Thomas Clozel, M.D., Owkinin perustaja ja toimitusjohtaja – Haastattelusarja

Thomas Clozel, M.D. on Owkinin perustaja ja toimitusjohtaja, tekoälypohjainen bioteknologiayritys, joka mullistaa terveydenhuollon. Klinisen tutkimuksen taustalla Clozel on ollut keskeinen Owkinin johtamisessa sen perustamisesta vuonna 2016 lähtien. Hänen johdollaan yritys on saavuttanut merkittäviä virstanpylväitä, kuten merkittävän rahoituksen keräämisen ja strategisten kumppanuuksien solmimisen suurten lääkeyritysten kanssa. Hän on entinen kliinisen onko‑hematologian apulaisprofessori Hopital Henri Mondorissa Pariisissa sekä entinen tohtori Ari Melnickin onkologialaboratorion jäsen Weill Cornell Medical College -yliopistossa.

Owkin on tekoälypohjainen bioteknologiayritys, joka kehittää autonomisia tekoälyjärjestelmiä biolääketieteellisen tutkimuksen ja lääkekehityksen nopeuttamiseksi. Yritys perustettiin vuonna 2016 onkologin Thomas Clozelin ja koneoppimisen tutkijan Gilles Wainribin toimesta, ja se yhdistää kehittyneitä tekoälymalleja multimodaaliseen potilastietoon, biologiseen tutkimukseen ja kliiniseen asiantuntemukseen auttaakseen lääkeyhtiöiden tiimejä ymmärtämään paremmin sairauksia, tunnistamaan terapeuttisia kohteita, löytämään biomarkkereita ja tekemään informoidumpia T&K-päätöksiä. Sen lippulaivatuote, K Pro, toimii tekoälytutkijana, joka voi orkestrointia erikoistuneita malleja ja tutkimustyökaluja monimutkaisten biologisten kysymysten analysoimiseksi, ja Owkin pyrkii lopulta siihen, mitä se kutsuu Biological Artificial SuperIntelligence: itsensä parantavaksi tekoälyjärjestelmäksi, joka pystyy suorittamaan yhä suurempia osia lääkekehitysprosessista itsenäisesti.

Owkin on solminut strategisia suhteita suurten biolääketieteellisten yritysten, kuten Sanofin, Bristol Myers Squibbin ja MSD:n, kanssa, ja se on rakentanut globaalin verkoston, joka kattaa akateemiset tutkijat, kliinikot, potilastietokumppanit ja laboratorioinfrastruktuurin.

Uraasi on kattanut kliinisen hematologian, onkologiatutkimuksen ja laskennallisen biologian. Kun peristit Owkinin vuonna 2016, mitä rajoitteita näit perinteisessä lääketieteellisessä tutkimuksessa, jotka vakuuttivat sinut siitä, että tekoäly voisi auttaa tutkijoita ymmärtämään sairautta eri tavalla?

Olin onkologi ja hoidoin 35‑vuotiaita syöpäpotilaita, joilla ei missään heidän historiassaan selittänyt syytä sairastua tai syynä oleva taakan uusiutuminen. Meillä ei ollut hyvää tiedettä selittääksemme sitä — vaikka viimeisen sadan vuoden tutkimus. Tämä sai minut ajattelemaan: biologia ei ole ihmisen mittakaavan ongelma. Se vaatii päättelyä eri mittakaavoissa, molekyyleistä koko organismeihin, ja samanaikaisesti monenlaisista datoista — kudosnäytteistä potilaan hoitohistoriaan. Tätä varten tarvitsisimme tekoälyä. Ja ajattelin, että ainoa data, joka voisi lähimmäs tuota ymmärrystä ihmisissä, on potilastiedot. Joten vuonna 2016 perustin Owkinin yhdessä Gilles Wainribin kanssa, ja aloitimme federoidulla oppimisella — menetelmällä, jonka avulla tekoälymallit oppivat sairaalan tiedoista ilman, että tiedot koskaan lähtevät sairaalasta — vapauttaaksemme nämä tiedot ja löytääksemme vastaukset.

Generatiivinen tekoäly voi tuottaa suuria määriä uskottavia biologisia hypoteeseja. Kuinka tutkijoiden tulisi erottaa aidosti uusi löytö vakuuttavasta, mutta lopulta virheellisestä tekoälyn tuottamasta korrelaatiosta?

