Peter Ellman, Präsident und CEO von Certis Oncology Solutions – Interview-Serie

Certis Oncology Solutions, geführt von Peter Ellman, Präsident und CEO, ist ein Life-Science-Technologieunternehmen, das sich der Erfüllung des Versprechens der Präzisionsonkologie widmet. Das Produkt des Unternehmens ist Oncology Intelligence® — hochprädiktive therapeutische Reaktionsdaten, die aus fortgeschrittenen Krebsmodellen abgeleitet werden. Certis arbeitet mit Physician-Scientist und Industrieforschern zusammen, um den Zugang zu Präzisionsonkologie zu erweitern und die kritische Lücke zwischen präklinischen Studien und klinischen Studien zu überbrücken.

Können Sie das breitere Problem in der Onkologieforschung beschreiben, das der CertisOI-Assistent anspricht?

Die Ausfallrate von onkologischen Untersuchungsdrug-Kandidaten ist hoch. Es wurde kürzlich berichtet, dass im Jahr 2023 90% der Onkologie-Programme letztendlich fehlgeschlagen sind. Diese Zahl ist eine bemerkenswerte Verbesserung gegenüber dem historischen Trend, der bei etwa 96% bis 2022 lag. Angesichts der Kosten für die Entwicklung von Medikamenten ist eine Ausfallrate von 90% nicht nachhaltig. Stellen Sie sich vor, wie Patienten profitieren würden, wenn die Erfolgsrate sogar 50% wäre.

CertisOI-Assistent spricht zwei sehr wichtige Probleme an, die zu dieser Ausfallrate beitragen:

• Verbesserte Auswahl von präklinischen Modellen: Viele Verbindungen zeigen vielversprechende Ergebnisse in präklinischen Studien, aber scheitern daran, in Menschen eine ausreichende therapeutische Wirkung zu demonstrieren. Die meisten Mitglieder der wissenschaftlichen Gemeinschaft weisen auf präklinische Modelle als Teil des Problems hin. Die Auswahl von präklinischen Modellen mit dem richtigen Genexpressions-Signatur (und die Verwendung von orthotopen Transplantationen für entscheidende Studien) kann die “Übersetzung” in die Klinik verbessern.
• Frühere, bessere Biomarker-Identifizierung: Die Abhängigkeit von Biomarkern, die den therapeutischen Effekt nicht genau vorhersagen, kann zu fehlgeschlagenen klinischen Studien führen. Der CertisOI-Assistent ist in CertisAI integriert, unsere patentierten prädiktiven AI/ML-Plattform, die die Identifizierung von prädiktiven Biomarkern am Anfang des Arzneimittelentwicklungsprozesses ermöglicht.

Wie nutzt der CertisOI-Assistent künstliche Intelligenz, um den Zugang zu Onkologie-Daten zu verbessern, und was unterscheidet ihn von anderen AI-Tools in diesem Bereich?

Der CertisOI-Assistent bietet erweiterte Datenanalyse- und Predictive-Modeling-Funktionen durch eine benutzerfreundliche, natürliche Sprachoberfläche. Er unterscheidet sich in mehreren Punkten:

• Umfassende Datensatz-Integration: Der Assistent integriert eine breite Palette von Onkologie-Daten, einschließlich Patienteninformationen, Tumor-Charakteristika, genetischer Profile und Arzneimittel-Response-Vorhersagen. Dieser holistische Ansatz ermöglicht eine umfassendere Analyse als Tools, die sich auf isolierte Datentypen konzentrieren.
• AI-basierte Vorhersagen: Der Assistent verwendet AI-Algorithmen, um Arzneimittel-Response und -Resistenz vorherzusagen und bietet Einblicke in die Wirksamkeit bestimmter Behandlungen für spezifische Krebsmodelle. Diese prädiktive Fähigkeit ist für personalisierte Medizin von entscheidender Bedeutung und unterscheidet ihn von Tools, die sich ausschließlich auf historische Daten verlassen.
• Benutzerfreundliche Oberfläche: Durch die Bereitstellung einer intuitiven Oberfläche für die Abfrage und Analyse komplexer Datensätze ermöglicht der Assistent es Forschern, Onkologie-Daten ohne erweiterte technische Fähigkeiten zu zugreifen und zu interpretieren.
• Fokus auf präklinische Modelle: Der Assistent spezialisiert sich auf präklinische Onkologie-Forschung, insbesondere PDX- und Zelllinien-Modelle, und bietet einzigartige Einblicke in die frühe Arzneimittelentwicklung und Tumorbiologie.
• Interaktive Visualisierungen: Der Assistent unterstützt interaktive Visualisierungen, wie z.B. Pharmakologie- und Tumorwachstumsstudien, die es Forschern ermöglichen, Daten auf eine ansprechendere und informativere Weise zu erkunden.

