Stefano Pacifico, και David Heeger, Συνιδρυτές της Epistemic AI – Σειρά Συνεντεύξεων

Epistemic AI χρησιμοποιεί(state-of-the-art) Natural Language Processing (NLP), μηχανική μάθηση και αλγόριθμους βαθιάς μάθησης για να χαρτογραφήσει τις σχέσεις μεταξύ ενός αυξανόμενου σώματος βιοϊατρικής γνώσης, από πολλές δημόσιες και ιδιωτικές πηγές, συμπεριλαμβανομένων εγγράφων και βάσεων δεδομένων. Μέσω μιας διαδικασίας Χαρτογραφήσης Γνώσης, οι χρήστες εργάζονται διαδραστικά με την πλατφόρμα για να χαρτογραφήσουν και να κατανοήσουν υποσύνολα βιοϊατρικής γνώσης, που αποκαλύπτουν έννοιες και σχέσεις που αλλιώς θα χανόταν με τις παραδοσιακές μεθόδους αναζήτησης.

Συνειδητοποιήσαμε και τους δύο συνιδρυτές της Epistemic AI για να συζητήσουμε αυτές τις τελευταίες εξελίξεις.

Stefano Pacifico προέρχεται από 10+ χρόνια σε εφαρμοσμένη ανάπτυξη AI και NLP. Πρώην στο Bloomberg, όπου πέρασε 7 χρόνια, και ήταν στο Elemental Cognition πριν ξεκινήσει την Epistemic.

David Heeger είναι Καθηγητής δεδομένων και νευροεπιστημών στο NYU, και έχει περάσει την καριέρα του γέφυρα της πληροφορικής, της AI και της βιοεπιστήμης. Είναι μέλος της Εθνικής Ακαδημίας Επιστημών. Ως συνιδρυτές, συνδυάζουν την εμπειρία της κατασκευής εφαρμοσμένων μεγάλης κλίμακας AI και NLP συστημάτων για την κατανόηση μεγάλων συλλογών γνώσεων, με την εμπειρία στη υπολογιστική βιολογία και τη βιοϊατρική επιστήμη από χρόνια ερευνών στην περιοχή.

Τι είναι αυτό που σας εισήγαγε και σας έκανε να ενδιαφερθείτε για την AI και την NLP;

Stefano Pacifico: Όταν ήμουν στο κολέγιο στη Ρώμη, και η AI δεν ήταν δημοφιλής (πράγματι ήταν πολύ περιθωριακή), ρώτησα τον τότε συμβουλάρχη μου ποια ειδίκευση θα έπρεπε να επιλέξω μεταξύ εκείνων που ήταν διαθέσιμες. Είπε: «Εάν θέλετε να κερδίσετε χρήματα, Μηχανική Λογισμικού και Βάσεις Δεδομένων, αλλά εάν θέλετε να είστε περίεργοι αλλά πολύ προηγμένοι, τότε επιλέξτε Τεχνητή Νοημοσύνη». Με πείστησε στο «περίεργο». Τότε άρχισα να εργάζομαι στην αναπαράσταση γνώσης και στο λόγο για να μελετήσω πώς οι αυτόνομες ενότητες θα μπορούσαν να παίξουν ποδόσφαιρο ή να σώσουν ανθρώπους. Τότε δύο συνειδητοποιήσεις με έκαναν να ερωτευτώ με την NLP: πρώτα, οι αυτόνομες ενότητες μπορεί να επικοινωνούν με φυσική γλώσσα μεταξύ τους! Δεύτερα, η κατασκευή формάλων βάσεων γνώσεων με το χέρι είναι δύσκολο, ενώ η φυσική γλώσσα (σε κείμενο) ήδη παρέχει τη μεγαλύτερη βάση γνώσεων όλων. Ξέρω σήμερα ότι αυτές οι παρατηρήσεις μπορεί να φαίνονται προφανείς, αλλά δεν ήταν τόσο διαδεδομένες πριν.

Τι ήταν η έμπνευση πίσω από την εκκίνηση της Epistemic AI;

