Jinhan Kim, CEO von Standigm – Interview-Serie

Jinhan Kim ist der CEO von Standigm, einem Workflow-AI-Unternehmen für Arzneimittelentdeckung.

Von der personalisierten Zielidentifizierung bis zur Lead-Generierung generiert die Standigm-Workflow-AI-Plattform die Erkenntnisse für jeden Schritt, um kommerziell wertvolle Medikamente aus internen und Partnerschaftsprojekten zu entwickeln. ​

Sie haben mit dem Programmieren begonnen, als Sie in der 6. Klasse waren. Können Sie uns erzählen, wie Sie sich dafür interessierten und was Sie zunächst programmiert haben?

Ach, ja – auf meinem Apple (AAPL ) II Plus. Das war der Katalysator, der mich von einem Bücherwurm zu einem Schöpfer machte. Ich begann zu programmieren, angefangen mit C-Programmierung, aus Neugier. Ich interessierte mich für die Prinzipien und theoretischen Aspekte meines Computers. Von dort aus wurde ich ein lebenslanger Lerner im Technologiebereich.

Was hat Sie ursprünglich für maschinelles Lernen interessiert?

Ich habe meine Abschlüsse in angewandter Chemie und künstlicher Intelligenz an der University of Edinburgh unter Geoffrey Hinton erworben. Er ist der Neuroscientist und Computerwissenschaftler, der im Grunde tiefes Lernen geschaffen hat. Hinton arbeitete an künstlichen neuronalen Netzen und entwarf autonome, intelligente Maschinen – und später maschinelles Lernen-Algorithmen. Google (GOOGL ) hat ihn vor zehn Jahren eingestellt, um ihre KI zu erstellen, und der Rest ist Geschichte.

Wann haben Sie sich ursprünglich mit dem Zusammenspiel von Biologie und maschinellem Lernen beschäftigt?

Ich habe am Samsung Advanced Institute of Technology gearbeitet, wo ich Algorithmen entwickelte. Einer der Algorithmen, die ich entwickelte, war ein Mechanismus zur Reparatur von DNA-Schäden. Ich wollte im Bereich der Biologie arbeiten und die schwierigsten Probleme lösen. Sowohl der menschliche Körper als auch Computer, die wie Menschen denken, sind etwa so komplex, und man muss einen von beiden verstehen, um den anderen zu begreifen. KI-Systeme können nicht nur umfangreiche wissenschaftliche Daten aus der ganzen Welt durchsuchen, sondern auch die Komplexität des menschlichen Körpers schnell und kohärent erfassen und Muster biologischer Mechanismen erkennen. Es war leicht zu sehen, dass Biologie und maschinelles Lernen Hand in Hand gehen.

Können Sie uns die Entstehungsgeschichte hinter Standigm erzählen?

Meine Arbeit im Gesundheits- und Wissenschaftsbereich hat mir ein großes Problem in der traditionellen Arzneimittelentdeckung gezeigt: die Zeit und das Geld, die für die Durchsuchung wissenschaftlicher Forschungspapiere und Screening-Tests oder die Hinweise benötigt werden, die den Ausgangspunkt für die potenzielle Neuentwicklung von Medikamenten bilden. Menschliche Wissenschaftler haben diese intensive Forschung durchgeführt. Ich und zwei meiner Kollegen von Samsung, Sang Ok Song und So Jeong Yun, sahen eine Chance, die Arbeit von Menschen auf eine intelligente Maschine zu verlagern und einen neuen Workflow zu entwerfen. Ich wollte auch nicht für ein Gehalt arbeiten; ich wollte für mich selbst arbeiten, um die Methoden der Arzneimittelentdeckung auf ein neues Standardparadigma zu bringen, was die Entstehung der Arbeit und des Namens “Standigm” ist, des Unternehmens, das die drei von uns gegründet haben. Unser maschinelles Lernmodell erreicht jetzt eine hohe Vorhersagegenauigkeit, und seine KI-Technologie erreicht den maximalen ROI.

Was ist das Problem der synthetischen Zugänglichkeit und wie arbeitet Standigm daran, es zu lösen?

Generative Modelle können neue molekulare Strukturen ohne die Hilfe von gut ausgebildeten medizinischen Chemikern entwerfen, was einer der kritischsten Gründe für die begeisterte Übernahme dieser Technologie durch die Gemeinschaften der Arzneimittelentdeckung ist. Die größte Hürde hier ist der Unterschied in der Geschwindigkeit zwischen der Entwurfsmoleküle und ihrer experimentellen Synthese, wo die Entwurfsmillionen von Verbindungen nur Stunden dauert und die Synthese von nur zehn Molekülen Wochen oder Monate dauert. Da nur ein winziger Bruchteil der entworfenen Verbindungen von menschlichen Experten synthetisiert wird, ist es wichtig, gute Maße für molekulare Eigenschaften zu haben.

Die ersten KI-Modelle der ersten Generation waren grob, und synthetische Chemiker lehnten die meisten der entworfenen Moleküle aufgrund der Schwierigkeit des synthetischen Plans ab. Einige CRO-Unternehmen lehnten es sogar ab, einen Vorschlag für diese synthetische Kampagne zu erstellen.

