Thomas Clozel, M.D., Συνιδρυτής και Διευθύνων Σύμβουλος της Owkin – Σειρά Συνεντεύξεων

Thomas Clozel, M.D. είναι ο συνιδρυτής και Διευθύνων Σύμβουλος της Owkin, μιας εταιρείας AI βιοτεχνολογίας που φέρνει επανάσταση στη βιομηχανία υγείας. Με υπόβαθρο στην κλινική έρευνα, ο Clozel έχει διαδραματίσει καθοριστικό ρόλο στην ηγεσία της Owkin από την ίδρυσή της το 2016. Υπό την ηγεσία του, η εταιρεία έχει πετύχει σημαντικά ορόσημα, συμπεριλαμβανομένης της συγκέντρωσης σημαντικών κεφαλαίων και της δημιουργίας στρατηγικών συνεργασιών με μεγάλες φαρμακευτικές εταιρείες. Είναι πρώην βοηθός καθηγητής Κλινικής Ογκο-Αιματολογίας στο Hopital Henri Mondor στο Παρίσι και πρώην μέλος του εργαστηρίου ογκολογίας του Dr. Ari Melnick στο Weill Cornell Medical College.

Owkin είναι μια εταιρεία AI βιοτεχνολογίας που αναπτύσσει αυτόνομα συστήματα AI σχεδιασμένα να επιταχύνουν τη βιοϊατρική έρευνα και την ανακάλυψη φαρμάκων. Ιδρυθείσα το 2016 από τον ογκολόγο Thomas Clozel και τον ερευνητή μηχανικής μάθησης Gilles Wainrib, η εταιρεία συνδυάζει προχωρημένα μοντέλα AI με πολυμορφικά δεδομένα ασθενών, βιολογική έρευνα και κλινική εξειδίκευση για να βοηθήσει τις φαρμακευτικές ομάδες να κατανοήσουν καλύτερα τις ασθένειες, να εντοπίσουν θεραπευτικούς στόχους, να ανακαλύψουν βιοδείκτες και να λαμβάνουν πιο ενημερωμένες αποφάσεις R&D. Η κορυφαία της πλατφόρμα, K Pro, λειτουργεί ως επιστήμονας AI που μπορεί να συντονίζει εξειδικευμένα μοντέλα και ερευνητικά εργαλεία για την ανάλυση σύνθετων βιολογικών ερωτημάτων, με την Owkin τελικά να εργάζεται προς αυτό που αποκαλεί Βιολογική Τεχνητή Υπερονημοσύνη: ένα αυτοβελτιωτικό σύστημα AI ικανό να διεξάγει όλο και μεγαλύτερα τμήματα της διαδικασίας ανακάλυψης φαρμάκων αυτόνομα.

Η Owkin έχει δημιουργήσει στρατηγικές σχέσεις με μεγάλες βιοφαρμακευτικές εταιρείες, όπως η Sanofi, η Bristol Myers Squibb και η MSD, και έχει οικοδομήσει ένα παγκόσμιο δίκτυο που περιλαμβάνει ακαδημαϊκούς ερευνητές, κλινικούς γιατρούς, συνεργάτες δεδομένων ασθενών και εργαστηριακή υποδομή.

Η καριέρα σας περιλάμβανε κλινική αιματολογία, έρευνα ογκολογίας και υπολογιστική βιολογία. Όταν συνιδρύσατε την Owkin το 2016, ποιους περιορισμούς παρατηρήσατε στην παραδοσιακή ιατρική έρευνα που σας έπεισαν ότι η AI θα μπορούσε να βοηθήσει τους επιστήμονες να κατανοήσουν την ασθένεια διαφορετικά;

