Charles Fisher, Ph.D., CEO & Fondateur d’Unlearn – Série d’entretiens

Charles Fisher, Ph.D., est le PDG et fondateur de Unlearn, une plateforme qui utilise l’IA pour résoudre certains des principaux goulets d’étranglement du développement clinique : les longs délais d’essais, les coûts élevés et les résultats incertains. Les modèles d’IA novateurs analysent de grandes quantités de données au niveau des patients pour prédire les résultats de santé des patients. En intégrant des jumeaux numériques dans les essais cliniques, Unlearn peut accélérer la recherche clinique et aider à apporter de nouveaux traitements salvateurs aux patients qui en ont besoin.

Charles est un scientifique dont les intérêts se situent à l’intersection de la physique, de l’apprentissage automatique et de la biologie computationnelle. Auparavant, Charles a travaillé en tant qu’ingénieur en apprentissage automatique chez Leap Motion et en tant que biologiste computationnel chez Pfizer. Il a été boursier Philippe Meyer en physique théorique à l’École normale supérieure de Paris, en France, et scientifique postdoctoral en biophysique à l’Université de Boston. Charles détient un doctorat en biophysique de l’Université Harvard et un baccalauréat en sciences en biophysique de l’Université du Michigan.

Vous êtes actuellement dans la minorité dans votre croyance fondamentale selon laquelle les mathématiques et l’informatique devraient être la base de la biologie. Comment êtes-vous arrivé à ces conclusions à l’origine ?

C’est probablement juste parce que les mathématiques et les méthodes informatiques n’ont pas été suffisamment soulignées dans l’éducation en biologie ces dernières années, mais de mon point de vue, les gens commencent à changer d’avis et à être d’accord avec moi. Les réseaux de neurones profonds nous ont donné un nouvel ensemble d’outils pour les systèmes complexes, et l’automatisation aide à créer les grands ensembles de données biologiques requis. Je pense qu’il est inévitable que la biologie se transforme en une science computationnelle dans la prochaine décennie.

Comment cette croyance a-t-elle ensuite conduit au lancement d’Unlearn ?

Dans le passé, de nombreuses méthodes computationnelles en biologie ont été considérées comme résolvant des problèmes de jouets ou des problèmes éloignés des applications en médecine, ce qui a rendu difficile la démonstration d’une valeur réelle. Notre objectif est d’inventer de nouvelles méthodes en IA pour résoudre des problèmes en médecine, mais nous nous concentrons également sur la recherche de domaines, comme les essais cliniques, où nous pouvons démontrer une valeur réelle.

Pouvez-vous expliquer la mission d’Unlearn pour éliminer les essais et les erreurs en médecine grâce à l’IA ?

Il est courant en ingénierie de concevoir et de tester un dispositif à l’aide d’un modèle informatique avant de construire la chose réelle. Nous aimerions permettre quelque chose de similaire en médecine. Pouvez-vous simuler l’effet qu’un traitement aura sur un patient avant de le lui administrer ? Bien que je pense que le domaine soit assez éloigné de cela aujourd’hui, notre objectif est d’inventer la technologie pour le rendre possible.

Comment l’utilisation d’Unlearn des jumeaux numériques dans les essais cliniques accélère-t-elle le processus de recherche et améliore-t-elle les résultats ?

Unlearn invente des modèles d’IA appelés générateurs de jumeaux numériques (DTG) qui génèrent des jumeaux numériques des participants aux essais cliniques. Le jumeau numérique de chaque participant prédit ce que serait son résultat s’il recevait le placebo dans un essai clinique. Si nos DTG étaient parfaitement précis, alors, en principe, les essais cliniques pourraient être menés sans groupes de placebo. Mais dans la pratique, tous les modèles font des erreurs, nous visons donc à concevoir des essais randomisés qui utilisent des groupes de placebo plus petits que les essais traditionnels. Cela facilite l’inscription à l’étude, ce qui accélère les délais d’essai.

Pouvez-vous expliquer précisément ce qu’est la méthodologie PROCOVA™ (Prognostic Covariate Adjustment) qualifiée réglementairement d’Unlearn ?