Wie transformiert das Tool komplexe Daten in handhabbare Erkenntnisse, insbesondere für Forscher, die an Arzneimittel-Sensitivität oder genetischen Daten arbeiten?

Der CertisOI-Assistent nutzt einen strukturierten Arbeitsablauf, um Rohdaten in sinnvolle Erkenntnisse umzuwandeln. Dazu gehört die Abfrage eines umfassenden Onkologie-Datensatzes, die Analyse der Daten und die Präsentation der Ergebnisse in einem klaren und interpretierbaren Format. Hier ist, wie es funktioniert:

• Datenabfrage: Der CertisOI-Assistent kann auf eine relationale Datenbank zugreifen, die detaillierte Informationen über Onkologie-Modelle enthält, einschließlich Patientendaten, Tumor-Charakteristika, genetischer Daten und Arzneimittel-Response-Vorhersagen. Er verwendet SQL-ähnliche Abfragen, um relevante Daten basierend auf den spezifischen Bedürfnissen des Forschers zu extrahieren.
• Datenanalyse: Sobald die Daten abgerufen sind, kann der CertisOI-Assistent verschiedene Analysen durchführen, wie z.B. die Identifizierung gemeinsamer Mutationen, die Korrelation von Genexpression mit Arzneimittel-Sensitivität oder die Bewertung von Pharmakologie-Studien-Ergebnissen. Er kann auch Daten sortieren und filtern, um die wichtigsten Ergebnisse hervorzuheben.
• Visualisierung: Der Assistent kann Daten in tabellarischen Formaten präsentieren, interaktive Charts für Pharmakologie- und Tumorwachstumsstudien generieren und Histologie-Bilder anzeigen. Diese Visualisierung hilft Forschern, komplexe Datenmuster und -beziehungen schnell zu erfassen.
• Interpretation und Erkenntnisse: Durch die Bereitstellung einer klaren Interpretation der Daten, einschließlich Vorhersagen für Arzneimittel-Sensitivität oder -Resistenz, hilft der CertisOI-Assistent Forschern, fundierte Entscheidungen über potenzielle therapeutische Strategien oder weitere experimentelle Richtungen zu treffen.
• Anpassung und Flexibilität: Forscher können ihre Abfragen anpassen, um sich auf bestimmte Krebsarten, genetische Marker oder Behandlungsantworten zu konzentrieren, was eine hochgradig individualisierte Analyse ermöglicht, die mit ihren Forschungszielen übereinstimmt.

Wie verbessert der CertisOI-Assistent die Fähigkeit von Forschern, Krebsmodelle auszuwählen, Biomarker-Strategien zu entwickeln oder in silico-Validierungen durchzuführen?

Ich habe die ersten beiden Bereiche – den Krebsmodell-Bereich und die Biomarker-Strategie-Entwicklung – zu Beginn dieses Interviews abgedeckt, also konzentriere ich mich auf die Durchführung von in silico-Validierungen. Der CertisOI-Assistent bietet eine virtuelle Umgebung, um Hypothesen im Zusammenhang mit Arzneimittel-Wirksamkeit, Ziel-Engagement und Biomarker-Entdeckung zu testen und zu validieren, ohne dass sofortige Labor-Experimente erforderlich sind. Dies ermöglicht es ihnen, ihre Hypothesen schnell zu verfeinern und experimentelle Anstrengungen auf die vielversprechendsten Ansätze zu konzentrieren.

Hier sind einige Beispiele:

• Arzneimittel-Response-Vorhersagen: Verwenden Sie AI-basierte Vorhersagen für Arzneimittel-Response und -Resistenz, um zu bewerten, wie unterschiedliche Modelle wahrscheinlich auf bestimmte Arzneimittel reagieren. Dies kann dazu beitragen, die potenzielle Wirksamkeit eines Arzneimittels in silico zu validieren, bevor man zu in vitro- oder in vivo-Studien übergeht.
• Genomische und molekulare Profilierung: Analysieren Sie die genetischen Daten, einschließlich Mutationen, Genexpression und Copy-Number-Variationen, um potenzielle Ziele zu identifizieren und ihre Relevanz für den Arzneimittel-Mechanismus zu validieren. Dies kann dazu beitragen, die molekulare Grundlage von Arzneimittel-Sensitivität oder -Resistenz zu verstehen.
• Biomarker-Entdeckung: Korrelieren Sie molekulare Merkmale mit Arzneimittel-Response-Vorhersagen, um potenzielle prädiktive Biomarker zu identifizieren. Dies kann dazu beitragen, die Auswahl von Patientenpopulationen zu leiten, die von einer bestimmten Therapie profitieren könnten.
• Kombinationstherapie-Exploration: Erkunden Sie Arzneimittel-Synergie-Vorhersagen, um vielversprechende Arzneimittel-Kombinationen zu identifizieren, die die therapeutischen Ergebnisse verbessern könnten. Dies kann Einblicke in potenzielle Kombinationsstrategien bieten, die experimentell validiert werden können.
• Histologische Analyse: Verwenden Sie Histologie-Bilder, um die morphologischen Effekte von Arzneimitteln auf Tumorgewebe zu validieren, was weitere Beweise für den Arzneimittel-Mechanismus und die potenzielle Wirksamkeit liefert.
• Modell-Vergleiche: Vergleichen Sie verschiedene Modelle, um zu verstehen, wie unterschiedliche genetische Hintergründe die Arzneimittel-Response beeinflussen, was dazu beitragen kann, Hypothesen über die Rolle bestimmter Gene oder Wege in silico zu validieren.
• Virtuelle Screening: Führen Sie virtuelles Screening von Arzneimitteln gegen eine breite Palette von Modellen durch, um Kandidaten für weitere experimentelle Validierung zu priorisieren.

