Andrew Watson, Vice President of AI and R & D at Healx – Interview Serie

Andrew Watson er Vice President of AI and R & D at 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 terapier. Der er 7.000 kendte sjældne sygdomme, der påvirker 400 millioner mennesker på tværs af kloden, 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 for udviklingen af behandlinger for sjældne sygdomme.

Hvad var det, der oprindeligt tiltrak dig til feltet machine learning?

Min første introduktion til machine learning 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 blev bedre og bedre i forhold til en måling, vi definerede. Jeg var fascineret af, at software kunne udføre tusindvis af design-iterationer uden noget menneskeligt indgreb, og derefter gjorde jeg sandsynligvis 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 ikke ligner noget, en menneskelig ekspert ville have skabt.

Du har altid været fascineret af at anvende machine learning- og AI-teknikker til svære problemer, hvad var nogle af disse udfordringer, du stødte på før du kom til Healx?

Jeg har været heldig at have muligheden for at anvende machine learning og AI i en række sammenhænge, fra at forstyrre terrorister til at identificere og afværge computer-malware, til, lige før jeg kom til Healx, at kombinere AI med en dyb forståelse af brugeradfærd for at skabe intelligente maskiner til brug omkring hjemmet og udover hos Dyson.

Det er let for AI at blive en gimmick, men mit mål har altid været at finde meningsfulde anvendelser, enten ved at udlede mening fra enorme mængder af information eller ved at reducere en brugers kognitive belastning gennem beslutningsstøttesystemer. Vores mission hos Healx er at arbejde på en af de ultimative udfordringer, lige ved intersectionen mellem AI og menneskelig biologi, 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 ultimativt er ansvarlig for at give lægemiddelforudsigelser til vores kolleger i det prækliniske team hos Healx. Vi gør dette ved at forstå både den underliggende biologi i en sygdom, vi arbejder på, og virkningsmekanismen af potentielle lægemidler, der kan hjælpe med at behandle det, alt sammen kørende på vores proprietære AI-platform, Healnet.

Healnet analyserer eksisterende lægemiddel- og sygdomsdata fra biomedicinsk forskning, videnskabelig litteratur, patientindsigter og Healx’s egne kurerede kilder for at danne en graf over viden om sjældne sygdomme. Vi bruger herefter avancerede AI- og NLP-modeller til at udvinde denne graf for at finde nye muligheder for at genskabe, kombinere og endda forbedre lægemiddel-molekyler for at behandle en tilstand.

Kunne du diskutere nogle af de maskinlærings-teknologier, der anvendes af Healnet-lægemiddelforskningsplatformen til at identificere nye terapier for sjældne sygdomme fra lægemidler, 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 Disease-Gene Expression Matching, eller DGEM. Denne metode sammenligner gen-udtryksprofilen for en bestemt sygdom med gen-udtryksprofiler fra Healx’s kurerede lægemiddeldatabase, der indeholder tusindvis af lægemiddelsignaturer fra offentlige og private kilder og dækker en række farmakologiske klasser, herunder en blanding af godkendte og undersøgelsesmæssige stoffer. DGEM forudser herefter, hvilke lægemidler, der sandsynligvis vil være effektive behandlinger baseret på de mest differentielt udtrykte gener i gen-udtryksprofilerne. Metoden fungerer på basis af, at en lægemiddel-mekanisme med den modsatte mekanisme-profil i forhold 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 Prediction of Repurposed Indications with Similarity Matrices (PRISM), der bruger principperne om, at hvis et lægemiddel behandler en bestemt sygdom, så kan et lignende lægemiddel måske behandle en lignende sygdom. For at bestemme lignetheden mellem lægemidler, betragter PRISM mål-proteiner, struktur-lignethed og bivirkninger, og for at bestemme lignetheden mellem sygdomme, betragter PRISM mål-gener, ontologisk struktur og fænotyper. En maskinlæringsalgoritme bruges herefter til at kombinere disse lignetheder for at forudse nye behandlingsmuligheder.

Vi har nu udviklet over 10 monoterapi- og kombinationsbehandling-forudsigelsesmoduler for at identificere endnu 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 (hvilket er noget af et problem med traditionelle lægemiddelforskningsmetoder).

Når et lægemiddel 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 lægemidler til 100 eller så lægemiddel-behandlinger.

Når vi har denne liste, overføres den til vores prækliniske team – bestående af eksperter i farmakologi og lægemiddelforskning – der anvender deres betydelige videnskabelige og medicinske viden om sygdommen og lægemidlet til at gennemgå forudsigelserne og vælge de mest sandsynlige lægemiddel-kandidater til at behandle en bestemt sygdom. Vi giver også det prækliniske team AI-genereret begrundelse for forudsigelserne, der 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, fremmes disse stoffer til præklinisk validering, der indebærer test af et lægemiddel 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 (hvis nogen) bivirkninger det måske har. De beslutter også, hvilke lægemidler kan kombineres eller forbedres for en mere effektiv behandling.

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

Fragile X-syndrom er en sjælden neuroudviklingsforstyrrelse, der forårsager en række intellektuelle og kognitive impedimenter. 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 til rådighed.

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

Vi har gjort fantastisk fremgang på dette mål indtil nu, og har afsløret multiple kandidater for tilstanden gennem vores AI- og omik-baserede lægemiddel-matching-metoder (herunder DGEM, som jeg nævnte tidligere). HLX-0201, der oprindeligt blev godkendt som et ikke-steroidalt anti-inflammatorisk lægemiddel, er vores mest lovende kandidat, og spændende nok har vi nu modtaget godkendelse af en undersøgelsesny lægemiddel (IND) fra den amerikanske lægemiddelstyrelse (FDA) for fase 2a-klinisk studie af stoffet sammen med HLX-0206, der blev identificeret som en potentiel kombinationspartner ved hjælp af Healx’s proprietære kombinationsforudsigelsesmetoder.

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 vi under hele dette projekt 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 prækliniske data og modeller, der har gjort det muligt for os at fremme vores forudsigelser 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 grænse-teknologier udrullet på hele lægemiddelforsknings- 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 lægemiddelforskningsrum, der bruger AI til at gøre alt fra analyse af sygdomsdata og etablering af biomarkører til syntese af proteiner og design af nye lægemidler, helt op til analyse af virkelige beviser og kørsel af 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 sygdomsviden eller små patienttal. NLP kan hjælpe med at udfylde hullerne i forståelsen ved at aggregere opdateret data, mens ML kan forudse, hvilke eksisterende behandlinger kan genskabes og hvorfor. Måske mest spændende er dog, at AI kan give os den automatisering, der er nødvendig for at finde og udvikle behandlinger i stor skala. Og når computereffekt og fremskridt sker i AI, 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 avancerede teknologier for at løse nogle af de mest komplekse problemer, der findes. Vi søger altid 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 holde dig opdateret om 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 for Healx, et selskab, der uden tvivl vil have en positiv indvirkning på mange. Læsere, der ønsker at lære mere, bør besøge Healx.