Τζινχάν Κιμ, Διευθύνων Σύμβουλος της Standigm – Σειρά Συνεντεύξεων

Ο Τζινχάν Κιμ είναι ο Διευθύνων Σύμβουλος της Standigm, μιας εταιρείας ανακάλυψης φαρμάκων με τη χρήση τεχνητής νοημοσύνης.

Από την ταυτοποίηση στόχων μέχρι τη δημιουργία πρωτοτύπων, η πλατφόρμα Standigm για την ανακάλυψη φαρμάκων με τη χρήση τεχνητής νοημοσύνης παρέχει τις γνώσεις για κάθε βήμα για την ανάπτυξη εμπορικά αποδοτικών φαρμάκων από εσωτερικά και συνεργατικά προγράμματα.

Ξεκινήσατε να γράφετε κώδικα όταν ήσασταν στην 6η τάξη, θα μπορούσατε να μοιραστείτε πώς σας ενδιέφερε και τι εργαστήκατε αρχικά;

Ναι, στο Apple (AAPL ) II Plus. Αυτό ήταν το καταλύτη που με μετέτρεψε από βιβλιομάχο σε δημιουργό. Ξεκίνησα να προγραμματίζω, αρχίζοντας με την προγραμματιστική γλώσσα C, από περιέργεια. Ενδιαφερόμουν για τις αρχές και τις θεωρητικές πτυχές του υπολογιστή μου. Από εκεί, έγινα μαθητής για ζωή στην τεχνολογία.

Τι σας ενδιέφερε αρχικά στη μηχανική μάθηση;

Απέκτησα τα πτυχία μου στην εφαρμοσμένη χημεία και την τεχνητή νοημοσύνη στο Πανεπιστήμιο του Εδιμβούργου υπό τον Τζέφρι Χίντον. Είναι ο νευροεπιστήμονας και ο επιστήμονας υπολογιστών που δημιούργησε βασικά τη βαθιά μάθηση. Ο Χίντον εργάστηκε σε τεχνητικά νευρωνικά δίκτυα και σχεδίασε αυτόνομες, ευφυείς μηχανές – και, αργότερα, αλγόριθμους μηχανικής μάθησης. Η Google (GOOGL ) τον προσέλαβε πριν από δέκα χρόνια για να δημιουργήσει την τεχνητή νοημοσύνη της και το υπόλοιπο είναι ιστορία.

Πότε αρχίσατε να ασχολείστε με το σημείο τομής της βιολογίας και της μηχανικής μάθησης;

Δούλευα στο Ινστιτούτο Τεχνολογίας της Samsung, όπου αναπτύσσοντας αλγόριθμους. Ένας από τους αλγόριθμους που ανέπτυξα ήταν ένας μηχανισμός για την επισκευή ζημιών στο DNA. Ήθελα να ασχοληθώ με το πεδίο της βιολογίας και να λύσω τα πιο δύσκολα προβλήματα για στόχους. ΚΑΙ το ανθρώπινο σώμα ΚΑΙ οι υπολογιστές που σκέφτονται σαν άνθρωποι είναι τόσο περίπλοκα, και πρέπει να εργαστείτε για να κατανοήσετε το ένα για να κατανοήσετε το άλλο. Τα συστήματα τεχνητής νοημοσύνης δεν μπορούν μόνο να διεισδύσουν σε εκτενείς επιστημονικές δεδομένα που δημοσιεύονται κατά δεκαετίες από όλο τον κόσμο, αλλά μπορούν επίσης να επεξεργαστούν τις复잡ότητες του ανθρώπινου σώματος και να πιάσουν γρήγορα και συνεκτικά τα πρότυπα των βιολογικών μηχανισμών. Ήταν εύκολο να δείτε τη βιολογία και τη μηχανική μάθηση να πηγαίνουν χέρι-χέρι.

Μπορείτε να μοιραστείτε την ιστορία της Standigm;

Η δουλειά μου στην υγεία και την επιστήμη αποκάλυψε τι, για μένα, ήταν ένα μεγάλο πρόβλημα στην παραδοσιακή ανακάλυψη φαρμάκων: ο χρόνος και το χρήμα που χρειάζονταν για να σκανάρουν επιστημονικές έρευνες και δοκιμές ή τις ενδείξεις που παρέχουν το σημείο εκκίνησης για την πιθανή δημιουργία νέων φαρμάκων. Οι ανθρώπινοι επιστήμονες έκαναν αυτή την εντατική έρευνα. Εγώ και δύο συνάδελφοι της Samsung, ο Sang Ok Song και η So Jeong Yun, είδαμε μια ευκαιρία να μεταφέρουμε τη δουλειά από τους ανθρώπους σε μια ευφυή μηχανή και να σχεδιάσουμε μια νέα ροή εργασιών. Επίσης, δεν ήθελα να εργαστώ για μισθό· ήθελα να εργαστώ για τον εαυτό μου, να φέρω μεθόδους ανακάλυψης φαρμάκων σε ένα νέο πρότυπο, το οποίο είναι η γέννηση του έργου και του ονόματος «Standigm», της εταιρείας που την ιδρύσαμε οι τρεις μας. Το μοντέλο μηχανικής μάθησης μας επιτυγχάνει υψηλή ακρίβεια πρόβλεψης και η τεχνολογία τεχνητής νοημοσύνης μας επιτυγχάνει το μέγιστο ROI.

