Ofer Haviv, Evogenen toimitusjohtaja ja puheenjohtaja – Haastattelusarja

Ofer Haviv on Evogenen toimitusjohtaja ja puheenjohtaja. Aikaisemmin hän toimi yhtiön COO:na ja CFO:na vuosina 2002-2004 ja oli avainhenkilö Evogenen irtautumisessa Compugenista vuonna 2002. Compugenissa hän toimi rahoituksen johtajana ja rahastonhoitajana neljä vuotta, jonka aikana yhtiö toteutti kaksi yksityistä sijoitusta ja listautui NASDAQ-pörssiin.

Joihinkin vastauksiin ovat myös osallistuneet:

• Gabi Tarcic Tuotejohtaja
• Ilia Zhidkov Laskennallisen teknologian johtaja
• Ruth Gross, Liiketoimintakehitysjohtaja

Evogene (NASDAQ:EVGN, TASE: EVGN.TA) on laskennallisen biologian yhtiö, joka erikoistuu tuotteen kehittämisen ja löytämisen muuttamiseen elämänalojen eri aloilla, mukaan lukien ihmisterveys ja maatalous. Yhtiö hyödyntää monipuolista laskennallista biologian ennustemallia (CPB) innovaatioiden edistämiseen näillä aloilla.

Kun liityit toimitusjohtajaksi vuonna 2004, olet johtanut Evogenen muutosta irtautumisesta NASDAQ-listatuksi laskennallisen biologian johtajaksi. Mitkä ovat olleet tärkeimmät ratkaisut, jotka ovat muokanneet yhtiön nykyistä suuntaa?

Kolme strategista päätöstä on muokannut Evogenen nykyiseen muotoonsa:

1. Päätös listautua NASDAQ-pörssiin vuonna 2013.
2. Päätös vuonna 2016 kehittää yhtiö yhdestä laskennallisesta järjestelmästä (CPB), joka pääasiassa tuki maatalousalan perustuvien tuotteiden kehittämistä, kolmeen erilliseen teknologiseen moottoriin, jotka yhdistävät ainutlaista dataa, laskennallisia järjestelmiä ja elämänalojen syvää ymmärrystä:

• GeneRator: Tukee Evogenen alkuperäistä toimintaa genomiikan syvän ymmärryksen alalla.
• MicroBoost: Ohjaa ja kiihdyttää mikrobiperusteisten tuotteiden kehittämistä.
• ChemPass: Ohjaa ja kiihdyttää kemianperusteisten tuotteiden kehittämistä.

3. Päätös käyttää näitä ainutlaatuisia teknologisia moottoreita Evogenen omien tutkijoiden kanssa kehittääkseen tuotteita eri aloilla. Tämä toiminta, joka alkoi yhtiön sisäisinä osastoina, muodosti myöhemmin perustan Evogenen tytäryhtiöiden rakentamiselle, mukaan lukien:

• Biomica: Käyttää MicroBoost-tekniikkaa kehittääkseen ihmisen mikrobiomin perusteisia lääkkeitä.
• Lavie Bio: Käyttää MicroBoostia kehittääkseen biologisia tuotteita mikrobieille maatalousalaan, suojelemaan kasveja tuholaisilta ja parantamaan satoja.
• AgPlenus: Käyttää ChemPass-tekniikkaa kehittääkseen kemianperusteisia tuotteita kasvinsuojeluun tuholaisia vastaan.
• Casterra: Käyttää GeneRatoria kehittääkseen ainutlaatuisia rypsi-lajikkeita rypsin kasvattamiseen öljyn tuottamiseen biologisille tuotteille ja vaihtoehtoisille polttoaineille.

Laskennallinen biologia vaatii huipputason osaamista biologiassa, tekoälyssä ja data-analytiikassa. Miten Evogene houkuttelee ja pitää osaamista näillä aloilla, ja mitkä taidot tai taustat te priorisoit?

Evogenessa houkuttelemme huipputason osaamista luomalla yhteistyökykyisen ympäristön, joka yhdistää biologian, tekoälyn ja laskennallisen asiantuntemuksen. Arvostamme yksilöitä, joilla on monialainen kokemus, erityisesti niitä, jotka ovat työskennelleet eri aloilla ja tuovat “todellisen maailman” näkemyksiä. Luovuus ja ongelmanratkaisu ovat keskiössä siinä, mitä etsimme, mikä mahdollistaa tiimimme ratkaista monimutkaisia haasteita innovatiivisilla ratkaisuilla.

Evogenen sijainti Israelissa, joka on maailman johtava teknologiainnovaatioiden keskus, jossa on ekosysteemi, joka edistää joustavuutta ja eteenpäin suuntautumista, vahvistaa kykyämme houkutella poikkeuksellista osaamista.

Evogenen läheisyys maailmanluokan akateemisiin laitoksiin, kuten Weizmann-instituuttiin, on merkittävä tekijä osaamisen houkuttelemisessa biologiassa, tekoälyssä ja data-analytiikassa.