Ήμουν ογκολόγος και έβλεπα ασθενείς 35 ετών με καρκίνο, αλλά τίποτα στο ιστορικό τους δεν εξηγούσε γιατί είχαν τη νόσο ή γιατί επανεμφανίστηκε. Και δεν είχαμε καλή επιστήμη για να το εξηγήσουμε — ακόμη και με όλη την έρευνα των τελευταίων εκατοντάδων ετών. Έτσι σκέφτηκα: η βιολογία δεν είναι πρόβλημα σε ανθρώπινη κλίμακα. Απαιτεί λογική σε πολλαπλές κλίμακες, από μόρια μέχρι ολόκληρους οργανισμούς, και σε πολλούς διαφορετικούς τύπους δεδομένων ταυτόχρονα — από βιοψίες ιστών μέχρι το ιστορικό θεραπείας ενός ασθενούς. Για αυτό χρειαζόμασταν AI. Και πίστεψα ότι τα μόνο δεδομένα που μπορούν να μας φέρουν πιο κοντά σε αυτή την κατανόηση στους ανθρώπους είναι τα δεδομένα των ασθενών. Έτσι, το 2016 συνίδρυσα την Owkin με τον Gilles Wainrib, και ξεκινήσαμε με τη διασυνεδριακή μάθηση — μια μέθοδο που επιτρέπει στα μοντέλα AI να μαθαίνουν από δεδομένα νοσοκομείων χωρίς αυτά τα δεδομένα να φύγουν ποτέ από το νοσοκομείο — για να ξεκλειδώσουμε αυτά τα δεδομένα και να βρούμε τις απαντήσεις.

Η γενετική AI μπορεί να παράγει μεγάλο αριθμό πιθανών βιολογικών υποθέσεων. Πώς θα πρέπει οι ερευνητές να διακρίνουν μια πραγματικά νέα ανακάλυψη από μια πειστική αλλά τελικά ψευδή συσχέτιση που δημιουργήθηκε από AI;

Πρέπει να θεωρείτε όλες τις υποθέσεις σας λανθασμένες μέχρι να αποδείξετε το αντίθετο. Αυτό είναι σχεδιασμένο έτσι. Πιστεύω ότι οι πρωτοποριακοί πράκτορες AI — προχωρημένα, αυτόνομα συστήματα AI — όταν έχουν πρόσβαση στα κατάλληλα εργαλεία και δεδομένα, θα είναι καλύτεροι στο να παράγουν ακριβείς υποθέσεις από ό,τι είμαστε εμείς σήμερα. Και στην Owkin, τα μοντέλα μας κατατάσσουν τις υποθέσεις με βάση το πόσο πιθανό είναι να επιβεβαιωθούν, βάσει των προτύπων που έχουν μάθει από τα δεδομένα.

Ωστόσο, πρέπει ακόμη να τις δοκιμάσουμε, πρώτα στο εργαστήριο και μετά μέσω κλινικών δοκιμών, προτού μπορέσουμε να βάλουμε πλήρη εμπιστοσύνη σε αυτές. Στην Owkin το κάνουμε μέσω αυτού που αποκαλούμε «εργαστήριο στο βρόχο» — δοκιμάζοντας κάθε πρόβλεψη AI σε πραγματικά βιολογικά δείγματα πριν εμπιστευτούμε — και στη συνέχεια σε κλινικές δοκιμές. Έτσι, πρέπει ακόμη να δοκιμάζουμε κάθε υπόθεση πειραματικά, όπως πάντα. Αλλά η AI μας βοηθά να χρησιμοποιούμε καλύτερα τους πόρους, κατευθύνοντάς μας προς τις διαδρομές δοκιμής που είναι πιο πιθανό να αποδώσουν.

K Pro συνδυάζει παθολογία, γονιδιωματική, χωρική βιολογία και κλινικά αποτελέσματα. Πώς η συνένωση αυτών των διαφορετικών τύπων δεδομένων παράγει πιο ισχυρά βιολογικά αποδεικτικά στοιχεία σε σύγκριση με την εξάρτηση από ένα μόνο σύνολο δεδομένων ή μέθοδο;

Προσπαθούμε να δούμε την πλήρη εικόνα του τι προκάλεσε τη νόσο ενός ατόμου. Κάθε ένας από αυτούς τους τύπους δεδομένων σας παρέχει μια στιγμιότυπη εικόνα ενός τμήματος — αλλά κανένας μόνος δεν μπορεί να δώσει την ολόκληρη, αιτιώδη εξήγηση.

