Charles Fisher, Ph.D., administrerende direktør og grundlægger af Unlearn – Intervju-serie

Charles Fisher, Ph.D., er administrerende direktør og grundlægger af Unlearn, en platform, der udnytter kunstig intelligens til at løse nogle af de største flaskehalse i klinisk udvikling: lange forsøgsperioder, høje omkostninger og usikre resultater. Deres nye AI-modeller analyserer enorme mængder af patientniveau-data for at forudsige patienternes sundhedsresultater. Ved at integrere digitale tvillinge i kliniske forsøg kan Unlearn accelerere klinisk forskning og hjælpe med at bringe livreddende nye behandlinger til patienter, der har brug for dem.

Charles er en videnskabsmand med interesser på tværs af fysik, maskinlæring og computorbiologi. Tidligere har Charles arbejdet som maskinlæring-ingeniør hos Leap Motion og som computorbiolog hos Pfizer. Han var en Philippe Meyer Fellow i teoretisk fysik på École Normale Supérieure i Paris, Frankrig, og en postdoc-videnskabsmand i biofysik på Boston University. Charles har en Ph.D. i biofysik fra Harvard University og en B.S. i biofysik fra University of Michigan.

De er i mindretal i deres grundlæggende overbevisning om, at matematik og beregning skal være grundlaget for biologi. Hvordan nåede de til denne konklusion?

Dette skyldes sandsynligvis, at matematik og beregningsmetoder ikke er blevet tilstrækkeligt fremhævet i biologiundervisningen i de seneste år, men fra min synsvinkel er folk begyndt at ændre mening og er enige med mig. Dybe neurale netværk har givet os en ny samling værktøjer til komplekse systemer, og automatisering hjælper med at oprette de store biologiske datasæt, der kræves. Jeg tror, det er uundgåeligt, at biologi går over til at blive mere en beregningsvidenskab i de kommende ti år.

Hvordan gik denne overbevisning over til at lancere Unlearn?

I fortiden er mange beregningsmetoder i biologi blevet set som løsninger af “legetøjsproblemer” eller problemer, der er langt fra anvendelser i medicin, hvilket har gjort det svært at demonstrere reel værdi. Vores mål er at opfinde nye metoder i AI til at løse problemer i medicin, men vi fokuserer også på at finde områder, som kliniske forsøg, hvor vi kan demonstrere reel værdi.

Kan de forklare Unlearns mission om at eliminere prøvning og fejl i medicin gennem AI?

Det er almindeligt i ingeniørarbejde at designe og teste en enhed ved hjælp af en computermodel, før man bygger den rigtige. Vi ønsker at muliggøre noget lignende i medicin. Kan vi simulere effekten af en behandling på en patient, før vi giver den til dem? Selv om jeg tror, at feltet er ret langt fra det i dag, er vores mål at opfinde teknologien til at gøre det muligt.

Hvordan accelererer Unlearns brug af digitale tvillinge i kliniske forsøg forskningsprocessen og forbedrer resultaterne?

Unlearn opfinder AI-modeller kaldet digitale tvilling-genereringsmodeller (DTGs), der genererer digitale tvillinge af kliniske forsøgsdeltagere. Hver deltageres digitale tvilling forudsiger, hvilket resultat de ville have, hvis de fik placebokontrollen i et klinisk forsøg. Hvis vores DTGs var fuldstændig nøjagtige, kunne kliniske forsøg i princippet køres uden placebokontroller. Men i praksis begår alle modeller fejl, så vi sigter på at designe randomiserede forsøg, der bruger mindre placebokontroller end traditionelle forsøg. Dette gør det lettere at tilmelde sig studiet og fremskynder forsøgsperioderne.

Kunne de forklare nøjagtigt, hvad Unlearns regulatorisk-godkendte Prognostic Covariate Adjustment (PROCOVA™)-metode er?

