Δρ. Σεράφειμ Μπατζόγλου, Chief Data Officer tại Seer – Σειρά Συνεντεύξεων

Ο Σεράφειμ Μπατζόγλου είναι Chief Data Officer tại Seer. Πριν ενταχθεί στη Seer, ο Σεράφειμ υπηρέτησε ως Chief Data Officer tại Insitro, όπου ηγήθηκε της μηχανικής μάθησης και της επιστήμης των δεδομένων στην προσέγγισή τους για την ανακάλυψη φαρμάκων. Πριν από την Insitro, υπηρέτησε ως VP της Εφαρμοσμένης και Υπολογιστικής Βιολογίας tại Illumina, όπου ηγήθηκε της έρευνας και της ανάπτυξης τεχνολογίας για την ανάπτυξη της τεχνολογίας AI και των μοριακών δοκιμών για την κάνουν τα γενωμικά δεδομένα πιο ερμηνεύσιμα στην ανθρώπινη υγεία.

Τι σας έκανε να ενδιαφερθείτε αρχικά για το πεδίο της γενετικής;

Γεννήθηκα με ενδιαφέρον για το πεδίο της υπολογιστικής βιολογίας στην αρχή του διδακτορικού μου στη επιστήμη των υπολογιστών στο MIT, όταν πήρα ένα μάθημα sobre το θέμα που δίδασκε η Bonnie Berger, η οποία έγινε η σύμβουλος μου για το διδακτορικό, και ο David Gifford. Το πρόγραμμα του ανθρώπινου γονιδιώματος ήταν σε πλήρη εξέλιξη κατά τη διάρκεια του διδακτορικού μου. Ο Eric Lander, ο οποίος ήταν επικεφαλής του Κέντρου Γονιδιώματος στο MIT, έγινε ο συν-επιβλέπων μου και με ενέταξε στο πρόγραμμα. Κινητοποιημένος από το πρόγραμμα του ανθρώπινου γονιδιώματος, εργάστηκα στην ανάλυση ολόκληρου του γονιδιώματος και συγκριτικής γενετικής του ανθρώπινου και του μυικού DNA.

Στη συνέχεια, μετακόμισα στο Πανεπιστήμιο του Στάνφορντ ως μέλος του Τμήματος Επιστήμης των Υπολογιστών, όπου πέρασα 15 χρόνια και είχα την τιμή να συμβουλεύσω περίπου 30 εξαιρετικά ταλαντούχους διδάκτορες και πολλούς μεταδιδάκτορες και προπτυχιακούς φοιτητές. Η εστίαση της ομάδας μου ήταν η εφαρμογή αλγορίθμων, μηχανικής μάθησης και εργαλείων λογισμικού για την ανάλυση μεγάλης κλίμακας γενετικών και βιομοριακών δεδομένων. Έφυγα από το Στάνφορντ το 2016 για να ηγηθώ μιας ομάδας έρευνας και ανάπτυξης τεχνολογίας στην Illumina. Από τότε, έχω απολαύσει την ηγεσία ομάδων R&D στη βιομηχανία. Βρίσκω ότι η ομαδική εργασία, το επιχειρηματικό μέρος και η πιο直接η επίδραση στην κοινωνία είναι χαρακτηριστικά της βιομηχανίας σε σύγκριση με την ακαδημία. Έχω εργαστεί σε καινοτόμες εταιρείες καθ’ όλη τη διάρκεια της καριέρας μου: DNAnexus, την οποία συνίδρυσα το 2009, Illumina, Insitro και τώρα Seer. Η υπολογιστική και η μηχανική μάθηση είναι απαραίτητες σε όλη τη τεχνολογική αλυσίδα στη βιοτεχνολογία, από την ανάπτυξη τεχνολογίας, στην απόκτηση δεδομένων, στην ερμηνεία βιολογικών δεδομένων και τη μετάφρασή τους στην ανθρώπινη υγεία.

