Ofer Haviv, præsident og administrerende direktør for Evogene – Intervju-serie

Ofer Haviv er administrerende direktør og præsident for Evogene. Før han fik denne rolle, fungerede han som COO og CFO for virksomheden fra 2002 til 2004 og spillede en nøglerolle i Evogenes afspaltning fra Compugen i 2002. Hos Compugen havde han stillingen som finansdirektør og kasserer i fire år, hvor virksomheden gennemførte to private placeringer og en børsnotering på NASDAQ.

Nogle bidrag til disse svar er også leveret af:

• Gabi Tarcic VP Product
• Ilia Zhidkov VP of Computational Technologies
• Ruth Gross, VP Business Development

Evogene (NASDAQ:EVGN, TASE: EVGN.TA) er et computationally biologi-virksomhed, der specialiserer sig i at transformere produkt-opdagelse og -udvikling på tværs af forskellige life science-industrier, herunder menneskers sundhed og landbrug. Virksomheden udnytter sin fleksible Computational Predictive Biology (CPB) platform til at drive innovation på disse områder.

Siden du tiltrådte som administrerende direktør i 2004, har du overværet Evogenes overgang fra afspaltning til en Nasdaq-noteret leder inden for computationally biologi. Hvad har været de mest afgørende øjeblikke eller beslutninger, der har formet virksomhedens nuværende retning?

Tre strategiske beslutninger har formet Evogene, som den er i dag:

1. Beslutningen i 2013 om at gå på børsen på NASDAQ.
2. Beslutningen i 2016 om at udvikle sig fra et enkelt computationally system (CPB), der primært støttede udviklingen af produkter baseret på genetiske elementer til landbrugsindustrien, til tre separate teknologiske motorer, der kombinerer unikke data, computationally systemer og en dyb forståelse af life sciences:

• GeneRator: Støtter Evogenes oprindelige aktivitet på området for produkter baseret på en dyb forståelse af genomics.
• MicroBoost: Retter og accelererer udviklingen af mikroorganisme-baserede produkter.
• ChemPass: Retter og accelererer udviklingen af kemibaserede produkter.

3. Beslutningen om at bruge disse unikke teknologiske motorer med Evogenes egne forskere til at udvikle produkter i forskellige områder. Denne aktivitet, der startede som afdelinger inden for virksomheden, blev senere grundlaget for opbygning af Evogenes datterselskaber, herunder:

• Biomica: Bruger MicroBoost-teknologimotoren til at udvikle human-mikrobiom-baserede lægemidler.
• Lavie Bio: Bruger MicroBoost til at udvikle biologiske produkter baseret på mikroorganismer til landbrug, beskyttelse af planter mod skadedyr og forbedring af afgrøder.
• AgPlenus: Bruger ChemPass-teknologimotoren til at udvikle kemiske produkter til beskyttelse af afgrøder mod skadedyr.
• Casterra: Bruger GeneRator til at udvikle unikke castor-arter til dyrkning af castor-planter til produktion af olie til de voksende industrier for biologiske produkter og alternative brændstoffer.

Computational biologi kræver top-kvalificeret talent inden for biologi, AI og datavidenskab. Hvordan tiltrækker og fastholder Evogene eksperter på disse områder, og hvilke færdigheder eller baggrunde prioriterer du?

Hos Evogene tiltrækker vi top-talent ved at fremme en samarbejdende omgang, der integrerer biologi, kunstig intelligens og computationally ekspertise. Vi værdsætter personer med tværfaglig erfaring, især de, der har arbejdet på tværs af forskellige områder og bringer ‘rigtige’ indsigt. Kreativitet og problemløsning er centrale for, hvad vi søger, og det giver vores team mulighed for at tackle komplekse udfordringer med innovative løsninger.

At være hjemmehørende i Israel – en global leder inden for højteknologi med et økosystem, der fremmer agility og fremtænkning – forbedrer vores evne til at tiltrække exceptionelt talent.

Evogenes nærhed til verdensklasse-akademiske institutioner, såsom Weizmann-instituttet, spiller en betydelig rol i at tiltrække dygtige professionelle inden for biologi, AI og datavidenskab.

