Jinhan Kim, CEO de Standigm – Serie de entrevistas

Jinhan Kim es el CEO de Standigm, una empresa de descubrimiento de fármacos con inteligencia artificial de flujo de trabajo.

Desde la identificación personalizada de objetivos hasta la generación de compuestos líderes, la plataforma de inteligencia artificial de Standigm genera información para cada paso para desarrollar fármacos con valor comercial desde proyectos internos y de asociación. ​

Comenzaste a programar cuando estabas en sexto grado, ¿podrías compartir cómo te interesaste y en qué trabajaste inicialmente?

Ah, sí – en mi Apple (AAPL ) II Plus. Eso fue el catalizador para convertirme de un libro en un creador. Comencé a programar, empezando con el lenguaje C, por curiosidad. Me interesé en los principios y aspectos teóricos de mi computadora. A partir de ahí, me convertí en un aprendiz de por vida en el campo de la tecnología.

¿Qué te atrajo inicialmente a la inteligencia artificial?

Obtuve mis títulos en química aplicada e inteligencia artificial en la Universidad de Edimburgo bajo la dirección de Geoffrey Hinton. Él es el neurocientífico y científico informático que básicamente creó el aprendizaje profundo. Hinton trabajó en redes neuronales artificiales y diseñó máquinas autónomas e inteligentes – y, más tarde, algoritmos de aprendizaje automático. Google (GOOGL ) lo contrató hace diez años para crear su inteligencia artificial y el resto es historia.

¿Cuándo te involucraste inicialmente en la intersección de la biología y la inteligencia artificial?

Trabajaba en el Instituto Avanzado de Tecnología de Samsung, donde estaba desarrollando algoritmos. Uno de los algoritmos que desarrollé fue un mecanismo para reparar daños en el ADN. Quería trabajar en el campo de la biología y resolver los problemas más difíciles para encontrar objetivos. Tanto el cuerpo humano como las computadoras que piensan como humanos son tan complejos como cualquier cosa, y necesitas trabajar para entender uno para comprender el otro. Los sistemas de inteligencia artificial no solo pueden buscar en grandes cantidades de datos científicos publicados durante décadas en todo el mundo, sino que también pueden procesar las complejidades del cuerpo humano y captar rápidamente y de manera coherente los patrones de los mecanismos biológicos. Fue fácil ver que la biología y la inteligencia artificial van de la mano.

¿Podrías compartir la historia de la creación de Standigm?

Mi trabajo en salud y ciencia reveló lo que, para mí, era un gran problema en el descubrimiento tradicional de fármacos: el tiempo y el dinero que se necesitaban para buscar en la investigación científica y los ensayos clínicos, o las pistas que proporcionan el punto de partida para la creación de nuevos fármacos. Los científicos humanos estaban haciendo esta investigación intensiva. Yo y dos colegas de Samsung, Sang Ok Song y So Jeong Yun, vimos una oportunidad para cambiar el trabajo de los humanos a una máquina inteligente y diseñar un nuevo flujo de trabajo. También, no quería trabajar por un salario; quería trabajar por mí mismo, para llevar los métodos de descubrimiento de fármacos a un nuevo estándar, lo que es el origen del trabajo y el nombre de “Standigm”, la empresa que los tres fundamos. Nuestro modelo de aprendizaje automático ahora logra una alta precisión en la predicción y su tecnología de inteligencia artificial alcanza el máximo retorno de la inversión.

¿Cuál es el problema de la accesibilidad sintética y cómo trabaja Standigm para resolverlo?

Los modelos generativos pueden diseñar estructuras moleculares nuevas sin la ayuda de químicos medicinales bien capacitados, lo que es una de las razones más críticas para la adopción entusiasta de esta tecnología por parte de las comunidades de descubrimiento de fármacos. El obstáculo más grande aquí es la diferencia en la velocidad entre el diseño de moléculas y sus síntesis experimentales, donde el diseño de millones de compuestos tarda solo horas y la síntesis de solo diez moléculas tarda semanas o meses. Como solo una fracción muy pequeña de los compuestos diseñados se sintetizará con la ayuda de expertos humanos, es esencial tener buenas medidas de las propiedades moleculares.

Los modelos de inteligencia artificial de primera generación eran toscos, y los químicos sintéticos rechazaban la mayoría de los compuestos diseñados debido a la dificultad del plan sintético. Algunas empresas de investigación y desarrollo incluso se negaban a preparar una propuesta para esta campaña sintética.