Stefano Pacifico: Θα κάνω μια τολμηρή αξίωση. Κανείς σήμερα δεν έχει επαρκές εργαλείο για να κατανοήσει και να συνδέσει τη γνώση που υπάρχει σε μεγάλες, διαρκώς αυξανόμενες συλλογές εγγράφων και δεδομένων. Είχα προηγουμένως εργαστεί σε αυτό το πρόβλημα στον κόσμο της finance. Σκεφτείτε τα νέα, τις οικονομικές δηλώσεις, τα δεδομένα τιμών, τις εταιρικές ενέργειες, τις καταθέσεις κ.λπ. Βρήκα ότι το πρόβλημα ήταν ενθουσιαστικό. Και φυσικά, είναι ένα δύσκολο πρόβλημα· και ένα σημαντικό! Όταν συνάντησα τον συνιδρυτή μου, τον Δρ. David Heeger, περάσαμε khá χρόνο αξιολογώντας ευκαιρίες εκκίνησης στην βιοϊατρική βιομηχανία. Όταν συνειδητοποιήσαμε τον τεράστιο όγκο πληροφοριών που παράγεται σε αυτό το πεδίο, ήταν σαν να έπεσε mọiTHING στη θέση του. Οι ερευνητές στις βιοϊατρικές ερευνητικές εργασίες πλήττονται από την υπερφορτωση πληροφοριών, ενώ προσπαθούν να κατανοήσουν τη τεράστια και γρήγορα επεκτεινόμενη βάση βιοϊατρικής γνώσης, συμπεριλαμβανομένων εγγράφων (π.χ. ερευνητικών εργασιών, πατεντών, κλινικών δοκιμών) και βάσεων δεδομένων (π.χ. γονιδίων, πρωτεϊνών, μονοπατιών, φαρμάκων, ασθενειών, ιατρικών όρων). Αυτό είναι ένα σημαντικό πρόβλημα για τους ερευνητές και, χωρίς κατάλληλη λύση, αναγκάζονται να χρησιμοποιούν βασικά εργαλεία αναζήτησης (PubMed και Google (GOOGL ) Scholar) και να εξερευνούν χειροκίνητα-κατασκευασμένες βάσεις δεδομένων. Αυτά τα εργαλεία είναι κατάλληλα για την εύρεση εγγράφων που ταιριάζουν με λέξεις-κλειδιά (π.χ. ένα γονίδιο ή μια δημοσιευμένη ερευνητική εργασία), αλλά όχι για την απόκτηση綜合ης γνώσης για ένα θέμα ή υπο-πεδίο (π.χ. COVID-19), ή για την ερμηνεία των αποτελεσμάτων των πειραμάτων υψηλής απόδοσης βιολογίας, όπως η γονιδιακή αλληλουχία, η έκφραση πρωτεϊνών ή η οθόνη χημικών ενώσεων. Ξεκινήσαμε την Epistemic AI με την ιδέα να αντιμετωπίσουμε αυτό το πρόβλημα με μια πλατφόρμα που τους επιτρέπει να εργάζονται διαδραστικά για να:

1. Συντομεύσουν τον χρόνο συλλογής πληροφοριών και να κατασκευάσουν綜合εις χαρτογραφήσεις γνώσης
2. Επιφανείσουν δια-επιστημονικές πληροφορίες που μπορεί να είναι δύσκολο να βρεθούν (οι πραγματικές ανακαλύψεις συχνά προέρχονται από το λευκό χώρο μεταξύ των επιστημών);
3. Ταυτοποιήσουν υποθέσεις αιτίας-αποτελέσματος βρισκόντων μονοπατιών και λείπων συνδέσμων στη χαρτογραφία γνώσης.

Τι είναι κάποιες από τις δημόσιες και ιδιωτικές πηγές που χρησιμοποιούνται για τη χαρτογραφία αυτών των σχέσεων;

Stefano Pacifico: Αυτή τη στιγμή, καταναλώνουμε όλες τις δημόσιες πηγές που μπορούμε να πάρουμε στα χέρια μας, συμπεριλαμβανομένων Pubmed και clinicaltrials.gov. Καταναλώνουμε βάσεις δεδομένων γονιδίων, φαρμάκων, ασθενειών και των αλληλεπιδράσεών τους. Επίσης, περιλαμβάνουμε ιδιωτικές πηγές δεδομένων για επιλεγμένους πελάτες, αλλά δεν είμαστε σε θέση να αποκαλύψουμε λεπτομέρειες ακόμη.

Τι είδους τεχνολογίες μηχανικής μάθησης χρησιμοποιούνται για τη χαρτογραφία γνώσης;

Stefano Pacifico: Μια από τις βαθιάς πιστεύω στην Epistemic AI είναι ότι ο ζήλος δεν είναι χρήσιμος για την κατασκευή προϊόντων. Η κατασκευή μιας αρχιτεκτονικής που ενσωματώνει πολλές τεχνολογίες μηχανικής μάθησης ήταν μια απόφαση πουλήφθηκε νωρίς, και αυτές περιλαμβάνουν Αναπαράσταση Γνώσης σε Μοντέλα Transformer, μέσω εμβυθών εμβύθων, αλλά περιλαμβάνουν επίσης απλούστερα μοντέλα όπως παλινδρόμηση και τυχαίοι δασμοί. Κάθε συνιστώσα είναι τόσο απλή όσο χρειάζεται, αλλά όχι απλούστερη. Ενώ πιστεύουμε ότι έχουμε ήδη κατασκευάσει συνιστώσες NLP που είναι state-of-the-art για bestimmμένα καθήκοντα, δεν φοβόμαστε απλούστερα βασικά μοντέλα όταν είναι δυνατό.