Αν μπορείτε να εξετάσετε τη νόσο από πολλαπλές οπτικές ταυτόχρονα, πλησιάζετε στην πλήρη εικόνα. Αυτό είναι που θέλουμε να κάνουμε σε κάθε κλίμακα της βιολογίας — για παράδειγμα, να συνδέσουμε τη δραστηριότητα των γονιδίων με τη φυσική δομή του ιστού, και να συνδέσουμε τη βασική βιολογία ενός ασθενούς (τα γονίδια και τα μόρια του) με ό,τι παρατηρείται στην κλινική πράξη (εικόνες ιστών, ιατρικά αρχεία, πώς αντέδρασε στη θεραπεία).

Αυτό είναι το σημαντικό για την AI: μπορεί να συνδυάσει αυτούς τους πολύ διαφορετικούς τύπους δεδομένων και να βρει τα υποκείμενα πρότυπα που πλησιάζουν στην πλήρη εικόνα — κάτι που είναι εξαιρετικά δύσκολο για το ανθρώπινο μυαλό να το κάνει μόνο του.

Η Owkin περιγράφει τις AI-δημιουργημένες ανακαλύψεις ως υποθέσεις αντί για γεγονότα. Ποια στάδια πρέπει να περάσει μια υπόθεση K Pro προτού η ομάδα σας τη θεωρήσει βιολογικά σημαντική ώστε να επηρεάσει μια απόφαση ανάπτυξης φαρμάκου;

Τέσσερα στάδια.

Πρώτα, υπολογιστική αναπαραγωγή: διατηρείται το σήμα όταν ελέγχεται ενάντια σε ανεξάρτητα σύνολα δεδομένων ασθενών και σε τύπους δεδομένων που δεν χρησιμοποιήθηκαν για τη δημιουργία του αρχικά; Αυτό το βήμα είναι φθηνό στην εκτέλεση και εξαλείφει την πλειονότητα των υποψηφίων νωρίς.

Δεύτερον, μηχανιστική διερεύνηση: υπάρχει μια συνεκτική, αιτιώδης εξήγηση — ένα πιθανό νέο κομμάτι βιολογίας; Και το αποδεικτικό στοιχείο λέει πραγματικά ό,τι ισχυρίζεται το μοντέλο; Εξετάζουμε τα υποκείμενα αποδεικτικά στοιχεία, όχι μόνο το συμπέρασμα. Εδώ η συμβολή της εξειδικευμένης βιοϊατρικής ομάδας μας είναι εξαιρετικά σημαντική.

Τρίτον, το δοκιμάζουμε στο εργαστήριο. Ελέγχουμε την πρόβλεψη χρησιμοποιώντας μοντέλα που προέρχονται από ασθενείς — συμπεριλαμβανομένων των οργανοειδών (μικροσκοπικές, εργαστηριακά καλλιεργημένες εκδοχές του όγκου ενός ασθενούς) — μέσω δοκιμών φαρμάκων και πειραμάτων γονιδιακής επεξεργασίας. Αυτό είναι το βήμα όπου μια συσχέτιση είτε γίνεται πραγματική αιτιώδης αξίωση, είτε όχι.

Τέταρτο, οι ασθενείς. Αυτή τη στιγμή δοκιμάζουμε το OKN4395 — έναν υποψήφιο φαρμάκου της βασικής βιολογίας του οποίου η K Pro μας βοήθησε να κατανοήσουμε — στην κλινική δοκιμή INVOKE. Χρησιμοποιούμε επίσης αυτή τη δοκιμή για να βελτιώσουμε την AI: συλλέγει λεπτομερή δεδομένα ασθενών καθ’ όλη τη διάρκεια, έτσι δεν δοκιμάζουμε μόνο ένα φάρμακο, αλλά δοκιμάζουμε αν η λογική του μοντέλου σχετικά με τον μηχανισμό της νόσου και τη σωστή πληθυσμιακή ομάδα ήταν σωστή.

