Alan Murray, medstifter og administrerende direktør i Conceivable Life Sciences – Interviewserie

Alan Murray, medstifter og administrerende direktør, Conceivable Life Sciences – er en ingeniør og serieiværksætter med mere end tre årtiers erfaring inden for teknologi, maskinlæring, hardware, logistik og virksomhedsopbygning. Før han startede Conceivable, var han medstifter af TMRW Life Sciences, hvor han hjalp med at udvikle en automatiseret platform til at håndtere og sikre frosne æg og embryoner, der bruges til in vitro-fertilisering (IVF). Murray er også medstifter og partner i Coriolis Ventures og har hjulpet med at etablere virksomheder inden for digitale medier, hospitality og life sciences, herunder Integral Ad Science , Dstillery og NeueHouse. I Conceivable fungerer han som både strategisk leder og hovedarkitekt for AURA, hvor han overvåger integrationen af robotteknologi, avanceret billedbehandling og maskinlæring i fertilitetslaboratoriearbejdsprocesser.

Conceivable Life Sciences er en bioteknologivirksomhed, der udvikler AURA, en automatiseret IVF-laboratorieplatform, der koordinerer de komplekse processer, der er involveret i at skabe, dyrke og bevare embryoner. I stedet for at automatisere en enkelt procedure integrerer platformen robotteknologi, software, avanceret optik, kunstig intelligens og laboratorieudstyr på tværs af IVF-arbejdsprocessen, samtidig med at den opretholder digital sporbarhed og giver embryologerne mulighed for at beholde kontrollen over kliniske beslutninger. Conceivable har til formål at bruge denne standardiserede tilgang til at reducere variation, udvide laboratoriekapacitet og gøre fertilitetsbehandling mere tilgængelig og billigere for familier, der i øjeblikket står over for høje omkostninger eller begrænsede muligheder for at få adgang til specialiseret behandling.

I tidligere havde du medstiftet TMRW Life Sciences, hvor du hjalp med at introducere automation i lagring og håndtering af frosne æg og embryoner. Hvad lærte denne oplevelse dig om begrænsningerne i dagens fertilitetsinfrastruktur, og hvad overbeviste dig om at stifte Conceivable Life Sciences og tage på sig den mere komplekse udfordring med at automatisere embryodannelse?

Hos TMRW automatiserede vi, hvordan æg og embryoner lagres og spores, når de først eksisterer. Det løste et virkeligt problem, da kæden af ejerskab i kryokonservning er uforgivende, og det er meget vigtigt for patienterne. Men det viste mig også begrænsningerne af, hvad lagringsautomation alene kan løse. Flaskehalsen i IVF var aldrig rigtig, hvad der sker efter, at embryonet er lavet. Det er lavningen af det. Det arbejde afhænger stadig af en lille gruppe højt trænede embryologer, der udfører manuelle, gentagne, sub-mikron præcisionsopgaver for hånden, og resultatet varierer afhængigt af, hvem der holder pipetten den dag.

Når jeg startede TMRW, blev fertilitetslagringsmarkedet stadig behandlet som et nichehjørne af reproduktionsmedicin. Jeg så det ikke på den måde. Forsinket forældreskab blev mere almindeligt, flere mennesker fryser æg og sæd tidligere, arbejdsgivere begyndte at tilføje fertilitetsbevarelse til forsikringspakker, og LGBTQ+- og enforældre-samfundene byggede familier gennem æg- og sædbanking i en skala, som industrien ikke havde planlagt. Alt dette pegede på et lagrings- og sporingproblem, der var på vej til at blive meget større, meget hurtigere end de fleste mennesker i branchen havde forventet. Det er en del af, hvorfor kæden af ejerskab betød så meget for mig hos TMRW. Hvis du bygger til en marked, der er på vej mod den slags skala, kan du ikke afhænge af manuel sporing og menneskelig hukommelse til at holde æg, sæd og embryoner rette. Automatisering af lagring og sporing var ikke kun om at gøre dagens arbejde bedre, men om at bygge infrastruktur, der kunne holde til, når antallet af patienter, cykler og prøver voksede med en størrelsesorden.