Μπορείτε να ονομάσετε κάποιες από τις εταιρείες, μη κερδοσκοπικές οργανώσεις ή ακαδημαϊκές ιδρύματα που χρησιμοποιούν την πλατφόρμα Epistemic;

Stefano Pacifico: Ενώ θα ήθελα να το κάνω, δεν abbiamo συμφωνήσει με τους χρήστες μας να το κάνουμε. Μπορώ να πω ότι είχαμε άτομα που εγγράφονται από πολύ υψηλού προφίλ ιδρύματα σε όλα τα τρία τμήματα (εταιρείες, μη κερδοσκοπικές οργανώσεις και ακαδημαϊκά ιδρύματα). Επιπλέον, σκοπεύουμε να διατηρήσουμε την πλατφόρμα δωρεάν για ακαδημαϊκούς/μη κερδοσκοπικούς σκοπούς.

Πώς βοηθά η Epistemic τους ερευνητές στην ταυτοποίηση των βιοδείκτων του κεντρικού νευρικού συστήματος (CNS) και άλλων νοσημάτων-ειδικών βιοδείκτων;

Δρ. David Heeger: Η νευροεπιστήμη είναι ένα πολύ διεπιστημονικό πεδίο που περιλαμβάνει μοριακή και κυτταρική βιολογία και γενετική, αλλά και ψυχολογία, χημεία και αρχές φυσικής, μηχανικής και μαθηματικών. Είναι τόσο ευρύ που κανείς δεν μπορεί να είναι ειδικός σε όλα. Οι ερευνητές στα ακαδημαϊκά ιδρύματα και στις φαρμακευτικές/βιοτεχνολογικές εταιρείες αναγκάζονται να εξειδικευτούν. Αλλά γνωρίζουμε ότι οι σημαντικές ερμηνείες είναι διεπιστημονικές, συνδυάζοντας γνώσεις από τα υπο-πεδία. Η πλατφόρμα λογισμικού που κατασκευάζουμε με τη δύναμη της AI επιτρέπει σε όλους να είναι πιο διεπιστημονικοί, να δουν τις συνδέσεις μεταξύ του ατομικού τους πεδίου εξειδίκευσης και άλλων θεμάτων, και να ταυτοποιήσουν νέες υποθέσεις. Αυτό είναι ιδιαίτερα σημαντικό στη νευροεπιστήμη γιατί είναι ένα τόσο διεπιστημονικό πεδίο. Η λειτουργία και η δυσλειτουργία του ανθρώπινου εγκεφάλου είναι το πιο δύσκολο πρόβλημα που έχει αντιμετωπίσει η επιστήμη. Είμαστε σε μια αποστολή να αλλάξουμε τον τρόπο που οι βιοϊατρικοί ερευνητές εργάζονται και σκέφτονται.

Η Epistemic επίσης επιτρέπει την ανακάλυψη των γενετικών μηχανισμών των νοσημάτων CNS. Μπορείτε να μας οδηγήσετε через το πώς αυτό λειτουργεί;