Kaikki hypoteesisi tulisi pitää väärinä, kunnes ne on todennettu toisin. Tämä on suunniteltu niin. Uskon, että raja‑AI‑agentit — kehittyneet, autonomiset tekoälyjärjestelmät — kun ne saavat käyttöönsä oikeat työkalut ja data, pystyvät tuottamaan tarkempia hypoteeseja kuin me tällä hetkellä. Owkinilla mallimme priorisoivat hypoteeseja sen perusteella, kuinka todennäköisesti ne kestävät, käyttäen datasta opittuja malleja.

Mutta meidän on silti testattava ne, ensin laboratoriossa ja sitten kliinisissä tutkimuksissa, ennen kuin voimme luottaa niihin täysin. Owkin tekee tämän niin sanotun “lab in the loop” -menetelmällä — testaamalla jokaisen tekoälyn ennusteen todellisilla biologisilla näytteillä ennen luottamista — ja sitten kliinisissä kokeissa. Joten meidän on edelleen testattava jokainen hypoteesi kokeellisesti, kuten aina onkin tehty. Mutta tekoäly auttaa meitä käyttämään resursseja paremmin ohjaamalla meidät kohti testireittejä, jotka todennäköisimmin onnistuvat.

K Pro yhdistää patologiaa, genomiikkaa, spatiaalibiologiaa ja kliinisiä tuloksia. Kuinka näiden erilaisten datatyyppien yhdistäminen tuottaa vahvempaa biologista näyttöä kuin yhden tietoaineiston tai -modaliteetin käyttäminen?

Yritämme nähdä koko kuvan siitä, mikä on aiheuttanut henkilön sairauden. Jokainen näistä datatyypeistä antaa sinulle osan siitä — mutta yksikään ei yksinään pysty antamaan koko, syy‑selittävää selitystä.

Jos voit tarkastella sairautta useista kulmista samanaikaisesti, pääset lähemmäs kokonaiskuvaa. Tämä on se, mitä haluamme tehdä kaikilla biologian mittakaavoilla — esimerkiksi yhdistämällä geenien aktiivisuus siihen, miten kudos on fyysisesti rakenteellisesti järjestäytynyt, ja yhdistämällä potilaan taustabiologia (heidän geeninsä ja molekyylinsä) siihen, mitä kliinisesti todella havaitaan (kudoskuvat, potilastiedot, miten he reagoivat hoitoon).

Tässä on tekoälyn suuri merkitys: se pystyy yhdistämään nämä hyvin erilaiset datatyypit ja löytämään taustalla olevat kuviot, jotka lähestyvät kokonaiskuvaa — jotain, mikä on äärimmäisen vaikeaa ihmismielen itsenäisesti tehdä.

Owkin kuvaa tekoälyn tuottamia löytöjä hypoteeseina eikä faktoina. Mitkä vaiheet K Pro -hypoteesin täytyy läpäistä, ennen kuin tiimisi katsoo sen biologisesti merkitykselliseksi riittävästi vaikuttaakseen lääkekehityspäätökseen?

Neljä vaihetta.

Ensimmäinen, laskennallinen replikaatio: kestääkö signaali, kun se tarkistetaan riippumattomista potilastietoaineistoista ja eri datatyypeistä, joita ei alun perin käytetty hypoteesin luomiseen? Tämä vaihe on edullinen suorittaa ja se eliminoi suurimman osan ehdokkaista varhaisessa vaiheessa.

Toinen, mekanistinen tarkastelu: onko olemassa johdonmukainen, syy‑seuraus -selitys — uskottava uusi biologinen osa? Ja kertooko todistus todella sen, mitä malli väittää? Tutkimme taustalla olevaa todistusaineistoa, emme vain johtopäätöstä. Tässä vaiheessa asiantuntijabiologinen tiimimme panos on valtavan tärkeä.

Kolmas, testaamme sen laboratoriossa. Tarkistamme ennusteen potilasperäisillä malleilla — mukaan lukien organoidit (pienet, laboratoriossa kasvatetut potilaan kasvaimen versiot) — lääketestauksen ja geenieditointikokeiden avulla. Tämä on vaihe, jossa korrelaatio joko muuttuu todelliseksi syy‑väitteeksi tai ei.

Neljäs, potilaat. Testaamme parhaillaan OKN4395‑kandidaattia — lääkekandidaattia, jonka taustabiologian K Pro auttoi meitä ymmärtämään — INVOKE‑kliinisessa kokeessamme. Käytämme myös tätä koetta parantaaksemme tekoälyämme: se kerää yksityiskohtaista potilastietoa koko kokeen ajan, joten emme pelkästään testaa lääkettä, vaan myös testaamme, oliko mallin ajattelu sairausmekanismista ja oikeasta potilaspopulaatiosta oikea.