I 2018 begyndte jeg at designe, hvad der blev til AURA, fra bunden og op, fra mikrofluidik til robotintegration til injektionsteknik. Hvad overbeviste mig om at skabe Conceivable, var ret enkelt: hvis vi kunne bringe samme rigor til embryodannelse, som fremstilling og robotteknologi har bragt til andre præcisionsindustrier, kunne vi gøre IVF mere konsekvent og mere tilgængeligt på samme tid. Det var det sværere problem, men det var det, der var værd at løse.

AURA koordinerer mere end 200 trin på tværs af sammenhængende systemer til skålsforberedelse, sædbehandling, ægidentifikation, intracytoplasmisk sædinjektion, inkubation, robottransport og vitrifikation. Hvordan fungerer softwaren, robotteknologien, billedbehandlings-systemerne og laboratorieudstyret som en samlet platform, samtidig med at de opretholder sporbarhed for hvert æg, sædcelle og embryo?

AURA kører disse mere end 200 trin som ét sammenhængende system snarere end en kæde af separate maskiner. Softwarelaget er det, der gør det muligt. Hver handling, hver billedbehandling, hver måling er knyttet til et bestemt æg, sædcelle eller embryo gennem hele cyklen, så der er en fuldstændig digital optagelse af, hvad der sker og hvornår.

Denne sporbarhed er den del, som folk undervurderer. I en konventionel laboratorie lever meget af denne historie i en embryologs noter og hukommelse. I AURA er det struktureret data fra det første trin til det sidste, hvilket er det, der giver robotteknologien, billedbehandlingen og laboratorieudstyret mulighed for at koordinere i realtid og giver en embryolog mulighed for at træde ind på et hvilket som helst tidspunkt med fuld kontekst, ikke en delvis billedbehandling.

Din tekniske stak omfatter en Detection Transformer til at hjælpe med sædidentifikation, avanceret billedbehandling til at lokalisere æg og vision-sprog-handlingsmodeller, der er designet til at guide følsomme fysiske procedurer. Hvordan trænes disse modeller, hvilke signaler vurderer de, og hvordan bestemmer systemet, hvornår en embryolog skal gribe ind?

Vi bruger computerbilledbehandlingsmodeller (herunder YOLO og RT-DETR) til at fokusere mikroskoper, kalibrere robotpositioner, identificere og spore sæd, lokalisere og vurderer æg og guide robotterne under procedurer som ICSI (kombinationen af sæd og æg til at skabe et embryo).

Disse modeller trænes på en stadig voksende bibliotek af højopløste mærkede billeder, der er optaget fra tidligere tilfælde. Vores AI-ingeniørudfordringer omfatter at opnå ultralav latency-inferens til præcist at koordinere laser og robotbevægelser.

DU har draget inspiration fra halvlederfremstilling og autonome køretøjer, brancher, der kombinerer perception, planlægning og præcis fysisk udførelse. Hvilke ingeniørprincipper overførtes succesfuldt til embryologi, og hvilke måtte redesignes, fordi AURA manipulerer med levende celler snarere end fremstillede komponenter?

Ingeniørprincipperne, der overførtes godt, var omkring præcisionsfremstilling i stor skala: stram proceskontrol, sensorfusion, behandling af variation som noget, der skal måles og designes ud, snarere end accepteres. Autonome køretøjer gav os en god model for, hvordan perception, planlægning og udførelse skal arbejde sammen i realtid, og hvordan et system skal opføre sig, når det ikke er sikker på, hvad det ser.

Hvad der måtte redesignes næsten fuldstændigt, var vores tolerance for det uventede. En halvleder-plate opfører sig på samme måde hver gang. En levende celle gør ikke. To æg fra samme patient kan se forskellige ud, opføre sig forskelligt og reagere forskelligt på samme procedure. Så i stedet for at bygge mod en enkelt “korrekt” udgang, måtte vi bygge et system, der kan genkende en bred vifte af biologisk variation og kender forskellen mellem normal variation og noget, der kræver, at en person ser på det. Det er et fundamentalt andet ingeniørproblem end noget i chipfremstilling eller kørsel.

Conceivable beskriver hver AURA-cyklus som en bidragyder til en data-hjul, der består af standardiseret procesinformation, som konventionelle laboratorier ikke let kan indsamle. Hvad data indsamles under en cyklus, hvordan kan det forbedre fremtidige modeller, og hvordan håndterer I patienthemmelighed, demografisk bias, forskelle mellem klinikker og risikoen for at opdatere kliniske AI-systemer?