Δρ. David Heeger: Τα περισσότερα νευρολογικά νοσήματα, ψυχιατρικές ασθένειες και αναπτυξιακές διαταραχές δεν έχουν μια απλή εξήγηση σε σχέση με γενετικές διαφορές. Υπάρχουν μερικά σύνδρομα για τα οποία μια συγκεκριμένη μετάλλαξη είναι γνωστό ότι προκαλεί την ασθένεια. Αλλά αυτό δεν είναι τυπικά το caso. Υπάρχουν εκατοντάδες γενετικές διαφορές, για παράδειγμα, που έχουν συσχετιστεί με ασθένειες του φάσματος αυτισμού (ASD). Υπάρχει κάποια κατανόηση για μερικά από αυτά τα γονίδια σχετικά με τις λειτουργίες που υπηρετούν σε σχέση με τη βασική βιολογία. Για παράδειγμα, μερικά από τα γονίδια που συνδέονται με ASD κρατούν τις συνάψεις μαζί στο εγκέφαλο (σημείωση, ωστόσο, ότι τα ίδια γονίδια τυπικά εκτελούν διαφορετικές λειτουργίες σε άλλα συστήματα οργάνων στο σώμα). Αλλά υπάρχει πολύ μικρή κατανόηση σχετικά με το πώς αυτές οι γενετικές διαφορές μπορούν να εξηγήσουν το σύνθετο σύνολο των διαφορών στη συμπεριφορά που εμφανίζουν τα άτομα με ASD. Για να κάνουν τα πράγματα χειρότερα, δύο άτομα με την ίδια γενετική διαφορά μπορεί να έχουν完全 διαφορετικά αποτελέσματα, ένα διαγνωσμένο με ASD και το άλλο, όχι. Και δύο άτομα με完全 διαφορετικά γενετικά προφίλ μπορεί να έχουν το ίδιο αποτέλεσμα με πολύ παρόμοιες ελλείψεις στη συμπεριφορά. Για να κατανοηθεί όλα αυτά απαιτείται να γίνει η σύνδεση από τη γενετική στη μοριακή βιολογία προς την κυτταρική νευροεπιστήμη (πώς οι γενετικές διαφορές προκαλούν τις διαφορές στις λειτουργίες των κυττάρων) και μετά στη συστημική νευροεπιστήμη (πώς οι διαφορές στις κυτταρικές λειτουργίες προκαλούν τις διαφορές στις λειτουργίες των δικτύων μεγάλου αριθμού διασυνδεμένων νευρώνων) και μετά στην ψυχολογία (πώς οι διαφορές στις λειτουργίες των νευρωνικών δικτύων προκαλούν τις διαφορές στη γνωστική, συναισθηματική και συμπεριφορική λειτουργία). Και όλα αυτά χρειάζονται να κατανοηθούν από μια αναπτυξιακή προοπτική. Μια γενετική διαφορά μπορεί να προκαλέσει μια έλλειψη σε ένα συγκεκριμένο аспέκτη της νευρικής λειτουργίας. Αλλά ο εγκέφαλος δεν κάθεται εκεί και την παίρνει. Οι εγκέφαλοι είναι πολύ προσαρμοστικοί. Εάν υπάρχει μια λείπων ή κατεστραμμένη μηχανή, τότε ο εγκέφαλος θα αναπτύξει διαφορετικά για να αποκαταστήσει όσο το δυνατόν. Αυτή η αποκατάσταση μπορεί να είναι μοριακή, για παράδειγμα, η ενεργοποίηση ενός άλλου υποδοχέα συνάψεων για να αντικαταστήσει τη λειτουργία ενός κατεστραμμένου υποδοχέα συνάψεων. Ή η αποκατάσταση μπορεί να είναι συμπεριφορική. Το τελικό αποτέλεσμα εξαρτάται όχι μόνο από την αρχική γενετική διαφορά, αλλά και από τις διάφορες προσπάθειες να αποκαταστήσουν, βασισμένες σε άλλες μοριακές, κυτταρικές, κυκλωματικές, συστημικές και συμπεριφορικές μηχανισμούς.

Κανείς δεν έχει τη γνώση να κατανοήσει όλα αυτά. Όλοι χρειαζόμαστε βοήθεια. Η πλατφόρμα λογισμικού που κατασκευάζουμε με τη δύναμη της AI επιτρέπει σε όλους να συλλέξουν και να συνδέσουν όλες τις σχετικές βιοϊατρικές γνώσεις, να δουν τις συνδέσεις και να ταυτοποιήσουν νέες υποθέσεις.

Πώς χρησιμοποιούν οι βιοφαρμακευτικές εταιρείες και τα ακαδημαϊκά ιδρύματα την Epistemic για να αντιμετωπίσουν την πρόκληση του COVID-19;

Stefano Pacifico: Έχουμε κυκλοφορήσει μια δημόσια έκδοση της πλατφόρμας μας που περιλαμβάνει δεδομένα COVID και είναι δωρεάν προσβάσιμη σε οποιονδήποτε κάνει έρευνα για το COVID-19. Είναι διαθέσιμο στο https://covid.epistemic.ai

Τι είναι κάποιες από τις άλλες ασθένειες ή γενετικές ασθένειες για τις οποίες η Epistemic έχει χρησιμοποιηθεί;

Stefano Pacifico: Έχουμε συνεργαστεί με ερευνητές αυτισμού και πιο πρόσφατα κατασκευάζουμε μια νέα ερευνητική προσπάθεια για την Κυστική Ίνωση. Αλλά είμαστε ευτυχείς να συνεργαστούμε με οποιονδήποτε άλλο ερευνητή ή ιδρύματα που μπορεί να χρειαστούν βοήθεια για την έρευνά τους.

Υπάρχει κάτι άλλο που θα ήθελε να μοιραστείτε σχετικά με την Epistemic;

Stefano Pacifico: Κατασκευάζουμε ένα κίνημα ανθρώπων που θέλουν να αλλάξουν τον τρόπο που οι βιοϊατρικοί ερευνητές εργάζονται και σκέφτονται. Ελπίζουμε искренně ότι πολλοί από τους αναγνώστες σας θα θέλουν να μας ενταχθούν!

Ευχαριστούμε και τους δύο για το χρόνο που μας αφιέρωσαν για να απαντήσουν στις ερωτήσεις μας. Οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν Epistemic AI.