PROCOVA™ er den første metode, vi udviklede, der tillader, at deltageres digitale tvillinge kan bruges i kliniske forsøg, så forsøgsresultaterne er robuste over for fejl, modellen kan begå i sine forudsigelser. I virkeligheden bruger PROCOVA det faktum, at nogle af deltagerne i en studie er tilfældigt tildelt placebokontrollen til at korrigere de digitale tvillinges forudsigelser ved hjælp af en statistisk metode kaldet kovariationsjustering. Dette tillader os at designe studier, der bruger mindre kontroller end normalt eller har højere statistisk effekt, samtidig med at vi sikrer, at studierne stadig giver en rigorøs vurdering af behandlingseffekten. Vi fortsætter også med forskning og udvikling for at udvide denne løsningslinje og give endnu kraftigere studier fremover.

Hvordan balancerer Unlearn innovation med regulatorisk overholdelse i udviklingen af deres AI-løsninger?

Løsninger, der er rettet mod kliniske forsøg, er generelt reguleret på basis af deres kontekst for brug, hvilket betyder, at vi kan udvikle multiple løsninger med forskellige risikoprofiler, der er rettet mod forskellige brugsområder. For eksempel udviklede vi PROCOVA, fordi det er ekstremt lavrisiko, hvilket tillod os at søge om en kvalificeret mening fra den europæiske lægemiddelagentur (EMA) til brug som primær analyse i fase 2- og 3-kliniske forsøg med kontinuerlige resultater. Men PROCOVA udnytter ikke alle oplysninger, der gives af de digitale tvillinge, vi opretter for forsøgsdeltagerne – det efterlader noget af ydelsen på gulvet for at være i overensstemmelse med regulatoriske retningslinjer. Selvfølgelig eksisterer Unlearn for at udvide grænserne, så vi kan lancere mere innovative løsninger, der er rettet mod anvendelser i tidligere studie- eller post-hoc-analyser, hvor vi kan bruge andre typer metoder (f.eks. Bayesian-analyser), der giver langt mere effektivitet end vi kan med PROCOVA.

Hvad har været nogle af de største udfordringer og gennembrud for Unlearn i brugen af AI i medicin?

Den største udfordring for os og alle andre, der er involveret i at anvende AI til problemer i medicin, er kulturel. I øjeblikket er det overvældende flertal af forskere i medicin ikke ekstremt fortrolige med AI, og de er normalt misinformeret om, hvordan de underliggende teknologier faktisk fungerer. Som resultat er de fleste mennesker meget skeptiske over for, at AI vil være nyttigt i den nærmeste fremtid. Jeg tror, det vil uundgåeligt ændre sig i de kommende år, men biologi og medicin ligger generelt bagud i forhold til de fleste andre fag, når det kommer til adoption af nye computer-teknologier. Vi har haft mange tekniske gennembrud, men de vigtigste ting for at opnå adoption er sandsynligvis beviser fra regulatorer eller kunder.

Hvad er deres overordnede vision for at bruge matematik og beregning i biologi?

 I min mening kan vi kun kalde noget for “en videnskab”, hvis dets mål er at give nøjagtige, kvantitative forudsigelser om resultaterne af fremtidige eksperimenter. I øjeblikket er omkring 90% af de lægemidler, der indgår i humane kliniske forsøg, fejl, normalt fordi de ikke virker. Så vi er ret langt fra at give nøjagtige, kvantitative forudsigelser lige nu, når det kommer til de fleste områder af biologi og medicin. Jeg tror ikke, det ændrer sig, før kerneområderne i disse discipliner ændrer sig – før matematik og beregningsmetoder bliver de centrale resoneringsværktøjer i biologi. Mit håb er, at det arbejde, vi laver hos Unlearn, fremhæver værdien af at tage en “AI-først”-tilgang til at løse et vigtigt praktisk problem i medicinsk forskning, og fremtidige forskere kan tage den kultur og anvende den på et bredere sæt af problemer.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Unlearn.