Jinhan Kim, CEO společnosti Standigm – Interview Series

Jinhan Kim je CEO společnosti Standigm, workflow AI společnosti pro objevování léků.

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

Začali jste programovat, když jste byli ve 6. třídě, můžete sdílet, jak jste se o to zajímali a na čem jste最初ně pracovali?

Ano – na mém Apple II Plus. To bylo katalyzátorem, který mě změnil z bookworma na tvůrce. Začal jsem programovat, začínaje s programováním v C, z.curiosity. 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?

Získal jsem tituly v oboru aplikované chemie a umělé inteligence na Univerzitě v Edinburghu pod vedením Geoffreye Hintona. Je to neurovědec a počítačový vědec, který prakticky vytvořil hluboké učení. Hinton pracoval na umělých neuronových sítích a navrhl autonomní, inteligentní stroje – a později algoritmy strojového učení. Google si 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, byla mechanismus pro opravu poškození DNA. Chtěl jsem se věnovat práci v oblasti biologie a řešit nejobtížnější problémy. Jak lidské tělo, tak počítače, které myslí jako lidé, jsou stejně komplexní, a je třeba pracovat na tom, aby se jeden z nich pochopil. Systémy AI mohou nejen procházet rozsáhlými vědeckými daty publikovanými za desetiletí z celého světa, ale mohou také zpracovat komplexnost lidského těla a rychle a koherentně zachytit vzorce biologických mechanismů. Bylo snadné vidět, jak biologie a strojové učení jdou ruku v ruce.

Můžete sdílet příběh o vzniku společnosti Standigm?

Moje práce ve zdravotnictví a vědě odhalila, co pro mě bylo velkým problémem v tradičním objevování léků: čas a peníze, které trvalo prohledávat vědecké výzkumné články a screeningové testy nebo nápady, které poskytovaly výchozí bod pro potenciální tvorbu nových léků. Lidští vědci dělali tuto intenzivní výzkum. Já a dva kolegové ze Samsungu, Sang Ok Song a So Jeong Yun, viděli příležitost přenést práci z lidí na inteligentní stroj a navrhnout nový workflow. Kromě toho jsem nechtěl pracovat pro mzdu; chtěl jsem pracovat pro sebe, aby byly metody objevování léků přeneseny na novou standardní paradigmatu, což je geneze práce a název „Standigm“, společnosti, kterou jsme tři založili. Naše modely strojového učení nyní dosahují vysoké předpovědní přesnosti a jejich technologie AI dosahuje maximálního ROI.

Co je problém syntetické dostupnosti a jak Standigm pracuje na jeho řešení?

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

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

Standigm pracuje na tomto problému tak, že najímá zkušené medicínské chemiky a přidává jejich odborné znalosti do generativních modelů, aby mohli navrhnout sloučeniny, které nelze odlišit od těch, které navrhnou lidské odborníky. Standigm nyní má několik různých generativních modelů, které mohou spravovat různé fáze objevování léků: identifikace hitů, hit-to-lead a optimalizace leadů. To ukazuje důležitost mít rozmanité odborné znalosti pro jakoukoli společnost pro objevování léků AI, kde jsou lidské zkušenosti a odborné znalosti většinou používány ke zlepšení modelů AI a zajištění nejlepších workflow pro každý projekt.

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

Obvykle začínáme jakékoli průzkumné projekty tím, že prioritizujeme slibné a nové cílové proteiny pomocí Standigm ASK; naše biologická platforma se skládá z distintních algoritmů pro školení rozsáhlých biologických sítí, využití různých typů nezávislých omických dat, zavedení specifických kontextů biologických systémů a tak dále. Výběr správného cílového proteinu je jedním z kritických problémů v objevování léků. Standigm ASK pomáhá odborníkům na nemoci tím, že poskytuje multiple hypotézy MOA (mechanismus účinku).

Aby byly zajištěny patenty s vysoce ochrannými rozsahy, Standigm BEST provádí různé úkoly, včetně návrhu hitových sloučenin (efektivní průzkum), scaffold hopping (zohlednění syntetické dostupnosti a novosti) a různých prediktivních modelů pro lékové vlastnosti (aktivita, ADME/Tox vlastnosti a fyzikálně-chemické vlastnosti). Mnoho menších úkolů je souvisejících 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 postupy pro tradiční objevování léků?

Výzkumníci ze Standigm syntetizovali stovky nových molekul pro projekty, z nichž mnohé jsou označeny jako hit a lead molekuly v různých kontextech. Díky přijetí modelů založených na 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 o pokračování nebo ukončení projektu učinit v průměru za sedm měsíců místo tří až čtyř let.

Jaké jsou některé úspěchy společnosti Standigm pro potenciální komerční využití léků?

Pomocí Standigm Insight, který sdílí stejnou technickou pozadí jako Standigm ASK, jsme našli molekulu léku, která může být použita pro vzácnou pediatrickou nemoc, validovanou vědcem z jednoho z nejlepších dětských nemocnic v USA. Tento případ ukazuje, že technologie AI může pomoci při objevování léků pro vzácné nemoci, což je obtížný úkol pro společnost jakéhokoli rozsahu kvůli potřebě více komerční hodnoty. Zvláště v tomto recesi, kdy farmaceutické společnosti se snaží být více konzervativní, AI může podporovat výzkum a vývoj ve vzácných a zanedbaných onemocněních.

Jaké je vaše vize pro budoucnost hlubokého učení a generativního AI ve zdravotnictví?

Úspěch technologie AI závisí na dostupnosti vysoce kvalitních dat. Existuje nevyhnutelná velká konkurence kolem zajištění velkého množství vysoce kvalitních dat ve zdravotnickém sektoru. Z užšího pohledu raného objevování léků jsou chemické a biologické údaje drahé a vyžadují dlouhou dobu, aby získaly vysoce kvalitní status. Proto bude automatická laboratoř budoucností pro oblast AI pro objevování léků, 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 pacientů odvozených dat po molekulární biologii; a aby Standigm BEST AI modely mohly být špičkovými díky krmení vysoce kvalitních dat z interních automatizovaných laboratoří a spolupracovníků.

Je něco jiného, co byste rádi sdíleli o Standigm?

Jako je rovnováha diferencovaných odborných znalostí důležitá pro Standigm, je také kritická rovnováha etnických skupin. Rozšiřujeme naši přítomnost 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.