Jinhan Kim, administrerende direktør for Standigm – Intervju-serie

Jinhan Kim er administrerende direktør for Standigm, et workflow AI-lægemiddelopdagelsesselskab.

Fra tilpasset målidentifikation til ledgenerering genererer Standigm-workflow AI-platformen indsigt for hvert trin til at udvikle kommercielt værdifulde lægemidler fra interne og partnerskabsprojekter. ​

Hvornår begyndte du at kode, og hvordan blev du interesseret?

Ja, på min Apple (AAPL ) II Plus. Det var katalysatoren for at ændre mig fra en bogorm til en skaber. Jeg begyndte at programmere, starting med C-programmering, af nysgerrighed. Jeg blev interesseret i principperne og de teoretiske aspekter af min computer. Derfra blev jeg en livslang lærer i teknologifeltet.

Hvad fik dig til at blive interesseret i maskinlæring?

Jeg fik mine uddannelser i anvendt kemi og kunstig intelligens på University of Edinburgh under Geoffrey Hinton. Han er neuroscientisten og computerforskeren, der grundlæggende skabte dyb læring. Hinton arbejdede på kunstige neurale netværk og designede autonome, intelligente maskiner – og senere maskinlæringsalgoritmer. Google (GOOGL ) ansatte ham for ti år siden for at skabe deres AI, og resten er historie.

Hvornår blev du først involveret i skæringen mellem biologi og maskinlæring?

Jeg arbejdede tidligere på Samsung Advanced Institute of Technology, hvor jeg udviklede algoritmer. En af algoritmernes var en mekanisme til at reparere DNA-skader. Jeg ville forfølge arbejde i biologifeltet og løse de sværeste problemer til mål. Såvel det menneskelige legeme som computere, der tænker som mennesker, er omkring lige så komplekse, og du skal arbejde for at forstå det ene for at fatte det andet. AI-systemer kan ikke kun grave igennem omfattende videnskabelig data, der er offentliggjort over årtier fra hele verden, men de kan også behandle kompleksiteten af det menneskelige legeme og hurtigt og sammenhængende fange mønstre af biologiske mekanismer. Det var let at se, at biologi og maskinlæring gik hånd i hånd.

Kan du dele historien bag Standigm?

Mit arbejde i sundhed og videnskab afslørede, hvad der for mig var et stort problem i traditionel lægemiddelopdagelse: den tid og penge, det tog at gennemgå videnskabelige forskningspapirer og screeningsforsøg eller ledetråde, der giver springbrættet for potentiel ny lægemiddelsskabelse. Menneskelige videnskabsmænd udførte dette intensive forskning. Jeg og to Samsung-kollegaer, Sang Ok Song og So Jeong Yun, så en mulighed for at flytte arbejdet fra mennesker til en intelligent maskine og designe en ny workflow. Jeg ville heller ikke arbejde for en løn; jeg ville arbejde for mig selv, for at bringe lægemiddelopdagelsesmetoder til en ny standardparadigme, som er oprindelsen til arbejdet og navnet på “Standigm”, det selskab, som de tre af os co-foundede. Vores maskinlæringsmodel opnår nu høj forudsigelsesnøjagtighed, og dens AI-teknologi opnår maksimal ROI.

Hvad er det syntetiske tilgængelighedsproblem, og hvordan løser Standigm det?

Generative modeller kan designe nye molekylærstrukturer uden hjælp fra veluddannede lægemiddelkemi, hvilket er en af de kritiske årsager til den entusiastiske adoption af denne teknologi af lægemiddelopdagelsessamfund. Det højeste hurdle her er forskellen i hastighed mellem design af molekyler og deres eksperimentelle synteser, hvor design af millioner af forbindelser tager kun timer, og syntesen af kun ti molekyler tager uger eller måneder. Da kun en lille brøkdel af designede forbindelser vil blive syntetiseret af menneskelige eksperter, er det afgørende at have gode målinger af molekylær egenskaber.

Første-generations AI-modeller var grove, og syntetiske kemikere afviste de fleste af de designede molekyler på grund af sværheden ved den syntetiske plan. Nogle CRO-virksomheder afviste endda at udarbejde et forslag til denne syntetiske kampagne.