Κατά τη διάρκεια των τελευταίων 20 ετών, η ακολουθία του ανθρώπινου γονιδιώματος έγινε πολύ φθηνότερη και ταχύτερη. Αυτό οδήγησε σε δραματική αύξηση της αγοράς ακολουθίας γονιδιώματος και ευρύτερη υιοθέτηση στη βιομηχανία των βιοεπιστημών. Βρισκόμαστε τώρα στο σημείο να έχουμε πληθυσμιακά γενωμικά, multi-ωμικά και φαινοτυπικά δεδομένα αρκετά μεγάλης κλίμακας για να επαναφέρουμε με σημαντικό τρόπο την υγεία, συμπεριλαμβανομένης της πρόληψης, διάγνωσης, θεραπείας και ανακάλυψης φαρμάκων. Μπορούμε όλο και περισσότερο να ανακαλύψουμε τις μοριακές βάσεις της νόσου για άτομα μέσω υπολογιστικών αναλύσεων γενετικών δεδομένων, και οι ασθενείς έχουν την ευκαιρία να λαμβάνουν θεραπείες που είναι προσωποποιημένες και στοχευμένες, ιδιαίτερα στις περιοχές του καρκίνου και της σπάνιας γενετικής νόσου. Πέρα από την προφανή χρήση στη медициνή, η μηχανική μάθηση σε συνδυασμό με γενετικές πληροφορίες μας επιτρέπει να αποκτήσουμε γνώσεις σε άλλους τομείς της ζωής μας, όπως η γενεαλογία και η διατροφή. Τα επόμενα χρόνια θα δούμε την υιοθέτηση προσωποποιημένης, δεδομένων-κίνητης υγείας, πρώτα για επιλεγμένες ομάδες ανθρώπων, όπως ασθενείς με σπάνιες νόσους, και όλο και περισσότερο για το ευρύ κοινό.

Πριν από το τρέχον ρόλο σας, ήσασταν Chief Data Officer στην Insitro, όπου ηγήθητε της μηχανικής μάθησης και της επιστήμης των δεδομένων στην προσέγγισή τους για την ανακάλυψη φαρμάκων. Ποια ήταν κάποια από τα βασικά συμπεράσματα από αυτή τη περίοδο με το πώς η μηχανική μάθηση μπορεί να χρησιμοποιηθεί για να επιταχύνει την ανακάλυψη φαρμάκων;

Η συμβατική παράδοση της ανακάλυψης και ανάπτυξης φαρμάκων “δοκιμή-σφάλμα” είναι πλήρης από ανεπάρκειες και εξαιρετικά μακρές προθεσμίες. Για ένα φάρμακο να φτάσει στην αγορά, μπορεί να χρειαστούν πάνω από 1 δισεκατομμύριο δολάρια και πάνω από μια δεκαετία. Με την ενσωμάτωση της μηχανικής μάθησης σε αυτές τις προσπάθειες, μπορούμε να μειώσουμε δραματικά το κόστος και τους χρόνους σε διάφορα στάδια. Ένα στάδιο είναι η ταυτοποίηση στόχων, όπου ένα γονίδιο ή ένα σύνολο γονιδίων που ρυθμίζουν einen φαινοτυπικό τύπο νόσου ή επαναφέρουν einen κυτταρικό κατάσταση σε μια πιο υγιή κατάσταση μπορεί να ταυτοποιηθεί μέσω μεγάλης κλίμακας γενετικών και χημικών παρεμβάσεων, και φαινοτυπικών αναγνωρίσεων όπως εικόνας και λειτουργικής γενετικής. Ένα άλλο στάδιο είναι η ταυτοποίηση και βελτίωση ενώσεων, όπου μια μικρή μόρια ή άλλη modalidad μπορεί να σχεδιαστεί από τη μηχανική μάθηση-κίνητη πρόβλεψη in silico καθώς και in vitro screening, και επιπλέον επιθυμητές ιδιότητες ενός φαρμάκου όπως η διαλυτότητα, η διαπερατότητα, η ειδικότητα και η μη τοξικότητα μπορούν να βελτιστοποιηθούν. Το πιο δύσκολο αλλά και το πιο σημαντικό μέρος είναι ίσως η μετάφραση στους ανθρώπους. Εδώ, η επιλογή του σωστού μοντέλου—πρωτογενών κυττάρων ή ινδουσών κυττάρων και δειγμάτων ιστών versus ζωικών μοντέλων—για την σωστή νόσο θέτει ένα εξαιρετικά σημαντικό σύνολο εμποδίων που αντανακλούν τελικά την ικανότητα των δεδομένων plus μηχανικής μάθησης να μεταφραστούν σε ασθενείς.