Η Owkin δοκιμάζει επιλεγμένες προβλέψεις K Pro στο υγρό εργαστήριό της χρησιμοποιώντας προσεγγίσεις όπως οργανοειδή που προέρχονται από ασθενείς και γενετική διαταραχή. Πώς αυτή η ανατροφοδότηση του εργαστηρίου βελτιώνει το σύστημα, και τι συμβαίνει όταν τα πειραματικά αποτελέσματα αντιφάσκουν με την αρχική πρόβλεψη;

Η K Pro προβλέπει νέα βιολογία, σχεδιάζουμε το πείραμα και το δοκιμάζουμε χρησιμοποιώντας εργαστηριακά μοντέλα που προέρχονται από ασθενείς — συμπεριλαμβανομένων των οργανοειδών, των συν-καλλιεργειών (καλλιέργεια διαφορετικών τύπων κυττάρων μαζί για να δούμε πώς αλληλεπιδρούν) και μοντέλων όπου συγκεκριμένα γονίδια έχουν ενεργοποιηθεί ή απενεργοποιηθεί. Τα αποτελέσματα επιστρέφουν στο σύστημα για να το βελτιώσουν. Σήμερα, τμήματα αυτού του κύκλου γίνονται ακόμη χειροκίνητα· η πλήρης αυτοματοποίηση είναι το επόμενο βήμα μας.

Έχουμε ήδη μετρήσει το αποτέλεσμα αυτής της ανατροφοδότησης. Σε μια μελέτη που δημοσιεύσαμε στο ArXiv (αποθετήριο επιστημονικών εργασιών) φέτος, οι πράκτορες AI που έλαβαν αυτό το είδος επαναληπτικής εργαστηριακής ανατροφοδότησης ήταν 166–185 % καλύτεροι από την τυχαία επιλογή στην ταυτοποίηση γονιδίων που αλλάζουν ουσιαστικά τη συμπεριφορά ενός κυττάρου — το είδος των γονιδίων που αξίζει να στοχεύσει ένα φάρμακο.

Ποιοι δείκτες θα πρέπει να χρησιμοποιούν οι φαρμακευτικές εταιρείες για να αξιολογήσουν έναν επιστήμονα AI; Θα πρέπει η επιτυχία να μετριέται με την προβλεπτική ακρίβεια, την αναπαραγωγικότητα, τον αριθμό των επικυρωμένων στόχων, τις βελτιωμένες αποφάσεις κλινικών δοκιμών ή κάποιο άλλο κριτήριο;

Πιστεύουμε ότι το πιο σημαντικό κριτήριο είναι η αξιοπιστία. Ένα AI που μπορεί περιστασιακά να παράγει μια πολύ ακριβή απάντηση είναι ενδιαφέρον, αλλά τα συστήματα AI γίνονται πραγματικά χρήσιμα για τη βιομηχανία μόνο όταν μπορούν να απαντήσουν στην ίδια ερώτηση με τον ίδιο τρόπο, αξιόπιστα, ανεξάρτητα από το πόσες φορές το ζητήσετε.

Αυτό είναι που μετατρέπει αυτά τα συστήματα από μια εντυπωσιακή παρουσίαση σε θεμέλιο ενός πραγματικού ροής εργασίας. Έτσι κατασκευάσαμε την K Pro — ώστε η λογική AI μέσα της να ακολουθεί την ίδια αναπαραγώγιμη, διαφανή διαδικασία κάθε φορά που απαντά σε μια ερώτηση.

Η επιστημονική αναπαραγωγικότητα είναι ουσιώδης στην έρευνα φαρμάκων. Πώς η K Pro δείχνει στους ερευνητές ποια σύνολα δεδομένων, αναλυτικές ροές εργασίας και βήματα λογικής συνέβαλαν σε ένα συμπέρασμα ώστε τα ευρήματά της να μπορούν να ελεγχθούν ανεξάρτητα;

Η K Pro καταγράφει και εμφανίζει τη διαδικασία λογικής που ακολουθεί το AI για να απαντήσει σε κάθε ερώτημα.

