový workflow. Také jsem nechtěl pracovat pro mzdu; chtěl jsem pracovat pro sebe, aby přinesl metody objevování léků na novou standardní paradigm, což je původ práce a název „Standigm“, společnosti, kterou jsme tři založili. Náš model strojového učení nyní dosahuje vysoké předpovědní přesnosti a jeho technologie AI dosahuje maximálního ROI.

Co je syntetická dostupnost a jak Standigm řeší tento problém?

Generativní modely mohou navrhnout nové molekulární struktury bez pomoci dobře vyškolených medicínských chemiků, což je jeden z nejkritičtějších důvodů pro nadšené přijetí této technologie komunitami objevování léků. Nejvyšší překážka zde je rozdíl v rychlosti mezi návrhem molekul a jejich experimentální syntézou, kde návrh milionů sloučenin trvá pouze hodiny a syntéza pouze deseti molekul trvá týdny nebo měsíce. Protože pouze malá část navržených sloučenin bude syntetizována lidskými odborníky, je důležité mít dobré měřítko molekulárních vlastností.

První generace modelů AI byly hrubé, a syntetici odmítli většinu navržených molekul kvůli obtížnosti syntetického plánu. Některé CRO společnosti dokonce odmítly připravit návrh na tuto syntetickou kampaň.

Standigm pracuje na tomto problému tím, že najímá zkušené medicínské chemiky a přidává jejich odbornosti do generativních modelů, aby mohli navrhnout sloučeniny, které nelze rozlišit od těch, které navrhnou lidské odborníky. Standigm nyní má několik různých generativních modelů, které mohou zvládnout různé fáze objevování léků: identifikace hitů, hit-to-lead a optimalizace leadů. To ukazuje důležitost rozmanitých odborností pro jakoukoli společnost pro objevování léků AI, kde lidské zkušenosti a odbornosti se většinou používají ke zlepšení modelů AI a zajištění nejlepších workflow místo každého projektu.

Můžete diskutovat o typech algoritmů, které Standigm používá pro facilitaci objevování léků?

Obvykle začínáme jakýkoli průzkumný projekt tím, že priorizujeme slibné a nové cílové proteiny pomocí Standigm ASK; naše biologická platforma se skládá z distintních algoritmů pro trénování rozsáhlých biologických sítí, využití různých typů nezávislých omických dat, zavedení specifických kontextů biologických systémů a tak dále. Výběr správného cílového proteinu je jedním z nejkritičtějších problémů v objevování léků. Standigm ASK pomáhá odborníkům na onemocnění tím, že poskytuje více hypotéz MOA (mechanismus účinku).

Pro zajištění patentů s vysoce ochrannými rozsahy Standigm BEST provádí různé úkoly, včetně návrhu hitových sloučenin (účinné prohledávání), scaffold hopping (zvažující syntetickou dostupnost a novinku) a různých prediktivních modelů pro lékové vlastnosti (aktivita, ADME/Tox vlastnosti a fyzikálně-chemické vlastnosti). Mnoho menších úkolů je spojeno s těmito většími, jako je DTI (interakce lék-cíl), AI-asistované molekulární simulace, predikce selektivity a multi-parametrická optimalizace.

Kolik času je obvykle ušetřeno při generaci nových sloučenin ve srovnání s tradičními postupy objevování léků?

Výzkumníci Standigm syntetizovali stovky nových molekul pro projekty, z nichž mnohé jsou označeny jako hit a lead molekuly v různých kontextech. Díky přijetí modelů AI a komerčních zdrojů Standigm snížil čas pro první kolo generace nových sloučenin z šesti měsíců na průměrně dva měsíce pro většinu projektů. Nyní lze první rozhodnutí go/no-go učinit v průměru za sedm měsíců místo tří až čtyř let.

Jaké jsou některé úspěchy Standigm pro potenciální komercializaci léků?

Pomocí Standigm Insight, který sdílí stejný technický pozadí jako Standigm ASK, jsme našli molekulu léku, která může být použita pro vzácné pediatrické onemocnění, ověřenou vědcem z jednoho z nejlepších dětských nemocnic v USA. Tento případ ukazuje, že technologie AI může pomoci při objevování léků pro vzácná onemocnění, což je obtížný úkol pro společnost jakéhokoli velikosti kvůli potřebě více komerční hodnoty. Zvláště v této recesi, kdy farmaceutické společnosti se snaží být více konzervativní, AI může podporovat výzkum a vývoj v oblasti vzácných a zanedbávaných onemocnění.

Jaký je váš pohled na budoucnost hlubokého učení a generativního AI ve zdravotnictví?

Úspěch technologie AI závisí na dostupnosti vysoce kvalitních dat. Existuje nevyhnutelná soutěž kolem zajištění velkého množství vysoce kvalitních dat ve zdravotnickém sektoru. Z užší perspektivy raného objevování léků, chemických a biologických dat jsou drahá a vyžadují dlouhou dobu, aby získala vysoce kvalitní status. Proto bude automatizovaná laboratoř budoucností pro oblast objevování léků AI, protože může snížit náklady na vysoce kvalitní data – palivo pro technologii AI. Tlačíme naše technologické platformy na další úroveň, aby Standigm ASK mohl poskytnout více zjevných důkazů, od pacientských dat po molekulární biologii; a aby modely Standigm BEST AI byly špičkové díky krmení vysoce kvalitních dat z interních automatizovaných laboratoří a spolupracovníků.

Je něco jiného, co byste chtěl sdílet o Standigm?

Jako je důležité vyvážení diferencovaných odborností pro Standigm, je také kritické vyvážení etnických skupin. Rozšiřujeme naše přítomnosti v globálním prostředí založením kanceláří ve Spojeném království (Cambridge) a USA (Cambridge, MA) za účelem zahrnutí přítomnosti sítí a transformace Standigm na více mezinárodní firmu.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Standigm.