Η Seer Bio είναι πρωτοπόρος σε νέους τρόπους για να αποκρυπτογραφήσει τα μυστικά του προτεωμίου για να βελτιώσει την ανθρώπινη υγεία. Για τους αναγνώστες που δεν είναι εξοικειωμένοι με αυτόν τον όρο, τι είναι το προτεωμείο;

Το προτεωμείο είναι το μεταβαλλόμενο σύνολο πρωτεϊνών που παράγονται ή τροποποιούνται από έναν οργανισμό με την πάροδο του χρόνου και σε απάντηση στο περιβάλλον, τη διατροφή και την υγεία. Η προτεωμική είναι η μελέτη του προτεωμίου μέσα σε ένα δεδομένο είδος κυττάρων ή δείγματος ιστών. Το γονιδίωμα του ανθρώπου ή άλλων οργανισμών είναι στατικό: με την σημαντική εξαίρεση των σωματικών μεταλλάξεων, το γονιδίωμα στη γέννηση είναι το γονιδίωμα που έχει κανείς όλη τη ζωή του, αντίγραφο ακριβώς σε κάθε κύτταρο του σώματός του. Το προτεωμείο είναι δυναμικό και αλλάζει σε χρονικές διαστήματα ετών, ημερών και ακόμη και λεπτών. Ως takové, τα προτεωμία είναι πολύ πιο κοντά στο φαινοτυπικό και τελικά στην υγεία από ότι τα γονιδιώματα, και κατά συνέπεια πιο ενημερωτικά για την παρακολούθηση της υγείας και την κατανόηση της νόσου.

Στη Seer, έχουμε αναπτύξει einen νέο τρόπο για να αποκτήσουμε πρόσβαση στο προτεωμείο που παρέχει βαθύτερες γνώσεις για τις πρωτεΐνες και τις προτεϊνικές μορφές σε σύνθετα δείγματα όπως το πλάσμα, το οποίο είναι ένα εξαιρετικά προσιτό δείγμα που δυστυχώς μέχρι τώρα έχει θέσει eine μεγάλη πρόκληση για την παραδοσιακή μάζα-φασματική προτεωμική.

Τι είναι η πλατφόρμα Proteograph της Seer και πώς προσφέρει μια νέα άποψη του προτεωμίου;

Η πλατφόρμα Proteograph της Seer αξιοποιεί μια βιβλιοθήκη ιδιοκτησιακών νανοσωματιδίων, που τροφοδοτείται από μια απλή, ταχεία και αυτοματοποιημένη ροή εργασίας, που επιτρέπει την sâuινή και κλιμακωτή διερεύνηση του προτεωμίου.

Η πλατφόρμα Proteograph διακρίνεται στην διερεύνηση του πλάσματος και άλλων σύνθετων δειγμάτων που εμφανίζουν μεγάλη δυναμική εύρος—πολλές τάξεις μεγέθους διαφορά στην αφθονία των διαφόρων πρωτεϊνών στο δείγμα—όπου οι παραδοσιακές μεθόδους φασματικής μάζας δεν μπορούν να ανιχνεύσουν το χαμηλής αφθονίας μέρος του προτεωμίου. Τα νανοσωματίδια της Seer είναι σχεδιασμένα με ρυθμιζόμενες φυσιοχημικές ιδιότητες που συλλέγουν πρωτεΐνες σε όλο το δυναμικό εύρος με μη προκατειλημμένο τρόπο. Σε τυπικά δείγματα πλάσματος, η τεχνολογία μας επιτρέπει την ανίχνευση 5x έως 8x περισσότερων πρωτεϊνών από ότι όταν επεξεργαζόμαστε το πλάσμα χωρίς να χρησιμοποιούμε την Proteograph. Ως αποτέλεσμα, από την προετοιμασία του δείγματος έως τη συσκευή και την ανάλυση δεδομένων, το Proteograph Product Suite μας βοηθά τους επιστήμονες να βρουν σημάδια νόσου του προτεωμίου που θα μπορούσαν να μην είναι ανιχνεύσιμα.