Owkin testaa valittuja K Pro -ennusteita märkälaboratoriossaan käyttäen menetelmiä kuten potilasperäisiä organoideja ja geneettistä häiriötä. Kuinka tämä laboratoriopalaute parantaa järjestelmää, ja mitä tapahtuu, kun kokeelliset tulokset ovat ristiriidassa alkuperäisen ennusteen kanssa?

K Pro ennustaa uutta biologiaa, suunnittelemme kokeen ja testaamme sen potilasperäisillä laboratoriomalleilla — mukaan lukien organoidit, yhteiskulttuurit (erilaisten solutyyppien kasvattaminen yhdessä nähdäksemme, miten ne vuorovaikuttavat) ja mallit, joissa tietyt geenit on kytketty päälle tai pois. Tulokset palautetaan järjestelmään sen parantamiseksi. Tällä hetkellä osa tästä silmukasta tehdään edelleen manuaalisesti; täydellinen automatisointi on seuraava askeleemme.

Olemme jo mittaaneet tämän palautteen vaikutuksen. Tutkimuksessa, jonka julkaisimme tänä vuonna ArXivissä (tieteellisten artikkeleiden arkisto), tekoälyagentit, jotka saivat tällaista iteratiivista laboratoriopalaute, olivat 166–185 % parempia kuin satunnaisvalinta geenien tunnistamisessa, jotka merkittävästi muuttavat solun käyttäytymistä — geenit, joihin kannattaa kohdistaa lääke.

Mitä mittareita lääketeollisuuden yritysten tulisi käyttää tekoälytutkijan arviointiin? Pitäisikö menestystä mitata ennusteen tarkkuudella, toistettavuudella, validoitujen kohteiden määrällä, parannetuilla kliinisten kokeiden päätöksillä vai jollakin muulla standardilla?

Uskomme, että tärkein mittari on luotettavuus. Tekoäly, joka joskus tuottaa erittäin tarkan vastauksen, on mielenkiintoinen, mutta tekoälyjärjestelmät tulevat todella hyödyllisiksi teollisuudelle vasta, kun ne pystyvät antamaan saman kysymyksen saman vastauksen luotettavasti, riippumatta siitä, kuinka monta kertaa sitä kysytään.

Tämä siirtää järjestelmät loistavasta demosta todellisen työnkulun perustaksi. Näin olemme rakentaneet K Pro:n — jotta tekoälyajattelu sen sisällä noudattaa samaa toistettavaa, läpinäkyvää prosessia jokaisessa vastauksessa.

Tieteellinen toistettavuus on olennaista lääkekehityksessä. Kuinka K Pro osoittaa tutkijoille, mitkä tietoaineistot, analyysityövirrat ja päättelyaskeleet johtivat johtopäätökseen, jotta sen löydökset voidaan tarkistaa itsenäisesti?

K Pro dokumentoi ja näyttää tekoälyn kulkeman päättelyprosessin jokaisessa kyselyssä.

Jokainen käyttämänsä tietoaineisto on tunnistettu lähteen ja version mukaan. Voit nähdä potilasryhmän kaventumisen jokaisessa suodatuksen vaiheessa — esimerkiksi kuinka neljältuhatta potilaasta jäi kolme­sataa. Jokainen sen kutsuma työkalu näytetään. Jokainen “taito” (skill) näytetään. Jokainen päättelyaskele myös näytetään.

“Taito” on tieteellinen työvirta, joka on koodattu kerran — analyysien sarja, kynnysarvot, päättely — jonka K Pro soveltaa identtisesti jokaisessa relevantissa tilanteessa. Taidot ovat erityisen tärkeitä toistettavuudelle, koska ne ovat yksi tapa, jolla K Pro vähentää tekoälyjärjestelmien luonnollista vaihtelua — saman tehtävän suorittaminen kahdesti pitäisi antaa sama vastaus. Jatkamme tämän kehittämistä, koska tekoälyn työn tarkistamisen kyky on keskeinen etu alallamme.

Owkin kehittää erityisesti AstraZenecalle ja Sanofille räätälöityjä K Pro -agentteja. Mitä nämä yhteistyöt ovat opettaneet sinulle tekoälytutkijoiden integroimisesta vakiintuneisiin lääketeollisuuden työnkulkuihin ilman, että ihmisen valvonta, hallinto tai tieteellinen tiukkuus heikentyy?

