Jinhan Kim, Διευθύνων Σύμβουλος της Standigm – Interview Series

Ο Jinhan Kim είναι ο Διευθύνων Σύμβουλος της Standigm, μια εταιρεία ανακάλυψης φαρμάκων με τεχνητή νοημοσύνη ροής εργασιών.

Από την εξατομικευμένη αναγνώριση στόχων έως τη δημιουργία μολύβδου, η πλατφόρμα τεχνητής νοημοσύνης ροής εργασίας Standigm δημιουργεί τις πληροφορίες για κάθε βήμα για την ανάπτυξη εμπορικά πολύτιμων φαρμάκων από εσωτερικά έργα και έργα συνεργασίας.,

Ξεκινήσατε την κωδικοποίηση όταν ήσασταν στην 6η δημοτικού, θα μπορούσατε να πείτε πώς σας ενδιαφέρει και τι ασχοληθήκατε αρχικά;

Α, ναι – στο Apple II Plus μου. Αυτός ήταν ο καταλύτης για να με μετατρέψει από βιβλιοφάγος σε δημιουργό. Άρχισα να προγραμματίζω, ξεκινώντας από τον προγραμματισμό C, από περιέργεια. Ενδιαφέρθηκα για τις αρχές και τις θεωρητικές πτυχές του υπολογιστή μου. Από εκεί, έγινα δια βίου μαθητής στον τομέα της τεχνολογίας.

Τι σας τράβηξε αρχικά στη μηχανική μάθηση;

Κέρδισα τα πτυχία μου στην εφαρμοσμένη χημεία και την τεχνητή νοημοσύνη στο Πανεπιστήμιο του Εδιμβούργου υπό τον Geoffrey Hinton. Είναι ο νευροεπιστήμονας και επιστήμονας υπολογιστών που ουσιαστικά δημιούργησε τη βαθιά μάθηση. Ο Hinton εργάστηκε σε τεχνητά νευρωνικά δίκτυα και σχεδίασε αυτόνομες, έξυπνες μηχανές – και, αργότερα, αλγόριθμους μηχανικής μάθησης. Η Google τον προσέλαβε πριν από δέκα χρόνια για να δημιουργήσει το AI της και τα υπόλοιπα είναι ιστορία.

Πότε ασχοληθήκατε αρχικά με τη διασταύρωση της βιολογίας και της μηχανικής μάθησης;

Δούλευα στο Samsung Advanced Institute of Technology, όπου ανέπτυζα αλγόριθμους. Ένας από τους αλγόριθμους που ανέπτυξα ήταν ένας μηχανισμός για την αποκατάσταση της βλάβης του DNA. Ήθελα να ασχοληθώ με τον τομέα της βιολογίας και να λύσω τα πιο δύσκολα προβλήματα. Τόσο το ανθρώπινο σώμα όσο και οι υπολογιστές που σκέφτονται σαν άνθρωποι είναι τόσο περίπλοκα όσο γίνονται τα πράγματα και πρέπει να εργαστείτε για να κατανοήσετε το ένα για να κατανοήσετε το άλλο. Τα συστήματα τεχνητής νοημοσύνης όχι μόνο μπορούν να ανατρέξουν σε εκτεταμένα επιστημονικά δεδομένα που έχουν δημοσιευτεί εδώ και δεκαετίες από όλο τον κόσμο, αλλά μπορούν επίσης να επεξεργαστούν την πολυπλοκότητα του ανθρώπινου σώματος και να πιάσουν γρήγορα και συνεκτικά τα πρότυπα των βιολογικών μηχανισμών. Ήταν εύκολο να δούμε τη βιολογία και τη μηχανική μάθηση να πάνε χέρι-χέρι.

Θα μπορούσατε να μοιραστείτε την ιστορία γένεσης πίσω από το Standigm;

Η εργασία μου στον τομέα της υγείας και της επιστήμης αποκάλυψε αυτό που, για μένα, ήταν ένα μεγάλο πρόβλημα στην παραδοσιακή ανακάλυψη φαρμάκων: ο χρόνος και τα χρήματα που χρειάστηκαν για τη σάρωση επιστημονικών ερευνητικών εργασιών και δοκιμών προσυμπτωματικού ελέγχου ή τις ενδείξεις που παρέχουν το σημείο εκκίνησης για πιθανά νέα φάρμακα δημιουργία. Οι ανθρώπινοι επιστήμονες έκαναν αυτήν την εντατική έρευνα. Εγώ και δύο συνάδελφοι της Samsung, ο Sang Ok Song και ο So Jeong Yun, είδαμε την ευκαιρία να μεταφέρουμε την εργασία από τους ανθρώπους σε ένα έξυπνο μηχάνημα και να σχεδιάσουμε μια νέα ροή εργασίας. Επίσης, δεν ήθελα να δουλέψω με μισθό. Ήθελα να δουλέψω για τον εαυτό μου, να φέρω τις μεθόδους ανακάλυψης φαρμάκων σε ένα νέο πρότυπο πρότυπο, που είναι η γένεση του έργου και το όνομα της «Standigm», της εταιρείας που ιδρύσαμε οι τρεις μας. Το μοντέλο μηχανικής εκμάθησης μας επιτυγχάνει τώρα υψηλή ακρίβεια πρόβλεψης και η τεχνολογία AI του επιτυγχάνει τη μέγιστη απόδοση επένδυσης (ROI).