Επιπλέον, μας επιτρέπουν να πραγματοποιούμε εύκολα μεγάλης κλίμακας προτεογενωμικές μελέτες. Η προτεογενωμική είναι η συνδυαστική των γενωμικών δεδομένων με προτεωμικά δεδομένα για να ταυτοποιήσει και να ποσοτικοποιήσει τις πρωτεϊνικές παραλλαγές, να συνδέσει τις γενωμικές παραλλαγές με τα επίπεδα αφθονίας των πρωτεϊνών, και τελικά να συνδέσει το γονιδίωμα και το προτεωμείο με το φαινοτυπικό και την νόσο, και να ξεμπλέξει τις αιτιολογικές και τις επιπτώσεις των γενετικών μονοπατιών που σχετίζονται με την νόσο.

Μπορείτε να συζητήσετε κάποιες από τις τεχνολογίες μηχανικής μάθησης που χρησιμοποιούνται αυτή τη στιγμή στη Seer Bio;

Η Seer αξιοποιεί τη μηχανική μάθηση σε όλα τα στάδια, από την ανάπτυξη τεχνολογίας έως την ανάλυση δεδομένων. Αυτά τα στάδια περιλαμβάνουν: (1) σχεδιασμό των ιδιοκτησιακών νανοσωματιδίων, όπου η μηχανική μάθηση μας βοηθά να καθορίσουμε ποιες φυσιοχημικές ιδιότητες και συνδυασμοί νανοσωματιδίων θα δουλέψουν με συγκεκριμένες γραμμές προϊόντων και δοκιμών; (2) ανίχνευση και ποσοτικοποίηση των πεπτιδίων, πρωτεϊνών, παραλλαγών και προτεϊνικών μορφών από τα δεδομένα που παράγονται από τα όργανα MS; (3) κατωτέρω προτεωμικές και προτεογενωμικές αναλύσεις σε μεγάλης κλίμακας πληθυσμιακές κοόρτες.

Πέρυσι, δημοσιεύσαμε ένα άρθρο στο Advanced Materials που συνδυάζει μεθόδους προτεωμικής, νανομηχανική και μηχανική μάθηση για την βελτίωση της κατανόησής μας για τους μηχανισμούς της δημιουργίας της πρωτεϊνικής κορώνας. Αυτό το άρθρο αποκάλυψε νανο-βιοαλληλεπιδράσεις και μας ενημερώνει για τη δημιουργία βελτιωμένων μελλοντικών νανοσωματιδίων και προϊόντων.

Πέρα από την ανάπτυξη νανοσωματιδίων, έχουμε αναπτύξει νέες αλγορίθμους για την ταυτοποίηση παραλλαγών πεπτιδίων και μετα-μεταφραστικών τροποποιήσεων (PTMs). Πρόσφατα αναπτύξαμε μια μέθοδο για ανίχνευση πρωτεϊνών ποσοτικών χαρακτηριστικών (pQTLs) που είναι ανθεκτική σε παραλλαγές πρωτεϊνών, η οποία είναι ένας γνωστός παραμορφωτής για προτεωμική με βάση την’affinity. Chúng tôi επεκτείνουμε αυτή τη δουλειά για να αναγνωρίσουμε άμεσα αυτές τις πρωτεΐνες από τα сыρά φάσματα χρησιμοποιώντας μεθόδους deep learning-based de novo sequencing για να επιτρέψουμε την αναζήτηση χωρίς να αυξάνουμε το μέγεθος των βιβλιοθηκών φασμάτων.