Standigm arbeitet an diesem Problem, indem es erfahrene medizinische Chemiker einstellt und ihre Expertise zu generativen Modellen hinzufügt, damit sie Verbindungen entwerfen können, die nicht von denen unterscheidbar sind, die von menschlichen Experten entworfen wurden. Standigm hat jetzt mehrere verschiedene generative Modelle, die verschiedene Stadien der Arzneimittelentdeckung verwalten können: Hit-Identifizierung, Hit-to-Lead und Lead-Optimierung. Dies zeigt die Bedeutung der Vielfalt von Experten für jedes KI-Arzneimittelentdeckungsunternehmen, in dem menschliche Erfahrung und Expertise hauptsächlich verwendet werden, um die KI-Modelle zu verbessern und die besten Workflows zu sichern.

Können Sie über die Arten von Algorithmen sprechen, die von Standigm zur Arzneimittelentdeckung verwendet werden?

Wir beginnen typischerweise mit der Priorisierung vielversprechender und neuer Zielproteine unter Verwendung von Standigm ASK; unsere Biologieplattform besteht aus unterschiedlichen Algorithmen, um massive biologische Netzwerke zu trainieren, verschiedene Arten von unvoreingenommenen Omics-Daten zu nutzen, spezifische Kontexte biologischer Systeme einzuführen und so weiter. Die Auswahl des richtigen Zielproteins ist eines der kritischsten Probleme in der Arzneimittelentdeckung. Standigm ASK hilft Krankheitsexperten, indem es multiple Hypothesen der Wirkungsweise (MOA) liefert.

Um Patente mit hochschützenden Bereichen zu sichern, führt Standigm BEST verschiedene Aufgaben aus, darunter die Vorschlagung von Hit-Verbindungen (effektive Exploration), Scaffold-Hopping (unter Berücksichtigung der synthetischen Zugänglichkeit und Neuheit) und verschiedene Vorhersagemodelle für Arzneimittel (Aktivität, ADME/Tox-Eigenschaften und physikochemische Eigenschaften). Viele kleinere Aufgaben sind mit diesen größeren Aufgaben verbunden, wie DTI (Arzneimittel-Ziel-Interaktion), KI-gestützte Molekül-Simulationen, Selektivitätsvorhersage und Multi-Parameter-Optimierung.

Wie viel Zeit wird im Durchschnitt bei der Erzeugung neuer Verbindungen im Vergleich zu herkömmlichen Arzneimittelentdeckungsverfahren eingespart?

Standigm-Forscher haben Hunderte neuer Moleküle für Projekte synthetisiert, von denen viele als Hit- und Leadmoleküle in verschiedenen Kontexten bezeichnet werden. Durch die Übernahme von KI-basierten Modellen und kommerziellen Ressourcen hat Standigm die Zeit für die erste Runde der Erzeugung neuer Verbindungen von sechs Monaten auf durchschnittlich zwei Monate für die meisten Projekte reduziert. Jetzt können die ersten Go/No-Go-Entscheidungen im Durchschnitt in sieben Monaten getroffen werden, anstatt drei bis vier Jahre.

Was sind einige der Erfolgsgeschichten von Standigm für die potenzielle Arzneimittelkommerzialisierung?

Mit Standigm Insight, das den gleichen technischen Hintergrund wie Standigm ASK teilt, haben wir ein Arzneimittel-Molekül gefunden, das für eine seltene pädiatrische Krankheit verwendet werden kann, validiert durch einen Wissenschaftler aus einem der besten Kinderhospitäler in den USA. Dieser Fall zeigt, dass KI-Technologie bei der Arzneimittelentdeckung für seltene Krankheiten helfen kann, eine schwierige Aufgabe für ein Unternehmen jeder Größe aufgrund des Bedarfs an mehr kommerziellem Wert. Insbesondere in dieser Rezession, in der Pharma-Unternehmen konservativer sein möchten, kann KI die Forschung und Entwicklung in seltenen und vernachlässigten Krankheiten fördern.

Was ist Ihre Vision für die Zukunft von Deep Learning und generativer KI im Gesundheitswesen?

Der Erfolg von KI-Technologie hängt von der Verfügbarkeit von hochwertigen Daten ab. Es wird unvermeidlich eine große Konkurrenz um die Sicherung einer großen Menge hochwertiger Daten im Gesundheitssektor geben. Aus einer engeren Perspektive der frühen Arzneimittelentdeckung sind Chemie- und Biologie-Daten teuer und erfordern eine lange Zeit, um einen hochwertigen Status zu erreichen. Daher wird das automatisierte Labor die Zukunft des KI-Arzneimittelentdeckungsbereichs sein, da es die Kosten für hochwertige Daten – den Treibstoff für KI-Technologie – reduzieren kann. Wir treiben unsere Technologieplattformen auf das nächste Level, damit Standigm ASK mehr offensichtliche Beweise liefern kann, von patientenbasierten Daten bis hin zu Molekularbiologie; und Standigm BEST KI-Modelle können state-of-the-art sein, indem sie hochwertige Daten aus internen automatisierten Labors und Kollaborateuren speisen.

Gibt es noch etwas, das Sie über Standigm teilen möchten?

Da die Balance von differenzierten Experten für Standigm wichtig ist, ist die Balance von Ethnien auch kritisch. Wir haben unsere Präsenz in der globalen Umgebung durch die Gründung von Büros in Großbritannien (Cambridge) und den USA (Cambridge, MA) erweitert, um die Präsenz von Netzwerken und die Transformation von Standigm in ein internationaleres Unternehmen zu umfassen.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Standigm besuchen.