Κάθε σύνολο δεδομένων που χρησιμοποιεί αναγνωρίζεται από την πηγή και την έκδοση. Μπορείτε να δείτε την ομάδα ασθενών να περιορίζεται σε κάθε βήμα φιλτραρίσματος — για παράδειγμα, πώς τέσσερις χιλιάδες ασθενείς μειώθηκαν σε τρεις εκατό. Κάθε εργαλείο που καλεί εμφανίζεται. Κάθε «δεξιότητα» που χρησιμοποιεί εμφανίζεται. Κάθε βήμα λογικής εμφανίζεται.

Μια «δεξιότητα» είναι μια επιστημονική ροή εργασίας που κωδικοποιήθηκε μία φορά — η ακολουθία των αναλύσεων, τα όρια, η λογική — την οποία η K Pro εφαρμόζει ακριβώς κάθε φορά που είναι σχετική. Οι δεξιότητες είναι ιδιαίτερα σημαντικές για την αναπαραγωγικότητα, επειδή είναι ένας από τους τρόπους με τους οποίους η K Pro μειώνει τη φυσική μεταβλητότητα των συστημάτων AI — η ίδια εργασία που εκτελείται δύο φορές πρέπει να δίνει την ίδια απάντηση. Συνεχίζουμε να βελτιώνουμε αυτό, επειδή η δυνατότητα επαλήθευσης της εργασίας ενός AI αποτελεί βασικό πλεονέκτημα στη βιομηχανία μας.

Η Owkin αναπτύσσει ειδικά σχεδιασμένους πράκτορες K Pro για την AstraZeneca και τη Sanofi. Τι σας έχουν διδάξει αυτές οι συνεργασίες σχετικά με την ενσωμάτωση επιστημόνων AI σε καθιερωμένες φαρμακευτικές ροές εργασίας χωρίς να αποδυναμώνεται η ανθρώπινη επίβλεψη, η διακυβέρνηση ή η επιστημονική αυστηρότητα;

Πρέπει να προσαρμόζεστε στις φαρμακευτικές εταιρείες όπως είναι. Κάθε εταιρεία έχει διαφορετική δομή, διαφορετικό ιστορικό και διαφορετική διάθεση για υιοθέτηση AI — και μέσα σε κάθε εταιρεία, διαφορετικές ομάδες έχουν διαφορετικές ανάγκες.

Η εμπειρία μας από τη συνεργασία με φαρμακευτικές εταιρείες σχεδόν την τελευταία δεκαετία είναι ότι θα δίνουν πάντα προτεραιότητα στην επίβλεψη και την αυστηρότητα, και δεν θα μπείτε καν στην πόρτα χωρίς να πληρείτε τα πρότυπα διακυβέρνησής τους.

Γι’ αυτό κατασκευάσαμε την K Pro ώστε να είναι ερμηνεύσιμη — δηλαδή μπορείτε να δείτε πώς λογίζεται, ποια εργαλεία επιλέγει και ποια δεδομένα καλεί — αρκετά ευέλικτη ώστε να λειτουργεί μέσα στα υπάρχοντα συστήματα μιας εταιρείας χωρίς να απαιτείται αλλαγή υποδομής, και να έχει πρόσβαση σε ιδιόκτητα δεδομένα ακριβώς εκεί που είναι ήδη αποθηκευμένα, χωρίς ποτέ να τα μετακινεί ή να τα αντιγράφει.

Αυτό συμβάλλει σημαντικά στην οικοδόμηση της εμπιστοσύνης που απαιτείται για την υιοθέτηση από τις φαρμακευτικές εταιρείες.