Η ομάδα μας αναπτύσσει επίσης μεθόδους για να επιτρέψει στους επιστήμονες χωρίς βαθιά εμπειρία στη μηχανική μάθηση να βελτιστοποιήσουν και να χρησιμοποιήσουν μεθόδους μηχανικής μάθησης στο έργο τους. Αυτό επιτυγχάνεται μέσω ενός πλαισίου Seer ML που βασίζεται στο AutoML εργαλείο, το οποίο επιτρέπει την αποτελεσματική βελτιστοποίηση των υπερπαραμέτρων μέσω της Bayesian βελτιστοποίησης.

Τέλος, αναπτύσσουμε μεθόδους για να μειώσουμε την επίδραση της παρτίδας και να αυξήσουμε την ποσοτική ακρίβεια της μετρημένης τιμής από το mass spec με το μοντέλο των μετρημένων τιμών για να μεγιστοποιήσουμε τα αναμενόμενα μετρικά όπως η συσχέτιση των τιμών έντασης μεταξύ πεπτιδίων μέσα σε μια ομάδα πρωτεϊνών.

Οι ψευδαισθήσεις είναι ένα κοινό πρόβλημα με τις LLMs, ποια είναι κάποια από τις λύσεις για να αποτρέψουν ή να μετριάσει αυτό;

Οι LLMs είναι γεννητικές μεθόδους που δίδονται ένα μεγάλο σώμα και εκπαιδεύονται για να γεννήσουν παρόμοιο κείμενο. Καταγράφουν τις υποκείμενες στατιστικές ιδιότητες του κειμένου που εκπαιδεύονται, από απλές τοπικές ιδιότητες όπως πόσο συχνά συγκεκριμένα συνδυασμούς λέξεων (ή tokens) βρίσκονται μαζί, σε υψηλότερες ιδιότητες που μιμούνται την κατανόηση του контέκστου και του νοήματος.

Ωστόσο, οι LLMs δεν εκπαιδεύονται πρωτίστως για να είναι σωστές. Η ενίσχυση της μάθησης με ανθρώπινη ανατροφοδότηση (RLHF) και άλλες τεχνικές βοηθούν στην εκπαίδευση τους για επιθυμητές ιδιότητες, συμπεριλαμβανομένης της ορθότητας, αλλά δεν είναι πλήρως επιτυχημένες. Δίδοντας μια πρόκληση, οι LLMs θα γεννήσουν κείμενο που μοιάζει περισσότερο με τις στατιστικές ιδιότητες των δεδομένων εκπαίδευσης. Συχνά, αυτό το κείμενο είναι επίσης σωστό. Για παράδειγμα, αν ρωτηθούν “πότε γεννήθηκε ο Μέγας Αλέξανδρος”, η σωστή απάντηση είναι 356 π.Χ., και μια LLM είναι πιθανό να δώσει αυτή την απάντηση γιατί μέσα στα δεδομένα εκπαίδευσης η γέννηση του Μεγάλου Αλεξάνδρου εμφανίζεται συχνά ως αυτή η τιμή. Ωστόσο, αν ρωτηθούν “πότε γεννήθηκε η Empress Reginella”, ένα φανταστικό πρόσωπο που δεν υπάρχει στα δεδομένα εκπαίδευσης, η LLM είναι πιθανό να ψευδαισθήσει και να δημιουργήσει μια ιστορία για τη γέννησή της.

Δεν υπάρχουν τέλειες λύσεις ακόμη για τις ψευδαισθήσεις. Είναι ενδημικές στη σχεδίαση της LLM. Μια μερική λύση είναι η σωστή πρόκληση, όπως να ζητήσετε από την LLM να “σκέφτεται προσεκτικά, βήμα προς βήμα”, και così κατω. Αυτό αυξάνει την πιθανότητα της LLM να μην δημιουργήσει ιστορίες. Μια πιο εξελιγμένη προσέγγιση που αναπτύσσεται είναι η χρήση γνώσεων γραφικών. Τα γράφματα γνώσεων παρέχουν δομημένα δεδομένα: οι οντότητες σε ένα γράφημα γνώσεων συνδέονται με άλλες οντότητες με έναν προκαθορισμένο, λογικό τρόπο. Η κατασκευή ενός γράφματος γνώσεων για ένα δεδομένο πεδίο είναι βέβαια μια δύσκολη εργασία, αλλά είναι δυνατή με συνδυασμό αυτοματοποιημένων και στατιστικών μεθόδων και επιμέλειας. Με ένα ενσωματωμένο γράφημα γνώσεων, οι LLMs μπορούν να ελέγχουν τις δηλώσεις που γεννούν εναντίον του συνόλου των γνωστών事實 και να μην γεννήσουν μια δήλωση που αντιφάσκει ή δεν υποστηρίζεται από το γράφημα γνώσεων.