Τι είναι το πρόβλημα της συνθετικής προσβασιμότητας και πώς η Standigm εργάζεται για να το λύσει;

Τα γενετικά μοντέλα μπορούν να σχεδιάσουν νέες μοριακές δομές χωρίς τη βοήθεια καλά εκπαιδευμένων φαρμακοχημικών, το οποίο είναι ένας από τους πιο κρίσιμους λόγους για την ενθουσιώδη υιοθέτηση αυτής της τεχνολογίας από τις κοινότητες ανακάλυψης φαρμάκων. Το υψηλότερο εμπόδιο εδώ είναι η διαφορά στην ταχύτητα μεταξύ του σχεδιασμού των μορίων και των πειραματικών συνθέσεων, όπου ο σχεδιασμός εκατομμυρίων ενώσεων λαμβάνει μόνο ώρες και η σύνθεση μόνο δέκα μορίων λαμβάνει εβδομάδες ή μήνες. Όπως μόνο ένα μικρό κλάσμα των σχεδιασμένων ενώσεων θα συνθεθεί από ανθρώπινους εμπειρογνώμονες, είναι απαραίτητο να υπάρχουν καλά μέτρα των μοριακών ιδιοτήτων.

Τα μοντέλα της πρώτης γενιάς ήταν άσχημα, και οι συνθετικοί χημικοί αρνήθηκαν την πλειονότητα των σχεδιασμένων μορίων λόγω της δυσκολίας του συνθετικού σχεδίου. Ορισμένες εταιρείες CRO αρνήθηκαν ακόμη και να προετοιμάσουν μια πρόταση για αυτήν την συνθετική εκστρατεία.

Η Standigm εργάζεται σε αυτό το ζήτημα, προσλαμβάνοντας έμπειρους φαρμακοχημικούς και προσθέτοντας την εμπειρία τους στα γενετικά μοντέλα, ώστε να μπορούν να σχεδιάσουν ενώσεις που δεν μπορούν να διακρινθούν από εκείνες που σχεδιάστηκαν από ανθρώπινους εμπειρογνώμονες. Η Standigm έχει τώρα πολλά διαφορετικά γενετικά μοντέλα που μπορούν να διαχειριστούν διαφορετικά στάδια ανακάλυψης φαρμάκων: ταυτοποίηση επιτυχίας, επιτυχία-προς-οδηγία και βελτίωση οδηγίας. Αυτό δείχνει τη σημασία της διαφορετικής εμπειρογνωμοσύνης για οποιαδήποτε εταιρεία ανακάλυψης φαρμάκων με τεχνητή νοημοσύνη, όπου η ανθρώπινη εμπειρία και η εμπειρογνωμοσύνη χρησιμοποιούνται κυρίως για τη βελτίωση των μοντέλων τεχνητής νοημοσύνης και για την ασφάλιση των καλύτερων ροών εργασιών αντί για κάθε έργο.

Μπορείτε να συζητήσετε τους τύπους αλγορίθμων που χρησιμοποιούνται από την Standigm για να διευκολύνουν την ανακάλυψη φαρμάκων;

Συνήθως ξεκινάμε οποιαδήποτε εξερευνητικά έργα με την προτεραιότητα των υποσχόμενων και καινούργιων πρωτεϊνών-στόχων χρησιμοποιώντας το Standigm ASK· η πλατφόρμα βιολογίας μας αποτελείται από διακριτά αλγόριθμους για την εκπαίδευση μεγάλων βιολογικών δικτύων, την αξιοποίηση διαφόρων τύπων ακαδημαϊκών δεδομένων, την εισαγωγή συγκεκριμένων контекστών βιολογικών συστημάτων και così weiter. Η επιλογή του σωστού πρωτεϊνικού στόχου είναι ένα από τα πιο κρίσιμα ζητήματα στην ανακάλυψη φαρμάκων. Το Standigm ASK βοηθά τους εμπειρογνώμονες της νόσου παρέχοντας πολλές υποθέσεις MOA (μηχανισμού δράσης).

Για να εξασφαλίσουμε διπλώματα ευρεσιτεχνίας με υψηλά προστατευτικά εύρη, το Standigm BEST εκτελεί διάφορες εργασίες, συμπεριλαμβανομένης της πρότασης επιτυχίας ενώσεων (αποτελεσματική εξερεύνηση), της αλλοίωσης σκελετού (σκέψη της συνθετικής προσβασιμότητας και της καινοτομίας) και των διαφόρων προβλεπτικών μοντέλων για φαρμακευτικές ιδιότητες (δραστικότητα, ADME/Tox ιδιότητες και φυσικοχημικές ιδιότητες). Πολλές μικρότερες εργασίες σχετίζονται με αυτές τις μεγαλύτερες, όπως η αλληλεπίδραση φαρμάκου-στόχου, η προσομοίωση μοριακής βοήθειας από την τεχνητή νοημοσύνη, η πρόβλεψη επιλεκτικότητας και η βελτιστοποίηση πολλαπλών παραμέτρων.