Standigm ha estado trabajando en este problema al contratar a químicos medicinales experimentados y agregar su experiencia a los modelos generativos para que puedan diseñar compuestos que no se pueden distinguir de los diseñados por expertos humanos. Standigm ahora tiene varios modelos generativos diferentes que pueden gestionar diferentes etapas de descubrimiento de fármacos: identificación de objetivos, optimización de compuestos líderes y optimización de compuestos. Esto muestra la importancia de tener una experiencia diversa para cualquier empresa de descubrimiento de fármacos con inteligencia artificial, donde la experiencia y el conocimiento humanos se utilizan principalmente para mejorar los modelos de inteligencia artificial y garantizar los mejores flujos de trabajo en lugar de cada proyecto.

¿Podrías discutir los tipos de algoritmos que utiliza Standigm para facilitar el descubrimiento de fármacos?

Normalmente comenzamos cualquier proyecto exploratorio priorizando objetivos proteicos prometedores y nuevos utilizando Standigm ASK; nuestra plataforma de biología consiste en algoritmos distintos para entrenar redes biológicas masivas, utilizar varios tipos de datos ómicos sin sesgo, introducir contextos específicos de sistemas biológicos, etc. Seleccionar el objetivo proteico correcto es uno de los problemas más críticos en el descubrimiento de fármacos. Standigm ASK ayuda a los expertos en enfermedades al proporcionar múltiples hipótesis de mecanismo de acción.

Para garantizar patentes con rangos de protección altos, Standigm BEST realiza varias tareas, incluyendo la sugerencia de compuestos de inicio (exploración efectiva), el salto de andamio (considerando la accesibilidad sintética y la novedad) y varios modelos predictivos para propiedades farmacológicas (actividad, propiedades ADME/Tox y propiedades fisicoquímicas). Muchas tareas más pequeñas están relacionadas con estas más grandes, como la interacción entre fármacos y objetivos, simulaciones moleculares asistidas por inteligencia artificial, predicción de selectividad y optimización de múltiples parámetros.

¿Cuánto tiempo se ahorra en promedio cuando se trata de la generación de compuestos nuevos en comparación con los procedimientos de descubrimiento de fármacos tradicionales?

Los investigadores de Standigm han sintetizado cientos de moléculas nuevas para proyectos, muchas de las cuales están designadas como moléculas de inicio y liderazgo en diferentes contextos. Al adoptar modelos y recursos comerciales basados en inteligencia artificial, Standigm ha reducido el tiempo para la primera ronda de generación de compuestos nuevos de seis meses a un promedio de dos meses para la mayoría de los proyectos. Ahora, las decisiones de ir o no ir pueden tomarse en un promedio de siete meses en lugar de tres o cuatro años.

¿Cuáles son algunas de las historias de éxito de Standigm para la comercialización potencial de fármacos?

Utilizando Standigm Insight, que comparte el mismo fondo técnico que Standigm ASK, encontramos una molécula de fármaco que se puede utilizar para una enfermedad pediátrica rara, validada por un científico de uno de los mejores hospitales infantiles de EE. UU. Este caso muestra que la tecnología de inteligencia artificial puede ayudar en el descubrimiento de fármacos para enfermedades raras, una tarea difícil para cualquier empresa debido a la necesidad de más valor comercial. Especialmente en esta recesión, cuando las empresas farmacéuticas intentan ser más conservadoras, la inteligencia artificial puede promover la investigación y el desarrollo en enfermedades raras y descuidadas.

¿Cuál es tu visión para el futuro de la inteligencia artificial y el aprendizaje generativo en la atención médica?

El éxito de la tecnología de inteligencia artificial depende de la disponibilidad de datos de alta calidad. Habrá inevitablemente una gran competencia alrededor de la obtención de una gran cantidad de datos de alta calidad en el sector de la atención médica. Desde una perspectiva más estrecha del descubrimiento de fármacos temprano, los datos de química y biología son caros y requieren mucho tiempo para obtener un estado de alta calidad. Por lo tanto, el laboratorio automatizado será el futuro del campo del descubrimiento de fármacos con inteligencia artificial, ya que puede reducir el costo de los datos de alta calidad – el combustible para la tecnología de inteligencia artificial. Estamos empujando nuestras plataformas tecnológicas al siguiente nivel para que Standigm ASK pueda proporcionar más evidencia aparente, desde datos derivados de pacientes hasta biología molecular; y para que los modelos de inteligencia artificial de Standigm BEST puedan ser de última generación alimentados con datos de alta calidad de laboratorios automatizados y colaboradores.

¿Hay algo más que te gustaría compartir sobre Standigm?

Como el equilibrio de la experiencia diferenciada es importante para Standigm, el equilibrio de las etnias también es crítico. Hemos estado expandiendo nuestra presencia en el entorno global al fundar las oficinas del Reino Unido (Cambridge) y EE. UU. (Cambridge, MA) para incluir la presencia de las redes y la transformación de Standigm en una empresa más internacional.

Gracias por la gran entrevista, los lectores que desean aprender más pueden visitar Standigm.