Λόγω του θεμελιώδους προβλήματος των ψευδαισθήσεων, και πιθανότατα λόγω της έλλειψης αρκετής ικανότητας συλλογισμού και κρίσης, οι LLMs είναι σήμερα ισχυρές για την ανάκτηση, σύνδεση και απόσταξη πληροφοριών, αλλά δεν μπορούν να αντικαταστήσουν τους ανθρώπινους εμπειρογνώμονες σε σοβαρές εφαρμογές όπως η ιατρική διάγνωση ή η νομική συμβουλή. Παρόλα αυτά, μπορούν να ενισχύσουν σημαντικά την αποτελεσματικότητα και την ικανότητα των ανθρώπινων εμπειρογνωμόνων σε αυτά τα πεδία.

Μπορείτε να μοιραστείτε την όρασή σας για ένα μέλλον όπου η βιολογία διευθύνεται από δεδομένα και όχι από υποθέσεις;

Η παραδοσιακή υποθετική προσέγγιση, η οποία περιλαμβάνει ερευνητές που βρίσκουν μοτίβα, αναπτύσσουν υποθέσεις, πραγματοποιούν πειράματα ή μελέτες για να τις δοκιμάσουν, και στη συνέχεια βελτιώνουν τις θεωρίες με βάση τα δεδομένα, αντικαθίσταται από ένα νέο παράδειγμα που βασίζεται στη δεδομένα-κίνητη μοντελοποίηση.

Σε αυτό το αναδυόμενο παράδειγμα, οι ερευνητές ξεκινούν με υποθέσεις-ελεύθερη, μεγάλης κλίμακας δημιουργία δεδομένων. Στη συνέχεια, εκπαιδεύουν ένα μοντέλο μηχανικής μάθησης όπως μια LLM με το στόχο της ακριβούς ανακατασκευής των κρυφών δεδομένων, ισχυρής回归 ή ταξινόμησης σε μια σειρά από κατωτέρω εργασίες. Μόλις το μοντέλο μηχανικής μάθησης μπορεί να προβλέψει τα δεδομένα με ακρίβεια, και επιτύχει πιστότητα συγκρίσιμη με τη ομοιότητα μεταξύ πειραματικών αναπαραγωγών, οι ερευνητές μπορούν να αναζητήσουν το μοντέλο για να εξαγάγουν γνώσεις για το βιολογικό σύστημα και να ανακαλύψουν τις υποκείμενες βιολογικές αρχές.

Οι LLMs αποδεικνύονται ιδιαίτερα καλές στη μοντελοποίηση βιομοριακών δεδομένων, και είναι προγραμματισμένες να τροφοδοτήσουν μια μετάβαση από την υποθετική-κίνητη στη δεδομένα-κίνητη βιολογική ανακάλυψη. Αυτή η μετάβαση θα γίνει όλο και πιο προφανής τα επόμενα 10 χρόνια και θα επιτρέψει ακριβή μοντελοποίηση βιομοριακών συστημάτων σε μια κλίμακα που υπερβαίνει την ανθρώπινη ικανότητα.

