Charles Fisher, Ph.D., CEO & Founder de Unlearn – Serie de entrevistas

Charles Fisher, Ph.D., es el CEO y fundador de Unlearn, una plataforma que aprovecha la IA para abordar algunos de los principales cuellos de botella en el desarrollo clínico: los largos plazos de los ensayos, los altos costos y los resultados inciertos. Sus nuevos modelos de IA analizan grandes cantidades de datos de nivel de paciente para predecir los resultados de salud de los pacientes. Al integrar gemelos digitales en los ensayos clínicos, Unlearn puede acelerar la investigación clínica y ayudar a llevar tratamientos de salvamento de vidas a los pacientes que los necesitan.

Charles es un científico con intereses en la intersección de la física, el aprendizaje automático y la biología computacional. Anteriormente, Charles trabajó como ingeniero de aprendizaje automático en Leap Motion y como biólogo computacional en Pfizer. Fue becario Philippe Meyer en física teórica en la École Normale Supérieure en París, Francia, y científico postdoctoral en biofísica en la Universidad de Boston. Charles tiene un Ph.D. en biofísica de la Universidad de Harvard y un B.S. en biofísica de la Universidad de Michigan.

Actualmente estás en la minoría en tu creencia fundamental de que las matemáticas y la computación deben ser la base de la biología. ¿Cómo llegaste originalmente a estas conclusiones?

Eso es probablemente porque las matemáticas y los métodos computacionales no se han enfatizado lo suficiente en la educación en biología en los últimos años, pero desde donde estoy, la gente está empezando a cambiar de opinión y a estar de acuerdo conmigo. Las redes neuronales profundas nos han dado un nuevo conjunto de herramientas para sistemas complejos, y la automatización está ayudando a crear los grandes conjuntos de datos biológicos necesarios. Creo que es inevitable que la biología se convierta en una ciencia más computacional en la próxima década.

¿Cómo se convirtió esta creencia en el lanzamiento de Unlearn?

En el pasado, muchos métodos computacionales en biología se han visto como resolviendo problemas de juguete o problemas alejados de las aplicaciones en medicina, lo que ha hecho que sea difícil demostrar un valor real. Nuestro objetivo es inventar nuevos métodos de IA para resolver problemas en medicina, pero también estamos enfocados en encontrar áreas, como en los ensayos clínicos, donde podamos demostrar un valor real.

¿Puedes explicar la misión de Unlearn para eliminar el ensayo y error en medicina a través de la IA?

Es común en ingeniería diseñar y probar un dispositivo utilizando un modelo de computadora antes de construir el dispositivo real. Nos gustaría habilitar algo similar en medicina. ¿Podemos simular el efecto que un tratamiento tendrá en un paciente antes de dárselo? Aunque creo que el campo está bastante lejos de eso hoy en día, nuestro objetivo es inventar la tecnología para hacerlo posible.

¿Cómo utiliza Unlearn los gemelos digitales en los ensayos clínicos para acelerar el proceso de investigación y mejorar los resultados?

Unlearn inventa modelos de IA llamados generadores de gemelos digitales (DTGs) que generan gemelos digitales de los participantes en los ensayos clínicos. El gemelo digital de cada participante predice qué sería su resultado si recibieran el placebo en un ensayo clínico. Si nuestros DTGs fueran perfectamente precisos, entonces, en principio, los ensayos clínicos podrían realizarse sin grupos de placebo. Pero en la práctica, todos los modelos cometen errores, así que nuestro objetivo es diseñar ensayos aleatorizados que utilicen grupos de placebo más pequeños que los ensayos tradicionales. Esto hace que sea más fácil inscribirse en el estudio, lo que acelera los plazos de los ensayos.

¿Podrías elaborar con precisión qué es la metodología de Ajuste de Covariable Prognóstica Calificada Regulatoriamente (PROCOVA™) de Unlearn?