Können Sie Beispiele dafür nennen, wie Forscher diesen Tool verwenden, um ihre Arbeitsabläufe zu verbessern oder Durchbrüche zu erzielen?

Das einfachste Beispiel ist die Auswahl von präklinischen Modellen. Jede präklinische Studie beginnt mit der Auswahl von Tumor-Modellen. Der CertisOI-Assistent nimmt die manuelle Anstrengung aus diesem Prozess und bringt große Präzision in die Auswahl der optimalen Modelle für eine bestimmte Studie.

Ein weiteres Beispiel ist die Entwicklung einer Biomarker-Strategie. Der traditionelle Ansatz besteht darin, zu vermuten, welche Biomarker oder Biomarker mit dem Arzneimittel-Mechanismus in Verbindung stehen könnten, und diese Hypothesen dann in präklinischen Studien zu testen, was in der Regel ein iterativer Prozess ist. Wenn die präklinischen Daten vielversprechend sind, müssen Forscher prädiktive Biomarker in humanen klinischen Studien validieren – und wie bereits diskutiert, ist die Ausfallrate hoch.

Der CertisOI-Assistent hilft Forschern, präzisere, prädiktive Genexpressions-Biomarker früher im Entwicklungsprozess zu identifizieren und zu validieren und mit weniger Iterationen als der traditionelle Arbeitsablauf – was Zeit, Geld spart und die Chancen für kommerziellen Erfolg verbessert.

Welche Arten von Krebsmodellen oder Datensätzen unterstützt das Tool, und wie profitiert die Forschungsgemeinschaft von dieser Breite?

Die aktuelle Version von CertisOI gibt Forschern Zugang zu Certis’ rasch wachsender Bibliothek von PDX- und PDX-abgeleiteten Tumor-Modellen und der gesamten Cancer Cell Line Encyclopedia (CCLE) von Modellen. Die Plattform-Algorithmen nutzen auch Daten aus Genomics of Drug Sensitivity in Cancer (GDSC), International Cancer Genome Consortium (ICGC), CI ALMANAC, O’Neil und anderen Datensätzen. Dieser holistische Ansatz zur Datenintegration ermöglicht eine umfassendere Analyse als Tools, die sich auf isolierte Datentypen konzentrieren.

Der CertisOI-Assistent ist benutzerfreundlich konzipiert. Wie stellen Sie sicher, dass er für Forscher zugänglich ist, die möglicherweise nicht über umfassende technische Expertise verfügen?

Mehrere Funktionen machen den CertisOI-Assistenten für Forscher auf allen Ebenen zugänglich:

• Intuitive Oberfläche: Die Oberfläche ist so konzipiert, dass sie intuitiv und einfach zu navigieren ist, was es Benutzern ermöglicht, komplexe Abfragen und Analysen durchzuführen, ohne die zugrunde liegenden technischen Details verstehen zu müssen.
• Geleitete Arbeitsabläufe: Der Assistent bietet geleitete Arbeitsabläufe für häufige Forschungsaufgaben, wie z.B. die Abfrage von Arzneimittel-Response-Vorhersagen, die Analyse von genetischen Daten und die Exploration von Pharmakologie-Studien. Dies hilft Benutzern, sich auf ihre Forschungsfragen zu konzentrieren, ohne sich in technischen Komplexitäten zu verstricken.
• Natürliche Sprachverarbeitung: Benutzer können mit dem Assistenten über natürliche Sprachabfragen interagieren, was es für diejenigen, die nicht über technische Expertise verfügen, einfacher macht, die Informationen zu erhalten, die sie benötigen. Der Assistent interpretiert die Abfragen und übersetzt sie in die entsprechenden Datenbankabfragen.
• Umfassende Dokumentation: Detaillierte Dokumentation und Tutorials helfen Benutzern, den Assistenten effektiv zu verwenden. Dazu gehören Schritt-für-Schritt-Anleitungen, Beispiele und Erklärungen wichtiger Konzepte.
• Interaktive Visualisierungen: Der Assistent bietet interaktive Visualisierungen für Datenanalyse, wie z.B. Charts und Histologie-Bilder, die es Benutzern ermöglichen, Daten visuell zu erkunden und zu interpretieren, ohne Code schreiben zu müssen.
• Reaktionsfähige Unterstützung: Benutzer können auf reaktionsfähige Unterstützung zugreifen, um Fragen oder Probleme zu klären. Dies stellt sicher, dass sie schnell Hilfe erhalten können und ihre Forschung ohne unnötige Verzögerungen fortsetzen können.
• Anpassbare Abfragen: Während der Assistent standardmäßige Arbeitsabläufe bietet, ermöglicht er auch die Anpassung, was es Benutzern ermöglicht, Abfragen an ihre spezifischen Forschungsbedürfnisse anzupassen, ohne tiefe technische Kenntnisse zu benötigen.

Zusammenarbeit ist ein wichtiger Aspekt der Forschung. Wie erleichtert der CertisOI-Assistent die Teamarbeit zwischen Forschern oder Institutionen?

Mit dem CertisOI-Assistenten können Forscher aus verschiedenen Teams oder Institutionen auf den gleichen Datensatz und Tools zugreifen, was es ihnen ermöglicht, gemeinsam an gemeinsamen Projekten oder Forschungsfragen zu arbeiten. Die Plattform ermöglicht es auch, Datenabfragen, Ergebnisse und Erkenntnisse unter Teammitgliedern zu teilen, sodass jeder, der an einem Projekt beteiligt ist, effektiv beitragen kann.

Welche sind die größten Herausforderungen bei der Skalierung von AI-Adoption in der Krebsforschung, und wie können sie angegangen werden?

Erhebliche Herausforderungen sind die Datensicherheit, die Datenintegration und das Vertrauen in AI-basierte Ergebnisvorhersagen. Ich bin kein Experte für Datensicherheit oder Datenintegration, aber es gibt viele kluge Köpfe, die an der Lösung dieser Herausforderungen arbeiten. Was das Vertrauen in AI-generierte Vorhersagen betrifft, benötigen wir effiziente und glaubwürdige Wege, um diese Vorhersagen zu validieren.

Certis hat einen zweigleisigen Ansatz verfolgt: in silico-Validierung durch interne, kreuzvalidierte Studien und in vivo-Validierung – Durchführung von Studien in klinisch relevanten Mausmodellen, um die Genauigkeit der Plattform-Vorhersagen zu bewerten. Im Laufe der Zeit werden diese Tools auch in humanen Patienten klinisch validiert – aber das wird viel Zeit, Geld und die Bereitschaft erfordern, das aktuelle Krebsbehandlungsparadigma zu ändern. Die medizinische und regulatorische Gemeinschaft muss aufhören, sich auf die Art und Weise zu verlassen, wie Dinge immer gemacht wurden, und die Macht der computergestützten Analysen anerkennen, um Entscheidungen zu treffen.

Wie stellen Sie sich vor, dass Tools wie der CertisOI-Assistent die Zukunft der Krebsbehandlung und der Präzisionsmedizin prägen?

Die moderne Medizin hat noch keinen guten Weg, um Patienten mit den idealen Behandlungen zu verbinden. Insgesamt nur 10% der Krebspatienten erfahren einen klinischen Nutzen von Behandlungen, die auf Tumor-DNA-Mutationen abgestimmt sind. Das schadet nicht nur der Gesundheit der Patienten, sondern auch ihren Finanzen. Eine geschätzte 2,5 Milliarden Dollar – mit einem B – werden für unwirksame Therapien verschwendet. Es ist eine sehr traurige Tatsache, dass 42% der Krebspatienten ihre Vermögenswerte innerhalb von zwei Jahren nach der Diagnose vollständig aufbrauchen.

Tools wie der CertisOI-Assistent und CertisAI werden uns helfen, das Versprechen der Präzisionsmedizin zu erfüllen – Menschen die optimale Behandlung für ihre einzigartige Form von Krebs zu geben, zum ersten Mal, jedes Mal…. Und den Zugang zu wirksamer, personalisierter Pflege zu demokratisieren.

Vielen Dank für das großartige Interview, Leser, die mehr erfahren möchten, sollten Certis Oncology Solutions besuchen.