Τι είναι η πιθανή επίδραση για τη διάγνωση ασθενειών και την ανακάλυψη φαρμάκων;

Πιστεύω ότι οι LLM και η γεννητική AI θα οδηγήσουν σε σημαντικές αλλαγές στη βιομηχανία των βιοεπιστημών. Ένα πεδίο που θα ωφεληθεί πολύ από τις LLM είναι η κλινική διάγνωση, ιδιαίτερα για σπάνιες, δύσκολα-διαγνωσμένες ασθένειες και υποτύπους καρκίνου. Υπάρχουν τεράστιες ποσότητες綜合 пациεντ-πληροφοριών που μπορούμε να αξιοποιήσουμε – από γενωμικά προφίλ, αντιδράσεις θεραπείας, ιατρικά αρχεία και οικογενειακή ιστορία – για να οδηγήσουν ακριβείς και έγκαιρες διαγνώσεις. Αν μπορούμε να βρούμε έναν τρόπο να συνθέσουμε όλα αυτά τα δεδομένα ώστε να είναι εύκολα προσβάσιμα, και όχι απομονωμένα από ξεχωριστούς οργανισμούς υγείας, μπορούμε να βελτιώσουμε δραματικά την ακρίβεια της διάγνωσης. Αυτό δεν σημαίνει ότι τα μοντέλα μηχανικής μάθησης, συμπεριλαμβανομένων των LLM, θα είναι σε θέση να λειτουργούν αυτόνομα στη διάγνωση. Λόγω των τεχνικών τους ορίων, στο προβλέψιμο μέλλον δεν θα είναι αυτόνομα, αλλά θα ενισχύσουν τους ανθρώπινους εμπειρογνώμονες. Θα είναι ισχυρά εργαλεία για να βοηθήσουν τον γιατρό να παρέχει εξαιρετικά ενημερωμένες αξιολογήσεις και διαγνώσεις σε μια κλάσμα του χρόνου που χρειάζεται μέχρι τώρα, και να τεκμηριώσει και να επικοινωνήσει τις διαγνώσεις τους στον ασθενή καθώς και σε όλο το δίκτυο των παρόχων υγείας που συνδέονται μέσω του συστήματος μηχανικής μάθησης.

Η βιομηχανία έχει ήδη αρχίσει να αξιοποιεί τη μηχανική μάθηση για την ανακάλυψη και ανάπτυξη φαρμάκων, υπογραμμίζοντας την ικανότητά της να μειώσει το κόστος και τους χρόνους σε σύγκριση με το παραδοσιακό παράδειγμα. Οι LLMs προσθέτουν ακόμη περισσότερα στο διαθέσιμο εργαλείο, και παρέχουν εξαιρετικά πλαίσια για την μοντελοποίηση μεγάλης κλίμακας βιομοριακών δεδομένων, συμπεριλαμβανομένων γονιδιωμάτων, προτεωμίων, λειτουργικών γονιδιωμάτων και επιγενωμικών δεδομένων, δεδομένων κυττάρων και ακόμη περισσότερων. Στο προβλέψιμο μέλλον, οι LLMs θα συνδέσουν όλα αυτά τα δεδομένα και θα βοηθήσουν στην генераση υποσχόμενων στόχων φαρμάκων, να ανακαλύψουν πιθανές θύρες δραστηριότητας πρωτεϊνών που σχετίζονται με βιολογική λειτουργία και νόσο, ή να προτείνουν μονοπάτια και πιο σύνθετες κυτταρικές λειτουργίες που μπορούν να ρυθμιστούν με συγκεκριμένο τρόπο με μικρά μόρια ή άλλα φαρμακευτικά σχήματα. Μπορούμε επίσης να αξιοποιήσουμε τις LLMs για να αναγνωρίσουμε ασθενείς που ανταποκρίνονται και μη-ανταποκρίνοντες σε φάρμακα με βάση τη γενετική ευαισθησία, ή να επαναχρησιμοποιήσουμε φάρμακα σε άλλες ενδείξεις νόσου. Πολλές από τις υπάρχουσες καινοτόμες εταιρείες AI-κίνησης ανακάλυψης φαρμάκων είναι κατά πάσα πιθανότητα ήδη να σκέφτονται και να αναπτύσσουν σε αυτή τη διεύθυνση, και πρέπει να περιμένουμε να δούμε την ίδρυση επιπλέον εταιρειών καθώς και δημόσιες προσπάθειες που στοχεύουν στην ανάπτυξη των LLMs στην ανθρώπινη υγεία και την ανακάλυψη φαρμάκων.

Ευχαριστώ για τη λεπτομερή συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν Seer.