Evogene tilbyder professionelle fra tech-verdenen en unik mulighed for at anvende deres ekspertise i udvikling af produkter til life sciences-sektoren – områder, der dybt påvirker livskvalitet og den mad, vi spiser. Denne krydsning af teknologi og life sciences er noget, man ikke finder i traditionelle højteknologi-industrier. For biologer giver vi avancerede teknologiske værktøjer, der giver dem mulighed for at realisere deres produktvisioner på et niveau, der ikke findes andre steder.

Kunne du uddybe de centrale principper bag Evogenes Computational Predictive Biology (CPB) platform med dens AI-teknologimotorer, og hvordan den adskiller sig fra andre predictive AI-modeller i life sciences?

Evogenes Computational Predictive Biology (CPB) platform integrerer en dyb forståelse af biologi og kemi med AI, maskinlæring, computationally modeller og biologiske data for at udføre analyser på tværs af millioner af datapunkter. Disse etablerede AI-teknologimotorer er designet til at hjælpe forskere i produkt-opdagelse, strømlinje udviklingen af nye produkter og har været en drivkraft i vores mange samarbejder.

Vores unikhed kan karakteriseres ved tre parametre:

1. Den stærke forbindelse mellem dyb viden om biologi og kemi og den computationally verden i udviklingsprocessen af applikationerne selv, samt applikationernes fleksibilitet til at tilpasse sig definitionerne af forskellige produkter.
2. Vores bestræbelser på at forudsige, allerede i opdagelsesstadiet, sandsynligheden for, at en kandidat med succes kan opfylde kriterierne for et kommercielt produkt – kriterier, der typisk undersøges i meget senere faser af produktudvikling.
3. Evogene opererer samtidig i tre domæner – genomics, kemi og mikroorganismer – og giver en mere komprehensiv forståelse af udviklingsprocessen.

Med virksomhedens fokus på at revolutionere produkt-opdagelse på tværs af sundhed, landbrug og industrielle anvendelser, hvad er Evogenes lange sigte-mål for at udvide sin indvirkning i disse sektorer?

Vores lange sigte-mål kan deles ind i tre:

1. At investere i vores teknologimotorer til fordel for vores eksisterende partnere, så vi kan bedre forudsige de korrekte kandidater til validering og kan bedre inkludere yderligere kriterier for produktudvikling tidligt.
2. At udvide anvendelsesområdet for vores teknologimotorer til yderligere segmenter, der ikke er dækket af Evogenes eksisterende datterselskaber, såsom vores nuværende strategiske fokus på lægemiddel-opdagelse gennem ChemPass-AI-motoren.
3. At fremme værdien af vores datterselskaber og nyde godt af vores ejerskab gennem salg af nogle af vores beholdninger eller ved at modtage udbytte.

Hvordan har CPB-platformen udviklet sig siden dens oprettelse, og hvad er nogle af de seneste fremskridt eller udfordringer, du har stået over for i udviklingen af nye teknologimotorer som ChemPass AI og MicroBoost AI?

Computational Predictive Biology (CPB)-platformen blev oprindeligt udviklet med en monolitisk arkitektur, der integrerede en samling af bioinformatik-applikationer primært fokuseret på plantegenomik. Ved at erkende behovet for større fleksibilitet og skalerbarhed, blev platformen overført til en mikrotjeneste-arkitektur, der muliggjorde betydelige forbedringer af både brugergrænsefladen (UI) og brugeroplevelsen (UX). Denne arkitektoniske udvikling har understøttet platformens udvidelse til nye domæner inden for life sciences, ud over genomics, herunder mikrobiologi og kemi, og har ført til udviklingen af innovative teknologimotorer som ChemPass AI til opdagelse af små molekyler og MicroBoost AI til mikrobiom-baserede anvendelser. Selv om skaleringen af disse teknologier har præsenteret udfordringer, sikrer platformens tværfaglige tilgang fortsat fremskridt og betydelige fremskridt på tværs af forskellige videnskabelige discipliner.

Hvordan opstod samarbejdet med Google Cloud, og hvad var de vigtigste faktorer, der gjorde Google Cloud til den foretrukne partner for Evogene?

