Stefano Pacifico und David Heeger, Mitgründer von Epistemic AI – Interview-Serie

Epistemic AI nutzt state-of-the-art-Technologien für Natural Language Processing (NLP), Machine Learning und Deep Learning, um Beziehungen zwischen einer wachsenden Menge an biomedizinischem Wissen aus verschiedenen öffentlichen und privaten Quellen, einschließlich Textdokumenten und Datenbanken, zu kartieren. Durch einen Prozess der Wissenskartierung arbeiten Benutzer interaktiv mit der Plattform, um Teilmengen des biomedizinischen Wissens zu kartieren und zu verstehen, was Konzepte und Beziehungen aufdeckt, die mit herkömmlichen Suchmethoden übersehen werden.

Wir interviewten beide Mitgründer von Epistemic AI, um über diese neuesten Entwicklungen zu sprechen.

Stefano Pacifico kommt aus über 10 Jahren Erfahrung in der Entwicklung von angewandter KI und NLP. Früher bei Bloomberg, wo er 7 Jahre verbrachte, und bei Elemental Cognition, bevor er Epistemic gründete.

David Heeger ist Silver-Professor für Data Science und Neurowissenschaften an der NYU und hat seine Karriere damit verbracht, Informatik, KI und Biowissenschaften zu verbinden. Er ist Mitglied der National Academy of Sciences. Als Gründer bringen sie die Expertise im Bau von angewandten großen KI- und NLP-Systemen für das Verständnis großer Wissenssammlungen mit der Expertise in computergestützter Biologie und biomedizinischer Wissenschaft aus Jahren der Forschung in diesem Bereich zusammen.

Was hat Sie zur KI und zum Natural Language Processing (NLP) hingeführt und was hat Sie davon angezogen?

Stefano Pacifico: Als ich in Rom auf dem College war und die KI noch nicht sehr populär war (tatsächlich war sie sehr randständig), fragte ich meinen damaligen Berater, welche Spezialisierung ich unter den verfügbaren wählen sollte. Er sagte: “Wenn Sie Geld verdienen möchten, dann Software-Engineering und Datenbanken, aber wenn Sie seltsam, aber sehr fortschrittlich sein möchten, dann wählen Sie künstliche Intelligenz”. Ich war sofort begeistert von “seltsam”. Dann begann ich, an Wissensrepräsentation und -verarbeitung zu arbeiten, um zu studieren, wie autonome Agenten Fußball spielen oder Menschen retten könnten. Dann machte ich zwei Erkenntnisse, die mich in die NLP verliebten: Erstens könnten autonome Agenten möglicherweise miteinander in natürlicher Sprache kommunizieren! Zweitens ist es schwierig, formale Wissensbasen von Hand aufzubauen, während natürliche Sprache (in Texten) bereits die größte Wissensbasis aller bietet. Ich weiß heute, dass diese Beobachtungen vielleicht offensichtlich erscheinen, aber sie waren damals nicht sehr verbreitet.

Was war die Inspiration hinter der Gründung von Epistemic AI?

Stefano Pacifico: Ich werde eine kühne Behauptung aufstellen. Niemand hat heute angemessene Werkzeuge, um das Wissen in großen, ständig wachsenden Sammlungen von Dokumenten und Daten zu verstehen und zu verbinden. Ich hatte früher an diesem Problem in der Finanzwelt gearbeitet. Denken Sie an Nachrichten, Finanzberichte, Preisdaten, Unternehmensaktionen, Einreichungen usw. Ich fand, dass dieses Problem berauschend war. Und es ist ein schwieriges Problem; und ein wichtiges! Als ich meinen Mitgründer, Dr. David Heeger, traf, verbrachten wir viel Zeit damit, Startup-Chancen in der biomedizinischen Industrie zu bewerten. Als wir die enorme Menge an Informationen erkannten, die in diesem Bereich generiert wird, fiel alles an seinen Platz. Biomedizinische Forscher kämpfen mit Informationsüberlastung, während sie versuchen, die riesige und schnell wachsende Basis des biomedizinischen Wissens zu bewältigen, einschließlich Dokumenten (z. B. Artikeln, Patentschriften, klinischen Studien) und Datenbanken (z. B. Genen, Proteinen, Wegen, Medikamenten, Krankheiten, medizinischen Begriffen). Dies ist ein großes Problem für Forscher, und da es keine angemessene Lösung gibt, sind sie gezwungen, grundlegende Suchwerkzeuge (wie PubMed und Google (GOOGL ) Scholar) und manuell kuratierte Datenbanken zu verwenden. Diese Werkzeuge sind geeignet, um Dokumente zu finden, die Schlüsselwörtern entsprechen (z. B. einem bestimmten Gen oder einem veröffentlichten Artikel), aber nicht, um umfassendes Wissen über ein Thema oder eine Teilbereich (z. B. COVID-19) zu erwerben oder die Ergebnisse von Hochdurchsatzbiologie-Experimenten zu interpretieren, wie z. B. Gen-Sequenzierung, Protein-Expression oder die Untersuchung chemischer Verbindungen. Wir gründeten Epistemic AI mit der Idee, dieses Problem mit einer Plattform anzugehen, die es ihnen ermöglicht, iterativ:

1. Die Zeit zu verkürzen, die zum Sammeln von Informationen und zum Aufbau umfassender Wissenskarten benötigt wird
2. Übergreifende Informationen zu finden, die sonst schwer zu finden sind (wirkliche Entdeckungen kommen oft aus dem Blick in den weißen Raum zwischen Disziplinen);
3. Kausale Hypothesen zu identifizieren, indem Pfade und fehlende Verbindungen in Ihrer Wissenskarte gefunden werden.

Was sind einige der öffentlichen und privaten Quellen, die verwendet werden, um diese Beziehungen zu kartieren?

Stefano Pacifico: Derzeit nehmen wir alle öffentlich verfügbaren Quellen auf, die wir finden können, einschließlich PubMed und clinicaltrials.gov. Wir nehmen Datenbanken von Genen, Medikamenten, Krankheiten und ihren Wechselwirkungen auf. Wir nehmen auch private Datenquellen für ausgewählte Kunden auf, aber wir sind nicht berechtigt, Details preiszugeben.

Welche maschinellen Lern-Technologien werden für die Wissenskartierung verwendet?

Stefano Pacifico: Eine der tief verwurzelten Überzeugungen bei Epistemic AI ist, dass Fanatismus nicht hilfreich ist, um Produkte zu bauen. Die Entscheidung, eine Architektur zu erstellen, die mehrere maschinelle Lern-Techniken integriert, wurde früh getroffen, und diese reichen von Wissensrepräsentation bis hin zu Transformer-Modellen, über Graph-Embeddings, aber auch einfache Modelle wie Regressions- und Random-Forest-Modelle. Jedes Komponent ist so einfach wie nötig, aber nicht einfacher. Obwohl wir glauben, bereits NLP-Komponenten gebaut zu haben, die für bestimmte Aufgaben state-of-the-art sind, schrecken wir nicht davor zurück, einfache Basismodelle zu verwenden, wenn möglich.

Können Sie einige der Unternehmen, Non-Profit-Organisationen oder akademischen Institutionen nennen, die die Epistemic-Plattform verwenden?

Stefano Pacifico: Obwohl ich es gerne tun würde, haben wir nicht mit unseren Nutzern vereinbart, dies zu tun. Ich kann sagen, dass wir Benutzer von sehr renommierten Institutionen in allen drei Segmenten (Unternehmen, Non-Profit-Organisationen und akademischen Institutionen) hatten. Darüber hinaus planen wir, die Plattform kostenlos für akademische und Non-Profit-Zwecke zu halten.

Wie hilft Epistemic Forschern bei der Identifizierung von Biomarkern für das zentrale Nervensystem (CNS) und andere krankheitsspezifische Biomarker?

Dr. David Heeger: Die Neurowissenschaft ist ein sehr interdisziplinäres Feld, das molekulare und zelluläre Biologie und Genetik, aber auch Psychologie, Chemie und Prinzipien der Physik, des Ingenieurwesens und der Mathematik umfasst. Es ist so breit, dass niemand auf all diesen Gebieten Experte sein kann. Forscher an akademischen Institutionen und in der Pharmaindustrie sind gezwungen, sich zu spezialisieren. Aber wir wissen, dass die wichtigen Erkenntnisse interdisziplinär sind und das Wissen aus den Teilbereichen kombinieren. Die KI-gestützte Software-Plattform, die wir bauen, ermöglicht es jedem, interdisziplinärer zu sein, die Verbindungen zwischen seinem individuellen Fachgebiet und anderen Themen zu sehen und neue Hypothesen zu identifizieren. Dies ist besonders wichtig in der Neurowissenschaft, da es sich um ein so interdisziplinäres Feld handelt. Die Funktion und Dysfunktion des menschlichen Gehirns ist das schwierigste Problem, das die Wissenschaft je zu lösen hatte. Wir sind auf einer Mission, die Art und Weise, wie biomedizinische Wissenschaftler arbeiten und denken, zu verändern.

Epistemic ermöglicht auch die Entdeckung genetischer Mechanismen von CNS-Erkrankungen. Können Sie uns erklären, wie dies funktioniert?