Hver AURA-cyklus genererer en standardiseret dataset: billeder, sensordata, timing og resultater knyttet til hvert trin, på et niveau af detaljer, som manuelt IVF-laboratorier simpelthen ikke producerer i dag, fordi så meget af processen ikke er optaget systematisk. Denne data føder tilbage til forbedring af vores modeller over tid, hvilket er en af de virkelige fordele ved automatisering. Systemet bliver bedre med volumen på en måde, som manuelle processer ikke kan.

Vedrørende patienthemmelighed håndteres patientdata anonymt til modeltræning og håndteres under de samme regulatoriske standarder, der gælder for klinisk data generelt. Vedrørende bias er vi bevidste om at træne på data fra forskellige patientpopulationer og kliniske steder, så modellerne ikke kun fungerer godt for de demografiske grupper, der er bedst repræsenteret i tidlige data. Forskelle mellem klinikker er en reel variabel, vi sporer for, da laboratorieforhold og patientpopulationer varierer. Og vedrørende opdatering af kliniske AI-systemer på en sikker måde, går enhver modelopdatering gennem validering, før den deployes, og vi bevæger os ikke hurtigere, end beviserne understøtter det. Vi vil hellere være rette end først.

Conceivable har gennemført pilotstudier, der involverer mere end 100 patienter og over 1.000 æg. Hvilke kliniske endepunkter vil være mest vigtige i at bevise, at automation kan forbedre konsistens, sikkerhed, embryoudvikling, graviditetsrater eller fødselsresultater i forhold til konventionel manuel IVF?

Med mere end 100 patienter og over 1.000 æg i vores pilotarbejde er de endepunkter, der betyder noget, de, der faktisk forudsiger en sund udgang for en patient, ikke kun procesmetrik. Befrugtningsrate, embryoudvikling til blastocyst, og euploidi-rater fortæller os, om biologien opfører sig, som den skal. Derefter fortæller implantations- og graviditetsrater os, om det oversætter sig til en reel chance for et barn. Fødsel er det endepunkt, der betyder mest, og det er også det, der tager længst tid at samle, da det tager måneder efter overførslen at vide.

Hvad vi er mest fokuserede på at bevise, er konsistens: at AURA producerer den samme kvalitetsudgang uanset, hvilket laboratorium, hvilken dag eller hvilken patientpopulation det serverer. Det er det stykke, manuel IVF aldrig har kunnet garantere, og det er det stykke, automatisering er bygget til at løse.

C:VIT er designet til at afkøle embryoner op til 50 gange hurtigere end konventionelle vitrifikationsmetoder, samtidig med at den standardiserer kryoprotokol-exponering og reducerer iskrystal-dannelse. Hvordan oversætter hurtigere afkøling sig til klinisk meningsfulde fordele, og hvad bevis er nødvendigt for at demonstrere forbedringer i embryoverlevelse, implantation og fødselsrater?

Den kliniske logik er ret enkel: langsommere afkøling giver iskrystaller mere tid til at danne sig, og iskrystaller skader cellestrukturen. Hurtigere, mere standardiseret afkøling reducerer denne risiko og giver hvert embryo den samme kryoprotokol-exponering, snarere end en exponering, der varierer afhængigt af, hvilken embryolog, der udfører proceduren, og hvor hurtigt de arbejder.

Vi designede C:VIT til at forbedre embryoverlevelse gennem fryse-tø-cyklen, hvilket er det første og mest umiddelbare, der skal måles. Derefter er det bevis, der betyder noget, implantations- og fødselsrater i embryoner, der er vitrificeret med C:VIT i forhold til konventionelle metoder. Vi bygger dette bevis op bevidst, gennem kontrollerede studier, før vi fremsætter krav om resultater i stor skala.

Conceivable understreger, at AURA er automation-assisteret og at kliniske beslutninger forbliver hos embryologerne. Hvilke beslutninger skal altid forblive under menneskelig kontrol, hvad sikkerhedsforanstaltninger giver en embryolog mulighed for at stoppe eller overtage systemet, og hvordan håndteres ansvar, når en AI-anbefaling eller en robotisk handling påvirker et æg eller et embryo?

