Thomas Clozel, M.D., Mitbegründer und CEO von Owkin – Interviewreihe

Thomas Clozel, M.D. ist Mitbegründer und CEO von Owkin, einem KI‑Biotech‑Unternehmen, das die Gesundheitsbranche revolutioniert. Mit einem Hintergrund in der klinischen Forschung war Clozel seit der Gründung 2016 maßgeblich für die Führung von Owkin verantwortlich. Unter seiner Leitung hat das Unternehmen bedeutende Meilensteine erreicht, darunter die Beschaffung erheblicher Finanzmittel und den Aufbau strategischer Partnerschaften mit großen Pharmaunternehmen. Er war Assistant Professor für klinische Onko‑Hämatologie am Hôpital Henri Mondor in Paris und ehemaliges Mitglied des Onkologie‑Labors von Dr. Ari Melnick am Weill Cornell Medical College.

Owkin ist ein KI‑Biotechnologieunternehmen, das autonome KI‑Systeme entwickelt, um die biomedizinische Forschung und die Wirkstoffentdeckung zu beschleunigen. 2016 von dem Onkologen Thomas Clozel und dem Machine‑Learning‑Forscher Gilles Wainrib gegründet, kombiniert das Unternehmen fortschrittliche KI‑Modelle mit multimodalen Patientendaten, biologischer Forschung und klinischer Expertise, um pharmazeutischen Teams ein besseres Verständnis von Krankheiten zu ermöglichen, therapeutische Ziele zu identifizieren, Biomarker zu entdecken und fundiertere F&E‑Entscheidungen zu treffen. Die Flaggschiff‑Plattform K Pro fungiert als KI‑Wissenschaftler, der spezialisierte Modelle und Forschungstools orchestrieren kann, um komplexe biologische Fragestellungen zu analysieren; Owkin arbeitet letztlich auf das Ziel hin, das es „Biological Artificial SuperIntelligence:“ nennt – ein selbstverbesserndes KI‑System, das immer größere Teile des Wirkstoffentdeckungsprozesses autonom durchführen kann.

Owkin hat strategische Beziehungen zu großen biopharmazeutischen Unternehmen wie Sanofi, Bristol Myers Squibb und MSD aufgebaut und ein globales Netzwerk von akademischen Forschern, Klinikern, Partnern für Patientendaten und Laborinfrastruktur geschaffen.

Ihre Laufbahn erstreckte sich über klinische Hämatologie, onkologische Forschung und rechnerische Biologie. Als Sie 2016 Owkin mitgründeten, welche Einschränkungen sahen Sie in der konventionellen medizinischen Forschung, die Sie davon überzeugten, dass KI Wissenschaftlern ein anderes Verständnis von Krankheiten ermöglichen könnte?

Ich war Onkologe und behandelte 35‑jährige Krebspatienten, bei denen weder ihre Vorgeschichte noch ihr Rückfall erklärt werden konnten. Und wir hatten keine solide Wissenschaft, um das zu erklären – selbst nach einem Jahrhundert Forschung. Das ließ mich denken: Biologie ist kein Problem im menschlichen Maßstab. Es erfordert Denken über Skalen hinweg, von Molekülen bis zu ganzen Organismen, und gleichzeitig über viele verschiedene Datenarten – von Gewebebiopsien bis zur Behandlungsgeschichte eines Patienten. Dafür benötigen wir KI. Ich dachte, dass die einzigen Daten, die uns dem menschlichen Verständnis am nächsten bringen, Patientendaten seien. Deshalb habe ich 2016 zusammen mit Gilles Wainrib Owkin gegründet und wir begannen mit föderiertem Lernen – einer Methode, die KI‑Modellen ermöglicht, aus Krankenhausdaten zu lernen, ohne dass diese das Krankenhaus verlassen – um diese Daten zu erschließen und Antworten zu finden.

Generative KI kann zahlreiche plausible biologische Hypothesen erzeugen. Wie sollten Forschende zwischen einer wirklich neuartigen Entdeckung und einer überzeugenden, aber letztlich falschen KI‑generierten Korrelation unterscheiden?

