Andrew Watson, Vicepræsident for AI og R&D hos Healx – Interviewserie

Andrew Watson er Vicepræsident for AI og R&D hos Healx.

Healx er et AI-drevet, patientinspireret teknologiselskab, der er dedikeret til at hjælpe patienter med sjældne sygdomme verden over med at få adgang til livsforbedrende behandlinger. Der er 7.000 kendte sjældne sygdomme, der påvirker 400 millioner mennesker på verdensplan, men kun 5% af disse tilstande har godkendte behandlinger. Healx bruger kunstig intelligens (AI) til at identificere nye behandlinger for sjældne sygdomme fra eksisterende stoffer og fremme dem til patienter, der har brug for dem. Deres innovative tilgang betyder, at de kan accelerere tempoet, øge skalaen og forbedre chancen for succes i udviklingen af behandlinger for sjældne sygdomme.

Hvad var det, der oprindeligt tiltrak dig til feltet maskinlæring?

Min første introduktion til maskinlæring var under en forelæsning om ‘Evolutionære Algoritmer’ under min første uddannelse på University of Exeter. Vi lærte at programmere en algoritme, der designede to-dimensionelle legetøjsbiler, starting fra en tilfældig samling af hjul og komponenter, før vi vurderede deres præstation og itererede for at skabe efterfølgende generationer, der opførte sig bedre og bedre i forhold til en målestok, vi definerede. Jeg var fascineret af, at software kunne udføre tusindvis af designiterationer uden noget menneskeligt indgreb, og derefter gjorde jeg måske for meget, da jeg prøvede at automatisere absolut alt! Denne evolutionære tilgang var den samme, som NASA anvendte til at designe sin ST5-antenne, der ser ud som noget, en menneskelig ekspert ikke ville have skabt.

Du har altid været fascineret af at anvende maskinlæring og AI-teknikker til svære problemer, hvilke udfordringer mødte du før du kom til Healx?

Jeg har været heldig at have muligheden for at anvende maskinlæring og AI i en række sammenhænge, fra at afbryde terrorister til at identificere og afhjælpe computer-malware, og lige før jeg kom til Healx, kombinerede jeg AI med en dyb forståelse af brugeradfærd til at skabe intelligente maskiner til brug hjemme og udenfor hos Dyson.

Det er let for AI at blive en gimmick, men mit mål har altid været at finde meningsfulde anvendelser, enten det er at udlede mening fra store mængder information eller reducere en brugers kognitive belastning gennem beslutningsstøttesystemer. Vores mission hos Healx er at arbejde på en af de ultimative udfordringer, lige på intersectionen mellem AI og menneskebiologi, for at hjælpe nogle af de mennesker, der har mest brug for det: de med sjældne sygdomme.

Hvad er nogle af dine nuværende ansvarsområder hos Healx?

Jeg overvåger R&D-holdet, der i sidste ende er ansvarligt for at levere stofprædiktioner til vores kolleger i Preclinical-holdet hos Healx. Vi gør dette ved at forstå både den underliggende biologi i en sygdom, vi arbejder på, og virkningsmekanismen for potentielle stoffer, der kan hjælpe med at behandle den, alt sammen kørende på vores proprietære AI-platform, Healnet.

Healnet analyserer eksisterende stof- og sygdomsdata fra biomedicinsk forskning, videnskabelig litteratur, patientindsigter og Healx’ egne kurerede kilder for at danne en sjælden sygdoms viden graf. Vi bruger derefter avanceret AI og NLP-modeller til at udvinde denne graf for at finde nye muligheder for at genskabe, kombinere og endda forbedre stofmolekyler for at behandle en tilstand.

Kunne du diskutere nogle af de maskinlærings-teknologier, der bruges af Healnet-stoffets opdagelsesplatform til at identificere nye terapier for sjældne sygdomme fra stoffer, der allerede eksisterer?

Ja! Healx bruger en række AI- og NLP-metoder til at spotte ikke-åbenlyse sygdom-stof-forhold med den højeste sandsynlighed for succes.

En af vores mest almindelige metoder kaldes Sygdom-Gen-Expression-Matching, eller DGEM. Denne metode sammenligner gen-udtryksprofilen for en bestemt sygdom med gen-udtryksprofiler fra Healx’ kurerede stofdatabase, der indeholder tusindvis af stofsignaturer fra offentlige og private kilder og dækker en række farmakologiske klasser, herunder en blanding af godkendte og undersøgelsesstoffer. DGEM prædikterer derefter, hvilke stoffer, der sandsynligvis vil være effektive behandlinger baseret på de mest differentielt udtrykte gener i gen-udtryksprofilerne. Metoden fungerer på præmis, at en stofmekanisme med den modsatte mekanisme-profil til en sygdom ville være en stærk kandidat til en effektiv behandling. Vi brugte faktisk denne metode til at finde de ledende stoffer, vi nu undersøger som en del af vores IMPACT-FXS-prøve på Fragile X-syndrom – verdens førende genetiske årsag til læringssvigt.

En anden metode er Prædiktion af Genskabte Indikationer med Lighedsmatricer (PRISM), der bruger principperne om, at hvis et stof behandler en bestemt sygdom, så kan et lignende stof måske behandle en lignende sygdom. For at bestemme ligheden mellem stoffer, betragter PRISM målproteiner, struktur-lighed og bivirkninger, og for at bestemme ligheden mellem sygdomme, betragter PRISM målgener, ontologisk struktur og fænotyper. En maskinlæringsalgoritme bruges derefter til at kombinere disse ligheder for at prædiktere nye behandlingsmuligheder.