Standigm har arbejdet på dette problem ved at ansætte erfarne lægemiddelkemi og tilføje deres ekspertise til generative modeller, så de kan designe forbindelser, der ikke kan skelnes fra dem, der er designede af menneskelige eksperter. Standigm har nu flere forskellige generative modeller, der kan håndtere forskellige lægemiddelopdagelsesfaser: hit-identifikation, hit-til-led og ledoptimering. Dette viser vigtigheden af at have forskelligartet ekspertise for enhver AI-lægemiddelopdagelsesselskab, hvor menneskelig erfaring og ekspertise primært bruges til at forbedre AI-modellerne og sikre de bedste workflows i stedet for hvert projekt.

Kan du diskutere de typer af algoritmer, der bruges af Standigm til at facilitere lægemiddelopdagelse?

Vi starter typisk ethvert eksplorerende projekt ved at prioritere lovende og nye målproteiner ved hjælp af Standigm ASK; vores biologi-platform består af distinkte algoritmer til at træne massive biologiske netværk, udnytte forskellige typer af ubiased omics-data, introducere de specifikke kontekster af biologiske systemer og så videre. Valg af det rette målprotein er en af de kritiske problemer i lægemiddelopdagelse. Standigm ASK hjælper sygdomseksperter med at give multiple hypoteser om MOA (mekanisme af handling).

Til at sikre patenter med højt beskyttende områder udfører Standigm BEST forskellige opgaver, herunder foreslå hit-forbindelser (effektiv udforskning), scaffold-hopping (med hensyn til syntetisk tilgængelighed og nytænkning) og forskellige predictive modeller for lægemiddeltilgængelighed (aktivitet, ADME/Tox-egenskaber og fysisk-kemiske egenskaber). Mange mindre opgaver er relateret til disse større opgaver, som DTI (lægemiddel-mål-interaktion), AI-assisterede molekylær simulationer, selektivitetsforudsigelse og multi-parameteroptimering.

Hvor meget tid spares i gennemsnit, når det kommer til ny compound-generering i forhold til traditionelle lægemiddelopdagelsesprocedurer?

Standigm-forskere har syntetiseret hundredvis af nye molekyler til projekter, mange af dem er designet som hit- og ledmolekyler i forskellige kontekster. Ved at antage AI-baserede modeller og kommercielle ressourcer har Standigm reduceret tiden for den første runde af ny compound-generering fra seks måneder til en gennemsnit på to måneder for de fleste projekter. Nu kan den første go/no-go-beslutning træffes i en gennemsnit på syv måneder i stedet for tre til fire år.

Hvad er nogle af Standigms succesfortællinger for potentiel lægemiddel-kommercialisering?

Med hjælp af Standigm Insight, som deler den samme tekniske baggrund som Standigm ASK, fandt vi et lægemiddelmolekyle, der kan bruges til en sjælden pediatrisk sygdom, valideret af en videnskabsmand fra et af de bedste børnehospitaler i USA. Dette tilfælde viser, at AI-teknologi kan hjælpe med lægemiddelopdagelse for sjældne sygdomme, en svær opgave for selskaber af enhver størrelse på grund af behovet for mere kommerciel værdi. Især i denne recession, hvor farmaceutiske selskaber forsøger at være mere konservative, kan AI fremme R&D i sjældne og forsumpede sygdomme.

Hvad er din vision for fremtiden for dyb læring og generativ AI i sundhedssektoren?

AI-teknologiens succes afhænger af tilgængeligheden af højkvalitetsdata. Der vil uundgåeligt være stor konkurrence om at sikre en stor mængde højkvalitetsdata i sundhedssektoren. Fra et smallere perspektiv af tidlig lægemiddelopdagelse er kemiske og biologiske data dyre og kræver lang tid for at opnå høj kvalitet. Derfor vil den automatiserede laboratorium være fremtiden for AI-lægemiddelopdagelsesfeltet, da det kan reducere omkostningerne ved højkvalitetsdata – brændstoffet for AI-teknologi. Vi driver vores teknologi-platforme til næste niveau, så Standigm ASK kan give mere åbenlys bevis, fra patient-afledt data til molekylærbiologi; og så Standigm BEST AI-modeller kan være state-of-the-art ved at føde højkvalitetsdata fra interne automatiserede laboratorier og samarbejdspartnere.

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

Som balancen af differentieret ekspertise er vigtig for Standigm, er balancen af etniciteter også kritisk. Vi har været udvidende vores tilstedeværelse i den globale omgang ved at grundlægge kontorer i Storbritannien (Cambridge) og USA (Cambridge, MA) for at inkludere tilstedeværelsen af netværk og transformationen af Standigm til et mere internationalt selskab.

Tak for det store interview, læsere, der ønsker at lære mere, skal besøge Standigm.