Jinhan Kim, Standigmin toimitusjohtaja – Haastattelu sarja

Jinhan Kim on Standigmin toimitusjohtaja, työskentelee työkalu AI lääkekehitys yrityksessä.

Mukautetusta kohdetunnistamisesta johtavaan yhdisteeseen, Standigm-työkalu AI -alusta tuottaa näkemyksiä jokaiselle vaiheelle kehittää kaupallisesti arvokkaita lääkkeitä omista ja kumppanuusprojekteista. ​

Mistä kiinnostus ohjelmointiin syntyi, kun olit 6. luokalla?

Kyllä, Apple (AAPL ) II Plus oli se, mikä sai minut kiinnostumaan ohjelmoinnista. Aloin ohjelmoida C-kieltä uteliaisuudestani. Tulin kiinnostuneeksi tietokoneeni periaatteista ja teoreettisista näkökulmista. Siitä lähtien olen ollut elinikäinen oppija teknologian alalla.

Mikä alkuun herätti kiinnostuksesi koneoppimiseen?

Sain tutkinnon sovelletusta kemiasta ja tekoälystä Edinburghin yliopistosta Geoffrey Hintonin johdolla. Hän on neurotieteilijä ja tietojenkäsittelytieteilijä, joka loi syvän oppimisen. Hinton työskenteli tekoälyverkoissa ja suunnitteli autonomisia, älykkäitä koneita – ja myöhemmin koneoppimisalgoritmeja. Google (GOOGL ) palkkasi hänet kymmenen vuotta sitten luomaan heidän tekoälynsä, ja loput ovat historiaa.

Milloin aloit siirtymisen biologian ja koneoppimisen leikkuualueelle?

Työskentelin Samsungin edistyneessä teknologiainstituutissa, jossa kehittelin algoritmeja. Yksi algoritmeista, jonka kehittelin, oli mekanismi DNA-vaurioiden korjaamiseksi. Halusin jatkaa biologian alalla ja ratkaista vaikeimpia ongelmia. Sekä ihmiskeho että tietokoneet, jotka toimivat kuin ihmiset, ovat yhtä monimutkaisia, ja tarvitaan ymmärrystä toisesta jotta voi ymmärtää toista. Tekoälyjärjestelmät voivat ei vain käydä läpi laajaa tieteellistä dataa, joka on julkaistu vuosien varrella ympäri maailmaa, vaan ne voivat myös käsitellä ihmiskehon monimuotoisuutta ja nopeasti ja johdonmukaisesti havaita biologisten mekanismien kuvioita. Se oli helppo nähdä, että biologia ja koneoppiminen kulkevat käsi kädessä.

Voitko kertoa Standigmin syntytarinaa?

Työni terveydenhuollossa ja tieteessä paljasti minulle suuren ongelman perinteisessä lääkekehityksessä: aika ja raha, joita kului tieteellisten tutkimuspaperien ja seulontakokeiden skannaamiseen tai vihjeisiin, jotka antoivat lähtökohtaa uusien lääkekehityshankkeiden luomiselle. Ihmiset tekivät tätä intensiivistä tutkimusta. Minä ja kaksi Samsung-kollegani, Sang Ok Song ja So Jeong Yun, näimme mahdollisuuden siirtää työ ihmisten kädestä älykkääseen koneeseen ja suunnitella uuden työnkulun. En myöskään halunnut työskennellä palkalla; halusin työskennellä itsenäisesti, tuoda lääkekehitysmenetelmiä uuteen standardiparadigmaan, joka on Standigmin, yrityksen, jonka kolme meistä perusti, syntytarina. Meidän koneoppimismalli saavuttaa nyt korkean ennustusvirran ja sen tekoälytekniikka saavuttaa maksimaalisen tuoton.

Mikä on syntetisen saatavuuden ongelma ja miten Standigm ratkaisee sen?

Generatiiviset mallit voivat suunnitella uusia molekyylirakenteita ilman hyvin koulutettujen lääketeollisuuden kemistien apua, mikä on yksi tärkeimmistä syistä tähän teknologian innostuneeseen omaksumiseen lääkekehitysyhteisöissä. Korkein este tässä on ero molekyylien suunnittelun ja kokeellisen synteesin nopeudessa, jossa miljoonien yhdisteiden suunnittelu kestää vain tunteja ja kymmenen molekyylin synteesi viikkoja tai kuukausia. Koska vain pieni osa suunnitelluista yhdisteistä syntetisoidaan ihmisten toimesta, on tärkeää, että molekyylien ominaisuuksilla on hyvät mittarit.

Ensimmäisen sukupolven tekoälymallit olivat karkeita, ja lääketeollisuuden kemistit hylkäsivät useimmat suunnitellut molekyylit synteesisuunnitelman vaikeuden takia. Jotkut CRO-yritykset jopa kieltäytyivät laatimasta ehdotusta tälle synteesikampanjalle.