Vi har nu udviklet over 10 monoterapi- og kombinationsbehandling-prædiktionmoduler for at identificere flere nye terapeutiske muligheder for sjældne tilstande, og kritisk set er disse modeller trænet til at opdage ny sygdomsbiologi og virkningsmekanismer, uden at være begrænset til en enkelt biologisk mål (hvad der er et problem med traditionelle stofopdagelsesmetoder).

Når et stof er identificeret som en mulig kandidat, hvordan beslutter systemet så, om det skal gå videre til kliniske prøver?

Takket være vores AI-algoritmer og vores proprietære datakilder kan vi reducere en liste på omkring 15.000 mulige stoffer til 100 eller så sandsynlige behandlingskandidater.

Når vi har denne liste, overfører vi den til vores prekliniske team – bestående af eksperter i farmakologi og stofopdagelse – som anvender deres betydelige videnskabelige og medicinske viden om sygdommen og stofferne til at gennemgå prædiktionerne og vælge de mest sandsynlige stofkandidater til at behandle en bestemt sygdom. Vi giver også det prekliniske team AI-genereret begrundelse for at støtte prædiktionerne, og forklarer, hvorfor et stof, der måske ser uvant ud på første hånd, er værd at bemærke.

Når de har begrænset listen igen til omkring 10-20 kandidater, fremmer vi disse stoffer til preklinisk validering, som indebærer test af et stof i cellekulturer og modeller, før det testes på mennesker under den kliniske prøvefase. Disse studier vil afsløre, om et stof sandsynligvis vil være effektivt, sikkert og afsløre, hvilke bivirkninger det måske har. De beslutter også, hvilke stoffer kan kombineres eller forbedres til en mere effektiv behandling.

Kunne du uddybe, hvad Fragile X-syndrom er, og nogle af de seneste succeser med at afsløre potentielle stofkandidater?

Fragile X-syndrom er en sjælden neuroudviklingsforstyrrelse, der forårsager en række intellektuelle og kognitive svigt. Det påvirker omtrent 1 ud af 4.000 mænd og 1 ud af 8.000 kvinder – men der er i øjeblikket ingen effektive eller godkendte behandlinger for tilstanden tilgængelige.

Healx’ mål er at ændre dette ved at forsøge at bringe mindst en ny og effektiv kombinationsbehandling for tilstanden på markedet i de næste få år.

Vi har gjort fremragende fremskridt på dette mål indtil nu, og har afsløret flere kandidater for tilstanden gennem vores AI- og omik-baserede stofmatchningsmetoder (herunder DGEM, som jeg nævnte tidligere). HLX-0201, der oprindeligt blev godkendt som et nonsteroidalt antiinflammatorisk stof, er vores mest lovende kandidat, og spændende nok har vi nu modtaget godkendelse til en undersøgelsesnyhed (IND) fra den amerikanske fødevare- og lægemiddelstyrelse (FDA) for fase 2a-klinisk studie af stoffet sammen med HLX-0206, der blev identificeret som en potentiel kombinationspartner ved hjælp af Healx’ proprietære kombinationsprædiktionsmetoder.

IMPACT-FXS-studiet er nu i gang på flere steder i USA, hvilket er rigtig spændende, og vi håber at have mere at dele om det snart!

Det er værd at nævne, at Healx har arbejdet tæt sammen med FRAXA Research Foundation, en førende forsknings- og støtteorganisation for Fragile X i USA, og andre organisationer for at hjælpe os med at forstå mere om tilstanden og få adgang til prekliniske data og modeller, der har tilladt os at fremme vores prædiktioner hurtigt til klinisk studie.

Hvad ser du som fremtiden for AI i målet om at ramme sjældne sygdomme?

Jeg tror, der er potentiale for at se AI og andre frontteknologier udrullet på tværs af hele stofopdagelses- og udviklingsprocessen, og hjælpe med at overvinde nogle af de konventionelle udfordringer omkring tid, omkostninger og risiko.

Vi ser allerede en udvikling af selskaber i det bredere stofopdagelsesrum, der bruger AI til at gøre alt fra at analysere sygdomsdata og etablere biomarkører til at syntetisere proteiner og designe nye stoffer, helt op til at analysere virkelige beviser og køre kliniske prøver understøttet af ‘digital tvilling’-kontrolarme.

Alt dette vil være enormt fordelagtigt for opdagelsen af behandlinger for sjældne sygdomme, hvor der er hindringer omkring manglende relevant sygdomskendskab eller små patienttal. NLP kan hjælpe med at udfylde hullerne i forståelsen ved at aggregere opdateret data, mens ML kan prædiktere, hvilke eksisterende behandlinger kan genskabes og hvorfor. Måske mest spændende er det, at AI kan give os den automatisering, der er nødvendig for at finde og udvikle behandlinger i stor skala. Og når beregningskraften og fremskridtene i AI øges, kan vi skala det op hurtigt.

Er der noget andet, du gerne vil dele om Healx?

Dette er en rigtig god tid at være i rummet, og det er en ære at arbejde med disse frontteknologier for at løse nogle af de mest komplekse problemer, der findes. Vi er altid på udkig efter mennesker, der er passioneret om vores mission, til at slutte sig til holdet, og jeg anbefaler stærkt, at de, der er interesseret, tjekker vores ledige stillinger.

Vi har også nogle spændende udviklinger og projekter i pipeline hos Healx, som du kan følge med via vores website, og vi håber at kunne dele nogle af disse med dig snart.

Tak for det gode interview, jeg ser frem til at følge med i fremgangen hos Healx, et selskab, der uden tvivl vil have en positiv indvirkning på mange. Læsere, der ønsker at lære mere, bør besøge Healx.