Ποιο είναι το πρόβλημα της συνθετικής προσβασιμότητας και πώς λειτουργεί το Standigm για να το λύσει αυτό;

Τα παραγωγικά μοντέλα μπορούν να σχεδιάσουν νέες μοριακές δομές χωρίς τη βοήθεια καλά εκπαιδευμένων ιατρικών χημικών, κάτι που είναι ένας από τους πιο κρίσιμους λόγους για την ενθουσιώδη υιοθέτηση αυτής της τεχνολογίας από τις κοινότητες ανακάλυψης φαρμάκων. Το μεγαλύτερο εμπόδιο εδώ είναι η διαφορά στην ταχύτητα μεταξύ του σχεδιασμού των μορίων και της πειραματικής τους σύνθεσης, όπου ο σχεδιασμός εκατομμυρίων ενώσεων διαρκεί μόνο ώρες και η σύνθεση μόνο δέκα μορίων διαρκεί εβδομάδες ή μήνες. Καθώς μόνο ένα μικρό κλάσμα σχεδιασμένων ενώσεων θα συντεθεί από ειδικούς ανθρώπους, είναι απαραίτητο να έχουμε καλές μετρήσεις μοριακών ιδιοτήτων.

Τα μοντέλα τεχνητής νοημοσύνης πρώτης γενιάς ήταν ακατέργαστα και οι συνθετικοί χημικοί αρνήθηκαν τα περισσότερα από τα σχεδιασμένα μόρια λόγω της δυσκολίας του συνθετικού σχεδίου. Ορισμένες εταιρείες CRO αρνήθηκαν ακόμη και να προετοιμάσουν μια πρόταση για αυτήν τη συνθετική καμπάνια.

Η Standigm εργάζεται πάνω σε αυτό το ζήτημα προσλαμβάνοντας έμπειρους φαρμακοχημικούς και προσθέτοντας την τεχνογνωσία τους σε παραγωγικά μοντέλα, ώστε να μπορούν να σχεδιάζουν ενώσεις που δεν μπορούν να διακριθούν από εκείνες που σχεδιάστηκαν από ανθρώπους ειδικούς. Το Standigm έχει πλέον πολλά διαφορετικά μοντέλα παραγωγής που μπορούν να διαχειριστούν διαφορετικά στάδια ανακάλυψης φαρμάκων: αναγνώριση επιτυχιών, βελτιστοποίηση επιτυχίας και δυνητικού πελάτη. Αυτό δείχνει τη σημασία της ύπαρξης ποικίλης τεχνογνωσίας για οποιαδήποτε εταιρεία ανακάλυψης φαρμάκων τεχνητής νοημοσύνης, όπου η ανθρώπινη εμπειρία και τεχνογνωσία χρησιμοποιούνται κυρίως για τη βελτίωση των μοντέλων τεχνητής νοημοσύνης και για την εξασφάλιση των καλύτερων ροών εργασίας αντί για κάθε έργο.

Μπορείτε να συζητήσετε τους τύπους αλγορίθμων που χρησιμοποιούνται από το Standigm για τη διευκόλυνση της ανακάλυψης φαρμάκων;

Συνήθως ξεκινάμε οποιαδήποτε διερευνητικά έργα δίνοντας προτεραιότητα σε πολλά υποσχόμενες και νέες πρωτεΐνες-στόχους χρησιμοποιώντας το Standigm ASK. Η πλατφόρμα βιολογίας μας αποτελείται από διακριτούς αλγόριθμους για την εκπαίδευση τεράστιων βιολογικών δικτύων, τη χρήση διαφόρων τύπων αμερόληπτων δεδομένων omics, την εισαγωγή των ειδικών πλαισίων των βιολογικών συστημάτων και ούτω καθεξής. Η επιλογή της σωστής πρωτεΐνης στόχου είναι ένα από τα πιο κρίσιμα ζητήματα στην ανακάλυψη φαρμάκων. Το Standigm ASK βοηθά τους ειδικούς σε ασθένειες παρέχοντας πολλαπλές υποθέσεις MOA (μηχανισμός δράσης).

Για να εξασφαλίσει διπλώματα ευρεσιτεχνίας με εύρος υψηλής προστασίας, το Standigm BEST εκτελεί διάφορες εργασίες, όπως προτείνει ενώσεις χτυπήματος (αποτελεσματική εξερεύνηση), ικρίωμα (λαμβάνοντας υπόψη τη συνθετική προσβασιμότητα και την καινοτομία) και διάφορα μοντέλα πρόβλεψης για φαρμακευτικές ικανότητες (δραστηριότητα, ιδιότητες ADME/Tox και φυσικοχημικές ιδιότητες). . Πολλές μικρότερες εργασίες σχετίζονται με αυτές τις μεγαλύτερες, όπως DTI (αλληλεπίδραση φαρμάκου-στόχου), μοριακές προσομοιώσεις με τη βοήθεια AI, πρόβλεψη επιλεκτικότητας και βελτιστοποίηση πολλαπλών παραμέτρων.