PROCOVA est la première méthode que nous avons développée qui permet d’utiliser les jumeaux numériques des participants dans les essais cliniques de telle sorte que les résultats de l’essai soient robustes aux erreurs que le modèle peut faire dans ses prévisions. Essentiellement, PROCOVA utilise le fait que certains participants à une étude sont assignés de manière aléatoire au groupe de placebo pour corriger les prévisions des jumeaux numériques à l’aide d’une méthode statistique appelée ajustement des covariables. Cela nous permet de concevoir des études qui utilisent des groupes de contrôle plus petits que la normale ou qui ont une puissance statistique plus élevée tout en garantissant que ces études fournissent toujours des évaluations rigoureuses de l’efficacité du traitement. Nous poursuivons également la R&D pour élargir cette ligne de solutions et fournir des études encore plus puissantes à l’avenir.

Comment Unlearn équilibre-t-elle l’innovation avec la conformité réglementaire dans le développement de ses solutions d’IA ?

Les solutions destinées aux essais cliniques sont généralement réglementées en fonction de leur contexte d’utilisation, ce qui signifie que nous pouvons développer plusieurs solutions avec des profils de risque différents qui sont destinés à différents cas d’utilisation. Par exemple, nous avons développé PROCOVA car elle présente un risque extrêmement faible, ce qui nous a permis de demander un avis de qualification à l’Agence européenne des médicaments (EMA) pour son utilisation en tant qu’analyse principale dans les essais cliniques de phase 2 et 3 avec des résultats continus. Mais PROCOVA n’exploite pas toutes les informations fournies par les jumeaux numériques que nous créons pour les participants à l’essai – elle laisse une certaine performance sur la table pour s’aligner sur les orientations réglementaires. Bien sûr, Unlearn existe pour repousser les limites, nous pouvons donc lancer des solutions plus innovantes destinées à des applications dans des études de stade précoce ou des analyses post-hoc où nous pouvons utiliser d’autres types de méthodes (par exemple, des analyses bayésiennes) qui offrent beaucoup plus d’efficacité que PROCOVA.

Quels ont été les défis et les percées les plus importants pour Unlearn dans l’utilisation de l’IA en médecine ?

Le plus grand défi pour nous et pour quiconque impliqué dans l’application de l’IA aux problèmes de médecine est culturel. Actuellement, la grande majorité des chercheurs en médecine ne sont pas extrêmement familiers avec l’IA et sont généralement mal informés sur la façon dont les technologies sous-jacentes fonctionnent réellement. Je pense que cela changera inévitablement dans les prochaines années, mais la biologie et la médecine sont généralement en retard par rapport à la plupart des autres domaines en ce qui concerne l’adoption de nouvelles technologies informatiques. Nous avons eu de nombreuses percées technologiques, mais les choses les plus importantes pour gagner l’adoption sont probablement les preuves provenant des régulateurs ou des clients.

Quelle est votre vision globale pour l’utilisation des mathématiques et de l’informatique en biologie ?

 À mon avis, nous ne pouvons appeler quelque chose de “scientifique” que si son objectif est de faire des prévisions précises et quantitatives sur les résultats des expériences futures. Actuellement, environ 90 % des médicaments qui entrent dans les essais cliniques humains échouent, généralement parce qu’ils ne fonctionnent pas réellement. Nous sommes donc vraiment loin de faire des prévisions précises et quantitatives à l’heure actuelle lorsqu’il s’agit de la plupart des domaines de la biologie et de la médecine. Je ne pense pas que cela change tant que le noyau de ces disciplines ne change pas – jusqu’à ce que les mathématiques et les méthodes informatiques deviennent les outils de raisonnement fondamentaux de la biologie. J’espère que le travail que nous faisons à Unlearn met en évidence la valeur de l’adoption d’une approche “IA d’abord” pour résoudre un problème pratique important dans la recherche médicale, et que les futurs chercheurs pourront prendre cette culture et l’appliquer à un ensemble plus large de problèmes.

Je vous remercie pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter Unlearn.