Evogene tarjoaa teknologia-alan ammattilaisille ainutlaatuisen mahdollisuuden soveltaa osaamistaan elämänalojen tuotteiden kehittämiseen – aloihin, jotka vaikuttavat olennaisesti elämänlaatuun ja ruokaan, jota syömme. Tämä teknologian ja elämänalojen leikkaus on ainutlaatuinen verrattuna perinteisiin teknologia-alan aloihin. Biologeille tarjoamme edistyneitä teknologisia työkaluja, jotka mahdollistavat tuotteiden visioiden toteuttamisen tasolla, jota ei ole muualla.

Voitko selittää Evogenen laskennallisen biologian ennustemallin (CPB) ydinsyitä ja sen eroa muihin elämänalojen ennustavista tekoälymallista?

Evogenen laskennallinen biologia ennustemalli (CPB) yhdistää syvän biologian ja kemian ymmärryksen tekoälyyn, koneoppimiseen, laskennallisiin malleihin ja biologisiin tietoihin suorittaakseen analyysiä miljoonien tietojen pisteiden yli. Nämä vakiintuneet tekoälymoottorit on suunniteltu avustamaan tutkijoita tuotteen löytämisessä, virtaviivaistamaan uusien tuotteiden kehittämistä ja ovat olleet voimakas voima monissa yhteistyössä.

Meidän ainutlaatuus voidaan luonnehtia kolmella parametrilla:

1. Vahva yhteys biologisen ja kemiallisen syvän ymmärryksen ja laskennallisen maailman välillä sovellusten kehittämisprosessissa sekä sovellusten joustavuus mukautua eri tuotteiden määritelmiin.
2. Pyrkimys ennustaa jo löytämisvaiheessa ehdokkaan onnistumisen todennäköisyyttä kaupallisen tuotteen kriteerejä vastaan – kriteerejä, jotka yleensä tarkastellaan paljon myöhemmissä tuotteen kehittämisen vaiheissa.
3. Evogene toimii samanaikaisesti kolmessa alueessa – genomiikassa, kemiassa ja mikrobeissa – tarjoamalla laajemman ymmärryksen kehittämisprosessista.

Miten Evogenen pitkän aikavälin tavoitteet laajentaa vaikutustaan näillä aloilla?

Pitkän aikavälin tavoitteemme voidaan jakaa kolmeen:

1. Sijoittaa teknologiamoottoreihimme olemassa olevien kumppaneidemme hyväksi, jotta voimme paremmin ennustaa oikeat ehdokkaat vahvistamiseksi ja voimme paremmin sisällyttää lisäkriteerejä tuotteen kehittämiseen jo varhaisissa vaiheissa. Lyhyesti sanottuna, moottorien jatkuva parantaminen.
2. Toimia laajentaa teknologiamoottorien käyttöä muihin segmentteihin, joita Evogenen nykyiset tytäryhtiöt eivät vielä käsittele, kuten strateginen fokus lääkekehitykseen ChemPass-AI-moottorin kautta.
3. Edistää tytäryhtiöidemme arvoa ja hyödyntää niistä osakkeenomistajina myymällä osan omistuksistamme tai vastaanottamalla osinkoja.

Miten CPB-alusta on kehittynyt sen luomisesta lähtien, ja mitkä ovat viimeaikaiset edistysaskeleet tai haasteet, joita olet kohdannut kehittäessäsi uusia teknologiamoottoreita, kuten ChemPass AI ja MicroBoost AI?

Laskennallinen biologia ennustemalli (CPB) kehitettiin alun perin monoliittisella arkkitehtuurilla, joka integroi joukon bioinformatiikka-sovelluksia, jotka keskittyivät pääasiassa kasvigenomiikkaan. Tunnistettuaan joustavuuden ja skaalautuvuuden tarpeen, alusta siirrettiin mikropalveluarkkitehtuuriin, mikä mahdollisti merkittäviä parannuksia sekä käyttöliittymään (UI) että käyttökokemukseen (UX). Tämä arkkitehtuuri kehitys on tukenut alustan laajentumista uusiin elämänalojen aloihin genomiikan ulkopuolelle, mukaan lukien mikrobiologia ja kemia, johtaen innovatiivisten teknologiamoottorien kehittämiseen, kuten ChemPass AI:lle ja MicroBoost AI:lle. Vaikka näiden teknologioiden skaalauttaminen on esittänyt haasteita, alustan monialainen lähestymistapa takaa jatkuvan edistyksen ja merkittävät edistysaskeleet eri tieteellisillä aloilla.

Miten yhteistyö Google (GOOGL ) Cloudin kanssa alkoi, ja mitkä olivat pääasialliset tekijät, jotka tekivät Google Cloudista Evogenen mieluisan kumppanin?