Πόσος χρόνος εξοικονομείται κατά μέσο όρο όταν πρόκειται για τη δημιουργία νέων ενώσεων έναντι των διαδικασιών ανακάλυψης παλαιού φαρμάκου;

Οι ερευνητές του Standigm έχουν συνθέσει εκατοντάδες νέα μόρια για έργα, πολλά από τα οποία χαρακτηρίζονται ως μόρια επιτυχίας και μολύβδου σε διαφορετικά περιβάλλοντα. Υιοθετώντας μοντέλα και εμπορικούς πόρους που βασίζονται στην τεχνητή νοημοσύνη, το Standigm μείωσε τον χρόνο για τον πρώτο γύρο παραγωγής νέων σύνθετων από έξι μήνες σε μέσο όρο δύο μήνες για τα περισσότερα έργα. Πλέον, οι πρώτες αποφάσεις για το go/no-go μπορούν να ληφθούν κατά μέσο όρο σε επτά μήνες αντί για τρία έως τέσσερα χρόνια.

Ποιες είναι μερικές από τις ιστορίες επιτυχίας του Standigm για πιθανή εμπορευματοποίηση ναρκωτικών;

Χρησιμοποιώντας το Standigm Insight, το οποίο μοιράζεται το ίδιο τεχνικό υπόβαθρο με το Standigm ASK, βρήκαμε ένα μόριο φαρμάκου που μπορεί να χρησιμοποιηθεί για μια σπάνια παιδιατρική νόσο, επικυρωμένο από επιστήμονα από ένα από τα καλύτερα νοσοκομεία παίδων στις ΗΠΑ. Αυτή η περίπτωση δείχνει ότι η τεχνολογία AI μπορεί να βοήθεια στην ανακάλυψη φαρμάκων για σπάνιες ασθένειες, ένα δύσκολο έργο για μια εταιρεία οποιουδήποτε μεγέθους λόγω της ανάγκης για περισσότερη εμπορική αξία. Ειδικά σε αυτήν την ύφεση, όταν οι φαρμακευτικές εταιρείες προσπαθούν να είναι πιο συντηρητικές, η τεχνητή νοημοσύνη μπορεί να προωθήσει την Ε&Α σε σπάνιες και παραμελημένες ασθένειες.

Ποιο είναι το όραμά σας για το μέλλον της βαθιάς μάθησης και της γενετικής τεχνητής νοημοσύνης στην υγειονομική περίθαλψη;

Η επιτυχία της τεχνολογίας AI εξαρτάται από τη διαθεσιμότητα δεδομένων υψηλής ποιότητας. Θα υπάρξει αναπόφευκτα μεγάλος ανταγωνισμός γύρω από την εξασφάλιση μεγάλου όγκου δεδομένων υψηλής ποιότητας στον τομέα της υγειονομικής περίθαλψης. Από μια στενότερη προοπτική της πρώιμης ανακάλυψης φαρμάκων, τα δεδομένα χημείας και βιολογίας είναι ακριβά και απαιτούν πολύ χρόνο για να διασφαλιστεί η κατάσταση υψηλής ποιότητας. Ως εκ τούτου, το αυτοματοποιημένο εργαστήριο θα είναι ένα μέλλον για τον τομέα ανακάλυψης φαρμάκων AI, καθώς μπορεί να μειώσει το κόστος δεδομένων υψηλής ποιότητας – το καύσιμο για την τεχνολογία AI. Ωθούμε τις τεχνολογικές μας πλατφόρμες στο επόμενο επίπεδο, ώστε το Standigm ASK να μπορεί να παρέχει πιο εμφανή στοιχεία, από δεδομένα που προέρχονται από ασθενείς έως τη μοριακή βιολογία. και έτσι τα μοντέλα Standigm BEST AI μπορούν να είναι υπερσύγχρονα τροφοδοτώντας δεδομένα υψηλής ποιότητας από εσωτερικά αυτοματοποιημένα εργαστήρια και συνεργάτες.

Υπάρχει κάτι άλλο που θα θέλατε να μοιραστείτε για το Standigm;

Καθώς η ισορροπία της διαφοροποιημένης εμπειρογνωμοσύνης είναι σημαντική για το Standigm, η ισορροπία των εθνοτήτων είναι επίσης κρίσιμη. Επεκτείνουμε την παρουσία μας στο παγκόσμιο περιβάλλον ιδρύοντας τα γραφεία του Ηνωμένου Βασιλείου (Cambridge) και των ΗΠΑ (Cambridge, MA) για να συμπεριλάβουμε την παρουσία των δικτύων και τη μετατροπή της Standigm σε μια πιο διεθνή εταιρεία.

Σας ευχαριστούμε για την υπέροχη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να το επισκεφτούν Standigm.