PROCOVA™ es el primer método que desarrollamos que permite que los gemelos digitales de los participantes se utilicen en los ensayos clínicos para que los resultados del ensayo sean robustos a los errores que el modelo puede cometer en sus predicciones. Esencialmente, PROCOVA utiliza el hecho de que algunos de los participantes en un estudio se asignan aleatoriamente al grupo de placebo para corregir las predicciones de los gemelos digitales utilizando un método estadístico llamado ajuste de covariables. Esto nos permite diseñar estudios que utilicen grupos de control más pequeños que los normales o que tengan un poder estadístico mayor, al mismo tiempo que garantizamos que esos estudios aún proporcionen evaluaciones rigurosas de la eficacia del tratamiento. También estamos continuando con la investigación y desarrollo para ampliar esta línea de soluciones y proporcionar estudios aún más potentes en el futuro.

¿Cómo equilibra Unlearn la innovación con el cumplimiento regulatorio en el desarrollo de sus soluciones de IA?

Las soluciones destinadas a los ensayos clínicos generalmente están reguladas en función de su contexto de uso, lo que significa que podemos desarrollar múltiples soluciones con diferentes perfiles de riesgo que se dirigen a diferentes casos de uso. Por ejemplo, desarrollamos PROCOVA porque es extremadamente de bajo riesgo, lo que nos permitió buscar una opinión de calificación de la Agencia Europea de Medicamentos (EMA) para su uso como análisis principal en ensayos clínicos de fase 2 y 3 con resultados continuos. Pero PROCOVA no aprovecha toda la información proporcionada por los gemelos digitales que creamos para los participantes en el ensayo: deja algo de rendimiento en la mesa para alinearse con la orientación regulatoria. Por supuesto, Unlearn existe para empujar los límites, así que podemos lanzar soluciones más innovadoras dirigidas a aplicaciones en estudios de etapa temprana o análisis post-hoc donde podemos utilizar otros tipos de métodos (por ejemplo, análisis bayesianos) que proporcionan mucha más eficiencia que PROCOVA.

¿Cuáles han sido algunos de los desafíos y avances más significativos para Unlearn al utilizar la IA en medicina?

El mayor desafío para nosotros y para cualquier otra persona involucrada en la aplicación de la IA a problemas en medicina es cultural. Actualmente, la gran mayoría de los investigadores en medicina no son extremadamente familiarizados con la IA, y generalmente están mal informados sobre cómo funcionan las tecnologías subyacentes. Como resultado, la mayoría de las personas son muy escépticas de que la IA sea útil en el plazo cercano. Creo que eso cambiará inevitablemente en los próximos años, pero la biología y la medicina generalmente van por detrás de la mayoría de los otros campos en la adopción de nuevas tecnologías informáticas. Hemos tenido muchos avances tecnológicos, pero las cosas más importantes para ganar adopción son probablemente los puntos de prueba de los reguladores o los clientes.

¿Cuál es tu visión general para utilizar las matemáticas y la computación en biología?

En mi opinión, solo podemos llamar a algo “ciencia” si su objetivo es hacer predicciones precisas y cuantitativas sobre los resultados de experimentos futuros. Actualmente, alrededor del 90% de los medicamentos que entran en ensayos clínicos en humanos fallan, generalmente porque no funcionan en realidad. Así que estamos realmente lejos de hacer predicciones precisas y cuantitativas en la mayoría de las áreas de biología y medicina. No creo que eso cambie hasta que el núcleo de esas disciplinas cambie: hasta que las matemáticas y los métodos computacionales se conviertan en las herramientas de razonamiento básicas de la biología. Mi esperanza es que el trabajo que estamos haciendo en Unlearn destaque el valor de adoptar un enfoque “IA-primero” para resolver un problema práctico importante en la investigación médica, y que los investigadores futuros puedan tomar esa cultura y aplicarla a un conjunto más amplio de problemas.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar Unlearn.