Yhteistyömme Google Cloudin kanssa syntyi jaettujen visioiden kautta hyödyntää edistyneitä tekoälytekniikoita muuttaakseen pienmolekyylisen lääkekehitystä ja -kehittämistä. Google Cloudin vahva Vertex AI -alusta, viimeisimmän sukupolven GPU:t ja laajat tallennusmahdollisuudet tarjoavat laskennallisen voiman, jota tarvitaan perusmallin kouluttamiseen noin 40 miljardilla molekyylirakenteella. Heidän asiantuntemuksensa tekoälyssä ja koneoppimisessa yhdistettynä Evogenen vahvuuteen laskennallisessa kemiassa luo synergian, joka mahdollistaa nopean innovaation, skaalautuvuuden ja ennenkokemattoman monimuotoisuuden molekyylisuunnittelussa. Tämä yhteistyö kiihdyttää kykyämme tuoda mullistavia ratkaisuja lääkekehitykseen ja mahdollisesti muihin elämänalojen tuotteisiin.

Perusmalli pyrkii generoimaan ja arvioimaan uusia pienmolekyylejä. Mitkä ovat välittömät ja pitkän aikavälin vaikutukset lääke- ja tuotteen kehittämisen nopeuteen ja tarkkuuteen?

Perusmallin lähestymistapa edustaa älymäistä innovaatiota lääke- ja tuotteen kehittämisessä, mahdollistaen esikoulutuksen merkittävästi suuremmilla tietojoukoilla kuin perinteiset tekoälymenetelmät. Tämä mahdollisuus sallii syvempiä näkemyksiä ja parantaa tarkkuutta, merkiten mullistavaa muutosta lääkekehityksessä. Lyhyellä aikavälillä malli vallankumouksellisesti löytämisvaiheen nopeasti generoimalla uusia pienmolekyylejä, joilla on halutut ennalta määritellyt ominaisuudet, laajentaa kemiallista monimuotoisuutta murtamalla ulos hyvin kapeasta kemiallisesta avaruudesta, jota on tutkittu, ja paljastamalla uusia, korkean potentiaalin kemiallisia yhdisteitä.

Miten arvioit tämän teknologian vaikuttavan lääketeollisuuden tutkimukseen ja kehitykseen? Mitkä ovat joitain tärkeimpiä haasteita tässä alalla, joita uskot tämän mallin pystyvän ratkaisemaan?

Perusmallit pienmolekyylisen lääkekehitykseen lupaavat vallankumouksellisesti muuttaa lääketeollisuuden tutkimusta ja kehitystä merkittävästi lyhentämällä kehittämisaikaa ja kustannuksia sekä lisäämällä onnistumisen todennäköisyyttä. Tämä teknologia mahdollistaa nopean ja tarkan generaation lupaaville lääke-ehdokkaille, mahdollisesti vähentämällä 12-15 vuoden kehittämisaikaa ja kustannuksia, jotka usein ylittävät 2 miljardia dollaria lääkettä kohden. Virtaviivaistamalla prosessia ja lisäämällä onnistumisen todennäköisyyttä tuotteen kaupallistamisvaiheeseen, perusmallit voivat edistää tulevia innovatiivisia hoitoja ja tarjota parempia hoitovaihtoehtoja potilaille, joilla on elämän uhkaavia sairauksia.

Lääketeollisuuden tekoälyssä kasvavan kilpailun keskellä, miten Evogene aikoo ylläpitää kilpailukykyään laskennallisessa biologiassa ja molekyylisuunnittelussa?

Evogenen kilpailukyky perustuu monialaisen tiimimme asiantuntemukseen (algoritmikehittäjät, ohjelmistokehittäjät, kemistit ja biologit), omien algoritmien integrointiin parantamaan seulontaa ja optimointia, sekä joustavuuteen sovittaa ratkaisuja markkinoiden tarpeisiin. Yhteistyömme Google Cloudin kanssa on keskeinen rooli edistääksesi kykyämme hyödyntää viimeisintä tekoälyteknologiaa parantamaan de-novo pienmolekyylisen suunnittelun nopeutta ja tarkkuutta. Joustavat yhteistyömallit varmistavat, että omat teknologiamme toimittavat vaikuttavia, markkinoihin suunnattuja ratkaisuja.

Miten näet Evogenen roolin laskennallisen biologian tulevaisuuden muokkaamisessa, ja miten näet yhtiön vaikuttavan elämänalojen teollisuuteen seuraavan kymmenen vuoden aikana?

Evogenen visio on jatkaa laskennallisen biologian ja kemian edelläkävijänä, muokkaamalla elämänalojen tuotteen kehittämisen tulevaisuutta. Seuraavan kymmenen vuoden aikana näen meidän laajentavan teknologisen ulottuvuuttamme strategisten kumppanuuksien kautta, ajamalla eteenpäin edistystä ihmisterveydessä, maataloudessa ja kestävyydessä ratkaisemalla kriittisiä globaaleja haasteita. Meidän lopullinen tavoitteemme on muuttaa nämä edistysaskeleet innovatiivisiksi tuotteiksi – mullistaviksi lääkkeiksi, kestäviksi maatalousratkaisuiksi ja ympäristöystävällisiksi teknologioiksi.