Πόσο χρόνος εξοικονομείται κατά μέσο όρο όταν πρόκειται για τη δημιουργία νέων ενώσεων σε σύγκριση με τις παραδοσιακές διαδικασίες ανακάλυψης φαρμάκων;

Οι ερευνητές της Standigm έχουν συνθέσει εκατοντάδες νέες μοριακές ενώσεις για έργα, πολλές από τις οποίες έχουν οριστεί ως ενώσεις επιτυχίας και οδηγίας σε διαφορετικά контέxt. Με την υιοθέτηση αλγορίθμων με τεχνητή νοημοσύνη και εμπορικών πόρων, η Standigm έχει μειώσει τον χρόνο για την πρώτη γύρη της δημιουργίας νέων ενώσεων από έξι μήνες σε μέσο όρο δύο μηνών για τα περισσότερα έργα. Τώρα, οι πρώτες αποφάσεις για το αν θα συνεχίσουμε ή όχι μπορούν να ληφθούν σε μέσο όρο επτά μηνών αντί για τρία ή τέσσερα χρόνια.

Τι είναι κάποιες από τις ιστορίες επιτυχίας της Standigm για την πιθανή εμπορική ανακάλυψη φαρμάκων;

Χρησιμοποιώντας το Standigm Insight, το οποίο μοιράζεται το ίδιο τεχνικό υπόβαθρο με το Standigm ASK, βρήκαμε μια молекуλή φαρμάκου που μπορεί να χρησιμοποιηθεί για μια σπάνια παιδική ασθένεια, επικυρωμένη από έναν επιστήμονα από ένα από τα καλύτερα παιδικά νοσοκομεία στις Ηνωμένες Πολιτείες. Αυτή η περίπτωση δείχνει ότι η τεχνολογία τεχνητής νοημοσύνης μπορεί να βοηθήσει στην ανακάλυψη φαρμάκων για σπάνιες ασθένειες, ένα δύσκολο έργο για μια εταιρεία οποιουδήποτε μεγέθους λόγω της ανάγκης για περισσότερη εμπορική αξία. Ιδιαίτερα σε αυτήν την οικονομική ύφεση, όταν οι φαρμακευτικές εταιρείες προσπαθούν να είναι πιο συντηρητικές, η τεχνητή νοημοσύνη μπορεί να προωθήσει την έρευνα και ανάπτυξη σε σπάνιες και παραμελημένες ασθένειες.

Τι είναι η όρασή σας για το μέλλον της βαθιάς μάθησης και της γενετικής τεχνητής νοημοσύνης στην υγεία;

Η επιτυχία της τεχνολογίας τεχνητής νοημοσύνης εξαρτάται από τη διαθεσιμότητα υψηλής ποιότητας δεδομένων. Θα υπάρξει αναπόφευκτα μεγάλη ανταγωνισμός γύρω από τη διασφάλιση ενός μεγάλου όγκου υψηλής ποιότητας δεδομένων στον τομέα της υγείας. Από μια στενότερη προοπτική της πρώιμης ανακάλυψης φαρμάκων, τα δεδομένα χημείας και βιολογίας είναι ακριβά και απαιτούν πολύ χρόνο για να εξασφαλίσουν υψηλή ποιότητα – το καύσιμο για την τεχνολογία τεχνητής νοημοσύνης. Επομένως, το αυτόματο εργαστήριο θα είναι το μέλλον για το πεδίο της ανακάλυψης φαρμάκων με τεχνητή νοημοσύνη, καθώς μπορεί να μειώσει το κόστος των υψηλής ποιότητας δεδομένων. Προωθούμε τις τεχνολογικές μας πλατφόρμες στο επόμενο επίπεδο, ώστε το Standigm ASK να μπορεί να παρέχει περισσότερες εμφανείς ενδείξεις, από δεδομένα ασθενών σε μοριακή βιολογία· και ώστε τα μοντέλα τεχνητής νοημοσύνης του Standigm BEST να είναι state-of-the-art με τη διατροφή υψηλής ποιότητας δεδομένων από τα εσωτερικά αυτόματα εργαστήρια και συνεργάτες.

Υπάρχει κάτι άλλο που θα θέλατε να μοιραστείτε σχετικά με την Standigm;

Όπως η ισορροπία της διαφορετικής εμπειρογνωμοσύνης είναι σημαντική για την Standigm, η ισορροπία των εθνοτικών ομάδων είναι επίσης κρίσιμη. Έχουμε επεκτείνει την παρουσία μας στο παγκόσμιο περιβάλλον με την ίδρυση των γραφείων μας στο Ηνωμένο Βασίλειο (Κέιμπριτζ) και τις Ηνωμένες Πολιτείες (Κέιμπριτζ, MA) για να περιλαμβάνουμε την παρουσία των δικτύων και τη μεταμόρφωση της Standigm σε μια πιο διεθνή εταιρεία.

Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα μπορούν να επισκεφθούν την Standigm.