Standigm on työskennellyt tämän asian parissa palkkaamalla kokeneita lääketeollisuuden kemistejä ja lisäämällä heidän asiantuntemustaan generatiivisiin malleihin, jotta ne voivat suunnitella yhdisteitä, jotka eivät voida erottaa niistä, jotka on suunniteltu ihmisten toimesta. Standigmilla on nyt useita erilaisia generatiivisia malleja, jotka voivat hallita eri lääkekehitysvaiheita: osuman tunnistaminen, osuman johtaminen ja johtamisen optimointi. Tämä osoittaa, kuinka tärkeää on monipuolinen asiantuntemus jokaiselle tekoälylääkekehitysyhtiölle, jossa ihmisten kokemus ja asiantuntemus käytetään ennen kaikkea parantamaan tekoälymalleja ja turvamaan parhaat työnkulut jokaiselle hankkeelle.

Voitko keskustella algoritmeista, joita Standigm käyttää lääkekehityksen helpottamiseksi?

Tyypillisesti aloitamme jokaisen tutkimushankkeen priorisoimalla lupaavia ja uusia kohdemolekyylejä Standigm ASK: n avulla; biologiamme perustuu erillisiin algoritmeihin, joilla koulutetaan laajoja biologisia verkkoja, hyödynnetään erilaisia puolueettomia omics-tietoja, otetaan huomioon biologisen järjestelmän erityiset kontekstit jne. Oikean kohdemolekyylin valinta on yksi tärkeimmistä asioista lääkekehityksessä. Standigm ASK auttaa tautitutkijoita tarjoamalla useita toimintamekanismien hypoteeseja.

Standigm BEST suorittaa erilaisia tehtäviä, kuten ehdottaa osumayhdisteitä (tehokas tutkimus), rakennetta hyppääminen (huomioon ottaen syntetisen saatavuuden ja uutuuden) ja erilaisia ennustemalleja lääkeominaisuuksille (aktiivisuus, ADME/Tox-ominaisuudet ja fysikaaliset ominaisuudet). Monet pienemmät tehtävät liittyvät näihin suurempiin, kuten DTI (lääke-kohdemolekyyli-välinen vuorovaikutus), tekoälyavusteinen molekyylisimulointi, valikoivuuden ennustaminen ja moniparametrinen optimointi.

Kuinka paljon aikaa säästyy keskimäärin uusien yhdisteiden luomisessa verrattuna perinteisiin lääkekehitysmenetelmiin?

Standigmin tutkijat ovat syntetisoineet satoja uusia molekyylejä hankkeissa, joista monet on määritelty osumaksi ja johtaviksi molekyyleiksi eri konteksteissa. Omaksumalla tekoälypohjaisia malleja ja kaupallisia resursseja Standigm on vähentänyt uusien yhdisteiden ensimmäisen kierroksen luomiseen kuluvaa aikaa kuudesta kuukaudesta keskimäärin kahteen kuukauteen useimmissa hankkeissa. Nyt voidaan tehdä ensimmäinen käy- / ei-käy-päätös keskimäärin seitsemässä kuussa sen sijaan, että se kestäisi kolme tai neljä vuotta.

Mitkä ovat Standigmin menestystarinoita potentiaalisista lääkekaupallisista?

Käyttämällä Standigm Insightia, joka jakaa saman teknisen taustan kuin Standigm ASK, löysimme lääkemolekyylin, jota voidaan käyttää harvinaiseen lastentautiin, vahvistettuna yhden Yhdysvaltain parhaista lastensairaaloista. Tämä tapaus osoittaa, että tekoälytekniikka voi auttaa harvinaisten tautien lääkekehityksessä, joka on vaikea tehtävä minkä tahansa kokoinen yritys, johtuen kaupallisen arvon tarpeesta. Erityisesti taloudellisessa laskusuhdanteessa, jolloin lääkeyritykset yrittävät olla konservatiivisempia, tekoäly voi edistää harvinaisten ja laiminlyötyjen tautien tutkimusta ja kehitystä.

Mikä on visiosi syvän oppimisen ja generatiivisen tekoälyn tulevaisuudesta terveydenhuollossa?

Tekoälytekniikan menestymisen edellytyksenä on korkealaatuisen datan saatavuus. Terveydenhuoltoalalla on varmasti suuri kilpailu korkealaatuisen datan turvaamisesta. Kapeamman näkökulman mukaan varhaisessa lääkekehityksessä, kemiaa ja biologiaa koskevat tiedot ovat kalliita ja vaativat pitkän aikaa saavuttaakseen korkean laadun. Siksi automaattinen laboratorio tulee olemaan tulevaisuus tekoälylääkekehityksen alalla, koska se voi vähentää korkealaatuisen datan kustannuksia – tekoälytekniikan polttoainetta. Pyrimme kehittämään teknologia-alustoja seuraavalle tasolle, jotta Standigm ASK voi tarjota enemmän näyttöä potilaiden datasta molekyylibiologiaan; ja Standigm BESTin tekoälymallit voivat olla alan huipulla syötettynä korkealaatuisilla tiedoilla omista automaattisista laboratorioista ja yhteistyökumppaneilta.

Onko jotain muuta, mitä haluaisit jakaa Standigmin kanssa?

Standigmin erottuvan asiantuntemuksen tasapaino on tärkeää, ja etnisten ryhmien tasapaino on myös kriittinen. Olemme laajentaneet läsnäoloamme globaalissa ympäristössä perustamalla U.K.:n (Cambridge) ja Yhdysvaltain (Cambridge, MA) toimistot sisällyttääksemme verkkoyhteyksiä ja Standigmin muodonmuutosta kansainvälisemmäksi yritykseksi. Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Standigmin sivuilla.