Man sollte alle Hypothesen als falsch ansehen, bis das Gegenteil bewiesen ist. Das ist beabsichtigt. Ich glaube, dass fortschrittliche KI‑Agenten – autonome, hochentwickelte KI‑Systeme – bei Zugriff auf die richtigen Werkzeuge und Daten genauer Hypothesen generieren können als wir derzeit. Bei Owkin bewerten unsere Modelle Hypothesen danach, wie wahrscheinlich sie Bestand haben, basierend auf Mustern, die aus den Daten gelernt wurden.

Dennoch müssen wir sie zuerst im Labor und anschließend in klinischen Studien testen, bevor wir volles Vertrauen in sie setzen können. Bei Owkin tun wir das über das, was wir „Lab in the Loop“ nennen – jede KI‑Vorhersage an echten biologischen Proben prüfen, bevor sie vertraut wird – und anschließend in klinischen Studien. Wir müssen also jede Hypothese wie bisher experimentell testen. KI hilft uns jedoch, Ressourcen besser zu nutzen, indem sie uns zu den Testwegen leitet, die am wahrscheinlichsten zum Erfolg führen.

K Pro kombiniert Pathologie, Genomik, räumliche Biologie und klinische Ergebnisse. Wie führt das Zusammenführen dieser verschiedenen Datentypen zu stärkeren biologischen Evidenzen im Vergleich zur Nutzung eines einzelnen Datensatzes oder einer einzigen Modalität?

Wir versuchen, das Gesamtbild der Ursachen einer Krankheit zu erfassen. Jeder dieser Datentypen liefert einen Schnappschuss eines Teils – aber keiner allein kann die vollständige, kausale Erklärung liefern.

Wenn man die Krankheit aus mehreren Blickwinkeln gleichzeitig betrachtet, kommt man dem Gesamtbild näher. Das wollen wir über jede biologische Skala hinweg erreichen – zum Beispiel, indem wir die Genaktivität mit der physischen Struktur des Gewebes verknüpfen und die zugrunde liegende Biologie eines Patienten (seine Gene und Moleküle) mit den klinischen Beobachtungen (Gewebebilder, Patientenakten, Therapieantworten) verbinden.

Genau das ist die Stärke der KI: Sie kann diese sehr unterschiedlichen Datentypen kombinieren und die zugrunde liegenden Muster finden, die dem Gesamtbild näher kommen – etwas, das das menschliche Gehirn allein nur äußerst schwer leisten kann.

Owkin bezeichnet KI‑generierte Entdeckungen als Hypothesen und nicht als Fakten. Welche Phasen muss eine K Pro‑Hypothese durchlaufen, bevor Ihr Team sie als biologisch bedeutsam genug erachtet, um eine Wirkstoffentwicklungsentscheidung zu beeinflussen?

Vier Phasen.

Erste Phase: computergestützte Replikation: Hält das Signal stand, wenn es mit unabhängigen Patientendatensätzen und über Datentypen hinweg geprüft wird, die nicht zur Generierung verwendet wurden? Dieser Schritt ist kostengünstig und eliminiert die Mehrheit der Kandidaten frühzeitig.

Zweite Phase: mechanistische Prüfung: Gibt es eine kohärente, kausale Erklärung – ein plausibles neues biologisches Element? Und sagt die Evidenz tatsächlich das, was das Modell behauptet? Wir untersuchen die zugrunde liegenden Belege, nicht nur die Schlussfolgerung. Hier ist das Fachwissen unseres Expertenteams für Biomedizin von großer Bedeutung.

Dritte Phase: Wir testen sie im Labor. Wir prüfen die Vorhersage mit patienten‑abgeleiteten Modellen – einschließlich Organoiden (kleine, im Labor gezüchtete Versionen des Tumors eines Patienten) – durch Wirkstofftests und Gen‑Editierungs‑Experimente. In diesem Schritt wird aus einer Korrelation entweder eine echte kausale Behauptung oder nicht.

Vierte Phase: Patienten. Wir testen derzeit OKN4395 – einen Wirkstoffkandidaten, dessen zugrunde liegende Biologie K Pro uns geholfen hat zu verstehen – in unserer INVOKE‑Klinikstudie. Gleichzeitig nutzen wir diese Studie, um unsere KI zu verbessern: Sie sammelt währenddessen detaillierte Patientendaten, sodass wir nicht nur ein Medikament testen, sondern auch prüfen, ob das Modell die Krankheitsmechanismen und die passende Patientengruppe korrekt eingeschätzt hat.