Vores samarbejde med Google Cloud blev drevet af en fælles vision om at udnytte avancerede AI-teknologier til at transformere opdagelse og udvikling af små molekyler. Google Clouds robuste Vertex AI-platform, skærpunkts-GPU’er og omfattende lagringskapacitet giver den computationale kraft, der kræves til at træne vores grundlæggende model på ~40 milliarder molekylstrukturer. Deres ekspertise i AI og maskinlæring kombineret med Evogenes styrke inden for computationally kemi skaber en synergien, der muliggør hurtig innovation, skalerbarhed og usædvanlig diversitet i molekyl-design. Dette samarbejde accelererer vores evne til at bringe transformative løsninger til lægemiddel-opdagelse og potentiellement andre life science-produkter.

Formationsmodellen sigter mod at generere og evaluere nye små molekyler. Hvad forventer du, at dette vil have for umiddelbar og langsigtede konsekvenser for hastigheden og nøjagtigheden af lægemiddel- og produktudvikling?

Formationsmodellen repræsenterer en banebrydende innovation inden for lægemiddel- og produktudvikling, der muliggør præ-træning på betydeligt større datasets end traditionelle AI-metoder. Denne kapacitet giver mulighed for dybere indsigt og forbedret præcision, og markerer en transformerende skift i lægemiddel-opdagelse og -udvikling. På kort sigt vil modellen revolutionere opdagelsesstadiet ved at generere nye små molekyler med ønskede foruddefinerede egenskaber, og udvide den kemiske diversitet ved at bryde ud af det meget smalle kemiske rum, der er udforsket, og afsløre nye, høj-potentielle kemiske forbindelser. På lang sigt kan integrationen af AI i opdagelsesstadiet potentielt have en betydelig indvirkning på senere faser af lægemiddeludvikling, muligvis endda op til kliniske faser af udvikling.

Hvordan forventer du, at denne teknologi vil påvirke lægemiddel-R&D? Hvad er nogle af de mest presserende udfordringer på dette område, som du mener, denne model kan hjælpe med at løse?

Formationsmodeller for små molekyl-lægemiddel-opdagelse har enormt potentiale til at revolutionere lægemiddel-R&D ved betydeligt at reducere tiden og omkostningerne for udvikling og øge sandsynligheden for succes. Denne teknologi giver mulighed for hurtig og præcis generering af lovende lægemiddel-kandidater, potentielt reducerer den 12-15-årige udviklingstid og de enorme omkostninger, der ofte overstiger 2 milliarder dollars pr. lægemiddel. Ved at strømlinje processen og øge sandsynligheden for succes i at nå produkt-kommercialiseringsstadiet kan formationsmodeller fremme fremtidige innovative terapier og give bedre behandlingsmuligheder for patienter med livstruende sygdomme.

Med den voksende konkurrence inden for AI til life sciences, hvordan planlægger Evogene at fastholde en konkurrencedygtig fordel inden for computationally biologi og molekyl-design?

Evogenes konkurrencedygtige fordel stammer fra ekspertisen hos vores tværfaglige team (algoritme-udviklere, software-ingeniører, kemikere og biologer), integrationen af proprietære algoritmer til at forbedre screening og optimering, og vores agility i at tilpasse løsninger til markedets behov. Vores samarbejde med Google Cloud spiller en afgørende rol i at fremme vores kapaciteter, ved at udnytte avancerede AI-værktøjer til at raffinere og accelerere de novo små molekyl-design. Fleksible samarbejdsmodeller sikrer yderligere, at vores proprietære teknologier leverer indvirkningsfulde, markedssammenhængende løsninger.

Set fremad, hvad er din lange sigte-vision for Evogenes rol i at forme fremtiden for computationally biologi, og hvordan ser du, at virksomheden vil påvirke life sciences-industrien over de næste ti år?

Evogenes vision er at fortsætte med at være i frontlinjen for computationally biologi og kemi, og forme fremtiden for life sciences-produktudvikling. Over de næste ti år ser vi os selv udvide vores teknologiske rækkevidde gennem strategiske partnerskaber, drive fremgang i menneskers sundhed, landbrug og bæredygtighed for at tackle kritiske globale udfordringer. Vores endelige mål er at transformere disse fremskridt til innovative produkter – banebrydende terapier, bæredygtige landbrugsløsninger og miljøvenlige teknologier.