Dr. David Heeger: Die meisten neurologischen Erkrankungen, psychiatrischen Erkrankungen und Entwicklungsstörungen haben keine einfache Erklärung in Bezug auf genetische Unterschiede. Es gibt eine Handvoll von syndromalen Erkrankungen, für die eine spezifische Mutation bekannt ist, die die Erkrankung verursacht. Aber das ist normalerweise nicht der Fall. Es gibt Hunderte von genetischen Unterschieden, die mit Autismus-Spektrum-Störungen (ASD) in Verbindung gebracht wurden. Es gibt ein gewisses Verständnis für einige dieser Gene über die Funktionen, die sie in der Grundbiologie erfüllen. Zum Beispiel halten einige der mit ASD assoziierten Gene Synapsen im Gehirn zusammen (beachten Sie jedoch, dass dieselben Gene normalerweise unterschiedliche Funktionen in anderen Organsystemen des Körpers erfüllen). Aber es gibt sehr wenig Verständnis darüber, wie diese genetischen Unterschiede die komplexe Suite von Verhaltensunterschieden erklären können, die bei Individuen mit ASD auftreten. Um die Dinge noch schlimmer zu machen, können zwei Individuen mit demselben genetischen Unterschied völlig unterschiedliche Ergebnisse haben, eines mit ASD diagnostiziert und das andere nicht. Und zwei Individuen mit völlig unterschiedlichen genetischen Profilen können das gleiche Ergebnis haben, mit sehr ähnlichen Verhaltensdefiziten. Um all dies zu verstehen, müssen die Verbindungen von der Genetik und Molekularbiologie zur zellulären Neurowissenschaft (wie die genetischen Unterschiede die Funktion einzelner Neuronen beeinflussen) und dann zur Systemneurowissenschaft (wie die Unterschiede in der zellulären Funktion die Funktion von Netzwerken aus großen Zahlen von miteinander verbundenen Neuronen beeinflussen) und dann zur Psychologie (wie die Unterschiede in der Netzwerkfunktion die Kognition, Emotion und das Verhalten beeinflussen) hergestellt werden. Und all dies muss aus einer entwicklungsorientierten Perspektive verstanden werden. Ein genetischer Unterschied kann zu einem Defizit in einem bestimmten Aspekt der neuronalen Funktion führen. Aber das Gehirn sitzt nicht einfach da und nimmt es hin. Gehirne sind sehr anpassungsfähig. Wenn es einen fehlenden oder defekten Mechanismus gibt, dann wird das Gehirn sich anders entwickeln, um so gut wie möglich zu kompensieren. Diese Kompensation kann molekular sein, zum Beispiel durch die Upregulation eines anderen synaptischen Rezeptors, um die Funktion eines defekten synaptischen Rezeptors zu ersetzen. Oder die Kompensation kann verhaltensmäßig sein. Das Endresultat hängt nicht nur vom initialen genetischen Unterschied ab, sondern auch von den verschiedenen Versuchen, zu kompensieren, die auf molekulare, zelluläre, Schaltkreis-, System- und verhaltensmäßige Mechanismen zurückgreifen.

Kein Einzelner hat das Wissen, um all dies zu verstehen. Wir alle benötigen Hilfe. Die KI-gestützte Software-Plattform, die wir bauen, ermöglicht es jedem, alle relevanten biomedizinischen Kenntnisse zu sammeln und zu verbinden, die Verbindungen zu sehen und neue Hypothesen zu identifizieren.

Wie nutzen Biopharma- und akademische Institutionen Epistemic, um die COVID-19-Herausforderung zu meistern?

Stefano Pacifico: Wir haben eine öffentliche Version unserer Plattform veröffentlicht, die COVID-spezifische Datensätze enthält und für jeden, der an COVID-19-Forschung arbeitet, kostenlos zugänglich ist. Sie ist verfügbar unter https://covid.epistemic.ai

Welche anderen Krankheiten oder genetischen Probleme wurden mit Epistemic bearbeitet?

Stefano Pacifico: Wir haben mit Autismus-Forschern zusammengearbeitet und arbeiten derzeit an einer neuen Forschungsinitiative für Mukoviszidose. Aber wir sind bereit, mit jedem Forscher oder jeder Institution zusammenzuarbeiten, die Hilfe bei ihrer Forschung benötigt.

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

Stefano Pacifico: Wir bauen eine Bewegung von Menschen auf, die die Art und Weise verändern möchten, wie biomedizinische Forscher arbeiten und denken. Wir hoffen sehr, dass viele Ihrer Leser sich uns anschließen werden!

Vielen Dank beiden für die Zeit, die Sie sich genommen haben, um unsere Fragen zu beantworten. Leser, die mehr erfahren möchten, sollten Epistemic AI besuchen.