Τα πολυμορφικά δεδομένα ασθενών μπορούν να περιέχουν θεσμικές προκαταλήψεις, ασυνεπείς σημειώσεις και υποεκπροσωπούσες πληθυσμιακές ομάδες. Πώς η Owkin αποτρέπει αυτούς τους περιορισμούς να μετατραπούν σε παραπλανητικά βιολογικά συμπεράσματα ή να περιορίσουν τους ασθενείς που θα μπορούσαν να ωφεληθούν από μια ανακάλυψη;

Όλα τα δεδομένα περιέχουν κάποιο είδος προκατάληψης, είτε από το εργαστήριο προέλευσης είτε από τους ασθενείς που αντιπροσωπεύουν. Η προσέγγισή μας είναι να κατανοούμε τα σύνολα δεδομένων μας όσο το δυνατόν πιο πλήρως, ώστε να εντοπίζουμε αν υπάρχει προκατάληψη και πώς να την αντιμετωπίζουμε.

Μπορούμε να το κάνουμε αυτό επειδή έχουμε στενές σχέσεις με τους ερευνητές που αρχικά δημιούργησαν κάθε σύνολο δεδομένων, και αυτοί μας βοηθούν να το εξετάσουμε σε βάθος.

Είμαστε βέβαιοι ότι εάν υπάρχει ένα σχετικό σύνολο δεδομένων, μπορούμε να το βρούμε. Αλλά αν υπάρχει ένα κενό — για παράδειγμα, μια πληθυσμιακή ομάδα ασθενών δεν είναι καλά αντιπροσωπευμένη στα υπάρχοντα δεδομένα — μπορούμε να δημιουργήσουμε νέα δεδομένα σύμφωνα με αυστηρά πρότυπα, συνεργαζόμενοι με ακαδημαϊκούς εταίρους, όπως κάναμε με το σύνολο δεδομένων MOSAIC.

Έχετε περιγράψει το μακροπρόθεσμο στόχο της Owkin ως Βιολογική Τεχνητή Υπερονημοσύνη. Ποιες δυνατότητες θα διακρίνουν αυτό από τα σημερινά εργαλεία έρευνας AI, και ποια αποδεικτικά στοιχεία θα σας πείσουν ότι ένα σύστημα AI κατανοεί πραγματικά τη βιολογία αντί να εντοπίζει απλώς ολοένα και πιο σύνθετα πρότυπα;

Βιολογική Τεχνητή Υπερονημοσύνη (BASI) — ο όρος μας για ένα σύστημα AI ικανό να προτείνει ανεξάρτητα πραγματικά νέα, σωστή βιολογία — εμφανίζεται όταν ένα σύστημα AI αρχίζει να προτείνει αξιόπιστα νέα βιολογικά στοιχεία νόσου που η ανθρώπινη έρευνα δεν έχει αποκαλύψει και που αργότερα αποδεικνύονται σωστά.

• Να λειτουργεί αυτόνομα, βελτιώνοντας τις δικές του υποθέσεις χωρίς να χρειάζεται ανθρώπινη παρέμβαση σε κάθε βήμα, συμπεριλαμβανομένου του σχεδιασμού και της διεξαγωγής πειραμάτων σε αυτοματοποιημένα εργαστήρια
• Να λογίζεται για αιτία και αποτέλεσμα στα βιολογικά συστήματα, όχι μόνο να εντοπίζει συσχετίσεις

Όσον αφορά το εάν η AI πραγματικά «καταλαβαίνει» τη βιολογία, αυτό είναι ένα ενδιαφέρον φιλοσοφικό ερώτημα. Σε ποιο σημείο οι εσωτερικές αναπαραστάσεις ενός μοντέλου γίνονται αρκετά πολύπλοκες ώστε να θεωρηθούν πραγματική κατανόηση, αντί για απλώς πολύ εξελιγμένη αντιστοίχιση προτύπων; Για τώρα, θα μείνω στην ικανότητά της να προτείνει αξιόπιστα νέα βιολογία που αποδεικνύεται αληθινή.

Σας ευχαριστούμε για τη σπουδαία συνέντευξη, οι αναγνώστες που θέλουν να μάθουν περισσότερα θα πρέπει να επισκεφθούν την Owkin.