Owkin testet ausgewählte K Pro‑Vorhersagen in seinem Nasslabor mithilfe von Ansätzen wie patienten‑abgeleiteten Organoiden und genetischen Perturbationen. Wie verbessert dieses Labor‑Feedback das System, und was geschieht, wenn experimentelle Ergebnisse der ursprünglichen Vorhersage widersprechen?

K Pro sagt neue Biologie voraus, wir konzipieren das Experiment und testen es mit patienten‑abgeleiteten Labor­modellen – einschließlich Organoiden, Co‑Kulturen (verschiedene Zelltypen zusammen zu züchten, um ihre Wechselwirkungen zu beobachten) und Modellen, bei denen spezifische Gene ein- oder ausgeschaltet wurden. Die Ergebnisse fließen anschließend zurück ins System, um es zu verbessern. Heute werden Teile dieses Zyklus noch manuell durchgeführt; die vollständige Automatisierung ist unser nächster Schritt.

Wir haben bereits die Wirkung dieses Feedbacks gemessen. In einer Studie, die wir dieses Jahr auf ArXiv (einem Repository für wissenschaftliche Arbeiten) veröffentlicht haben, waren KI‑Agenten, die dieses iterative Labor‑Feedback erhielten, 166–185 % besser als eine zufällige Auswahl beim Identifizieren von Genen, die das Zellverhalten wesentlich verändern – also Gene, die als Wirkstoffziele interessant sind.

Welche Kennzahlen sollten Pharmaunternehmen verwenden, um einen KI‑Wissenschaftler zu bewerten? Sollte Erfolg anhand von Vorhersagegenauigkeit, Reproduzierbarkeit, Anzahl validierter Ziele, verbesserten Entscheidungen in klinischen Studien oder anderen Standards gemessen werden?

Wir halten Zuverlässigkeit für das wichtigste Kriterium. Eine KI, die gelegentlich eine sehr genaue Antwort liefert, ist interessant, doch KI‑Systeme werden für die Branche erst dann wirklich nützlich, wenn sie dieselbe Frage jedes Mal zuverlässig auf dieselbe Weise beantworten können, egal wie oft man sie stellt.

Das ist es, was diese Systeme von einer eindrucksvollen Demo zu einer tragfähigen Arbeitsablauf‑Basis macht. So haben wir K Pro entwickelt – damit das KI‑Denken darin jedes Mal denselben reproduzierbaren, transparenten Prozess durchläuft, wenn es eine Frage beantwortet.

Wissenschaftliche Reproduzierbarkeit ist im Wirkstoffforschen essenziell. Wie zeigt K Pro Forschenden, welche Datensätze, Analyse‑Workflows und Denk‑Schritte zu einer Schlussfolgerung beigetragen haben, sodass die Ergebnisse unabhängig überprüft werden können?

K Pro dokumentiert und visualisiert den Denkprozess, den die KI durchläuft, um jede Anfrage zu beantworten.

Jeder genutzte Datensatz wird mit Quelle und Version gekennzeichnet. Man kann die Patientengruppe bei jedem Filterungsschritt verkleinern sehen – zum Beispiel, wie aus viertausend Patienten drei­hundert wurden. Jedes aufgerufene Werkzeug wird angezeigt. Jede „Skill“ wird angezeigt. Jeder Denk­schritt wird angezeigt.

Ein „Skill“ ist ein wissenschaftlicher Workflow, der einmal kodiert wurde – die Abfolge von Analysen, Schwellenwerten, das Denken – und den K Pro dann jedes Mal identisch anwendet, wenn er relevant ist. Skills sind besonders wichtig für die Reproduzierbarkeit, da sie eine Möglichkeit darstellen, die natürliche Variabilität von KI‑Systemen zu reduzieren – dieselbe Aufgabe, zweimal ausgeführt, sollte dieselbe Antwort liefern. Wir bauen darauf weiter auf, weil die Möglichkeit, die Arbeit einer KI zu verifizieren, ein entscheidender Vorteil in unserer Branche ist.

Owkin entwickelt speziell zugeschnittene K Pro‑Agenten für AstraZeneca und Sanofi. Was haben Sie aus diesen Kooperationen über die Integration von KI‑Wissenschaftlern in etablierte pharmazeutische Arbeitsabläufe gelernt, ohne die menschliche Aufsicht, Governance oder wissenschaftliche Strenge zu schwächen?