Sinun täytyy kohdata lääketeollisuus siellä, missä se on. Jokaisella yrityksellä on erilainen asetelma, historia ja erilainen halukkuus omaksua tekoälyä — ja kussakin yrityksessä eri tiimeillä on erilaiset tarpeet.

Kokemuksemme lääketeollisuuden kanssa lähes viimeisen vuosikymmenen aikana on, että ne asettavat aina valvonnan ja tiukkuuden etusijalle, eikä pääsyä edes saada ilman, että täyttää heidän hallintostandardinsa.

Siksi olemme rakentaneet K Pro:n tulkittavaksi — voit nähdä, miten se päättää, mitä työkaluja se valitsee ja mitä dataa se käyttää — riittävän joustavaksi toimimaan yrityksen olemassa olevissa järjestelmissä ilman, että niiden tarvitsee muuttaa infrastruktuuria, ja pystyvän käyttämään omistettua dataa juuri siellä, missä se jo on tallennettuna, ilman että sitä koskaan siirretään tai monistetaan.

Tämä edistää pitkälle luottamuksen rakentamista, mikä on olennaista lääketeollisuuden omaksumisessa.

Multimodaalinen potilastieto voi sisältää institutionaalisia harhoja, epäyhtenäisiä merkintöjä ja aliedustettuja väestöryhmiä. Kuinka Owkin estää näiden rajoitteiden muuttumisen harhaanjohtaviksi biologisiksi johtopäätöksiksi tai rajoittamasta niitä potilaita, jotka voisivat hyötyä löydöksestä?

Kaikki data sisältää jonkinlaista harhaa, olipa se peräisin laboratoriosta tai potilaista, joita se edustaa. Lähestymistapamme on ymmärtää tietoaineistomme mahdollisimman täydellisesti, jotta voimme tunnistaa, onko harhaa ja miten se otetaan huomioon.

Pystymme tähän, koska meillä on vahvat suhteet tutkijoihin, jotka alun perin loivat kunkin tietoaineiston, ja he auttavat meitä tarkastelemaan sitä perusteellisesti.

Olemme varmoja, että jos relevantti tietoaineisto on olemassa, löydämme sen. Mutta jos on aukko — esimerkiksi potilaspopulaatio ei ole hyvin edustettu olemassa olevassa datassa — pystymme itse tuottamaan uutta dataa tiukkojen standardien mukaisesti, tehden yhteistyötä akateemisten kumppaneiden kanssa, kuten teimme MOSAIC‑tietoaineistomme kanssa.

Olet kuvannut Owkinin pitkän aikavälin tavoitteena Biological Artificial Superintelligence. Mitkä kyvyt erottaisivat sen nykyisistä tekoälytutkimustyökaluista, ja millainen näyttö vakuuttaisi sinut siitä, että tekoälyjärjestelmä todella ymmärtää biologiaa eikä pelkästään tunnista yhä kehittyneempiä kuvioita?

Biological Artificial Superintelligence (BASI) — meidän termimme tekoälyjärjestelmälle, joka kykenee itsenäisesti esittämään aidosti uutta, oikeaa biologiaa — toteutuu, kun tekoäly alkaa luotettavasti ehdottaa uutta tautibiologiaa, jota ihmistutkimus ei ole vielä löytänyt, ja joka myöhemmin osoittautuu oikeaksi.

Rakennamme kohti sitä järjestelmällä, joka pystyy:

• Työskentelemään autonomisesti, tarkentamaan omia hypoteesejaan ilman, että jokaisessa vaiheessa tarvitaan ihmisen puuttumista, mukaan lukien kokeiden suunnittelu ja suorittaminen automatisoiduissa laboratorioissa
• Päättämään syy‑seuraussuhteista biologisissa järjestelmissä, ei pelkästään havaitsemaan korrelaatioita

Mitä tulee siihen, ymmärtääkö tekoäly todella “biologiaa”, se on mielenkiintoinen filosofinen kysymys. Missä vaiheessa mallin sisäiset esitykset tulevat riittävän monimutkaisiksi, jotta ne voidaan katsoa todelliseksi ymmärrykseksi, eikä pelkästään erittäin kehittyneeksi kuvioiden tunnistamiseksi? Toistaiseksi tyytyyn olen siihen, että se pystyy luotettavasti ehdottamaan uutta biologiaa, joka osoittautuu oikeaksi.

Kiitos tästä loistavasta haastattelusta, lukijat, jotka haluavat oppia lisää, kannattaa vierailla sivustolla Owkin.