Hver beslutning, der påvirker klinisk dømmekraft, om et æg er livskraftigt, om et embryo er egnet til overførsel, om at fortsætte med en procedure, forbliver hos embryologen. AURA er automation-assisteret. Det er designet til at udføre fysiske opgaver med præcision og konsistens og til at flagge noget, der ligger uden for forventede parametre, men det tager ikke kliniske beslutninger på egen hånd.

Embryologer kan stoppe eller overtage systemet på et hvilket som helst tidspunkt i en cyklus, og systemet er designet til at gøre det let, ikke noget, man skal kæmpe mod grænsefladen for at gøre. Vedrørende ansvar er hver handling, AURA tager, logget og knyttet til den embryolog, der overvåger denne cyklus, så der er en klar optagelse af, hvad systemet gjorde, hvad det flaggede, og hvilken beslutning et menneske tog i svaret. Denne sporbarhed er det, der gør ansvar muligt fra starten.

Conceivable og IVI RMA planlægger at udvikle det første AURA-system på en klinik i USA i 2027. Hvilke regulatoriske, kliniske validerings-, infrastruktur- og arbejdsproces-udfordringer skal løses, før platformen kan flyttes fra kontrollerede studier til rutinepatientbehandling?

Der er rigtigt arbejde foran os på fire fronter. Regulatorisk: at arbejde gennem den passende vej med FDA for et system, der kombinerer robotteknologi, software og reproduktionsmedicin, som ikke har mange præcedenser at følge. Klinisk validering: at bygge bevisbasen i den skala, der er nødvendig for en amerikansk klinisk kontekst, ud over hvad pilotstudier kan vise. Infrastruktur: at oprette den fysiske udvikling på en amerikansk klinik med IVIRMA, som er en betydelig indsats i sig selv. Og arbejdsproces: at sikre, at embryologer og klinisk personale på det første sted er trænet og komfortable med systemet, før det kommer i kontakt med patientbehandling.

Ingen af disse er små, og vi behandler 2027 ikke som en dato, vi rammer uanset, hvor beviserne lander. Det er den dato, vi arbejder mod, når valideringen understøtter det.

IVF forbliver dyrt, geografisk begrænset og afhængigt af en relativt lille gruppe højt trænede specialister. Hvad skal ændre sig i økonomien og driftsmodellen for fertilitetsbehandling, så automatisering kan gøre IVF mere tilgængeligt, og hvordan vil I måle, om AURA virkelig reducerer omkostningerne per succesfuld fødsel?

Kernen i problemet er, at IVF har afhængigt af en lille gruppe højt trænede specialister, der udfører manuelt arbejde, der ikke kan skaleres. Det er det, der gør det dyrt og geografisk begrænset. Det er ikke en mangel på efterspørgsel, det er en flaskehals i tilbud.

Vi har nyligt co-forfattet en studie, der ser på omkostning-pr-til-barn som en andel af husholdningsindkomst på tværs af 25 lande, og mønsteret er slående. Lande, hvor den netto-omkostning, en patient betaler, er under omtrent halvdelen af den gennemsnitlige husholdningsindkomst, Israel, Japan, Spanien, Taiwan, ser IVF stå for noget i retning af 9 til 12 procent af alle fødsler. I USA, hvor netto-omkostninger typisk løber over 75 procent af husholdningsindkomsten, er dette tal omkring 2,5 procent. Tilgængelighed er ikke en af mange faktorer. Det ser ud til at være den primære barriere. Hvis USA så lignende gevinster som det, studiet fandt andre steder, kunne det betyde noget i retning af 140.000 til 160.000 ekstra fødsler om året. Bag dette tal er der familier, der ønsker et barn og ikke kan betale vejen til et.

Automatisering løser denne flaskehals direkte: en standardiseret platform kan bringe laboratoriepræcision til flere steder uden at kræve samme koncentration af sjældne, højt trænede talenter i hver klinik, og færre cykler per succesfuld resultat er det, der faktisk flytter omkostningerne. For at måle, om AURA virkelig reducerer omkostningerne per fødsel, er det tal, der betyder noget, ikke omkostning pr. cyklus. Det er omkostning pr. fødsel, da en billigere cyklus, der ikke virker, ikke er mere tilgængelig for en familie. Vi sporer dette tal direkte, mens vi skalerer, og vi vil hellere være konservative om, hvad vi påstår, indtil data understøtter det.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Conceivable Life Sciences.