Man muss die Pharmaunternehmen dort abholen, wo sie stehen. Jedes Unternehmen hat eine andere Struktur, Geschichte und ein unterschiedliches Interesse an der KI‑Einführung – und innerhalb jedes Unternehmens haben verschiedene Teams unterschiedliche Bedürfnisse.

Unsere fast ein Jahrzehnt lange Erfahrung in der Zusammenarbeit mit Pharmafirmen zeigt, dass sie stets Aufsicht und Strenge priorisieren und man nicht einmal Zugang erhält, wenn man deren Governance‑Standards nicht erfüllt.

Daher haben wir K Pro so gestaltet, dass es interpretierbar ist – man kann sehen, wie es denkt, welche Werkzeuge es auswählt und auf welche Daten es zugreift – und gleichzeitig flexibel genug, um in den bestehenden Systemen eines Unternehmens zu funktionieren, ohne dass die Infrastruktur geändert werden muss, und proprietäre Daten exakt dort nutzen kann, wo sie bereits gespeichert sind, ohne sie zu verschieben oder zu duplizieren.

Das trägt wesentlich dazu bei, das Vertrauen zu schaffen, das für die Akzeptanz durch die Pharmaindustrie nötig ist.

Multimodale Patientendaten können institutionelle Verzerrungen, inkonsistente Annotationen und unterrepräsentierte Populationen enthalten. Wie verhindert Owkin, dass diese Einschränkungen zu irreführenden biologischen Schlussfolgerungen führen oder die Zahl der potenziell von einer Entdeckung profitierenden Patienten einschränken?

Alle Daten enthalten irgendeine Form von Bias, sei es aus dem Labor, aus dem sie stammen, oder aus den Patienten, die sie repräsentieren. Unser Ansatz besteht darin, unsere Datensätze so umfassend wie möglich zu verstehen, um zu erkennen, ob ein Bias vorliegt und wie man ihm Rechnung trägt.

Dies gelingt uns, weil wir enge Beziehungen zu den Forschenden haben, die jeden Datensatz ursprünglich erstellt haben, und sie uns bei einer tiefgehenden Analyse unterstützen.

Wir sind zuversichtlich, dass wir einen relevanten Datensatz finden können, wenn er existiert. Gibt es jedoch eine Lücke – etwa wenn eine Patientengruppe in den vorhandenen Daten nicht gut vertreten ist – können wir selbst neue Daten nach strengen Standards erzeugen, in Zusammenarbeit mit akademischen Partnern, wie wir es mit unserem MOSAIC‑Datensatz getan haben.

Sie haben das langfristige Ziel von Owkin als Biological Artificial Superintelligence beschrieben. Welche Fähigkeiten würden diese von heutigen KI‑Forschungswerkzeugen unterscheiden, und welche Evidenz würde Sie überzeugen, dass ein KI‑System die Biologie wirklich versteht und nicht nur immer raffiniertere Muster erkennt?

Biological Artificial Superintelligence (BASI) – unser Begriff für ein KI‑System, das eigenständig wirklich neue, korrekte Biologie vorschlagen kann – wird Realität, wenn ein KI‑System zuverlässig neue Krankheitsbiologie vorschlägt, die die menschliche Forschung bislang nicht entdeckt hat und die sich später als korrekt erweist.

Wir arbeiten darauf hin, ein System zu entwickeln, das:

• autonom arbeitet und seine eigenen Hypothesen verfeinert, ohne bei jedem Schritt menschliches Eingreifen zu benötigen, einschließlich der Planung und Durchführung von Experimenten in automatisierten Laboren
• Ursache‑Wirkungs‑Beziehungen in biologischen Systemen versteht, nicht nur Korrelationen erkennt

Ob die KI tatsächlich „Biologie versteht“, ist eine interessante philosophische Frage. Ab welchem Punkt werden die internen Repräsentationen eines Modells so komplex, dass sie als echtes Verständnis gelten und nicht nur als hochentwickelte Mustererkennung? Für den Moment genügt mir, dass sie zuverlässig neue Biologie vorschlagen kann, die sich als wahr herausstellt.

Vielen Dank für das großartige Interview, Leserinnen und Leser, die mehr erfahren möchten, sollten Owkin besuchen.