Jinhan Kim, PDG de Standigm – Série d’entretiens

Jinhan Kim est le PDG de Standigm, une entreprise de découverte de médicaments par workflow AI.

De l’identification ciblée personnalisée à la génération de leads, la plateforme de workflow AI de Standigm génère des insights pour chaque étape de développement de médicaments à valeur commerciale à partir de projets internes et de partenariats. ​

Vous avez commencé à coder lorsque vous étiez en 6e année, pouvez-vous partager comment vous êtes devenu intéressé et sur quoi vous avez initialement travaillé ?

Ah, oui – sur mon Apple II Plus. C’était le catalyseur qui m’a fait passer d’un bookworm à un créateur. J’ai commencé à programmer, en commençant par la programmation C, par curiosité. Je me suis intéressé aux principes et aux aspects théoriques de mon ordinateur. À partir de là, je suis devenu un apprenant à vie dans le domaine de la technologie.

Qu’est-ce qui vous a initialement attiré vers l’apprentissage automatique ?

J’ai obtenu mes diplômes en chimie appliquée et en intelligence artificielle à l’Université d’Édimbourg sous la direction de Geoffrey Hinton. Il est neuroscientifique et informaticien qui a créé le deep learning. Hinton a travaillé sur les réseaux de neurones artificiels et a conçu des machines intelligentes autonomes – et, plus tard, des algorithmes d’apprentissage automatique. Google l’a embauché il y a dix ans pour créer son IA et le reste est histoire.

Quand êtes-vous devenu impliqué pour la première fois dans l’intersection de la biologie et de l’apprentissage automatique ?

J’ai travaillé à l’Institut de technologie avancée de Samsung, où j’ai développé des algorithmes. L’un des algorithmes que j’ai développés était un mécanisme pour réparer les dommages à l’ADN. Je voulais poursuivre des travaux dans le domaine de la biologie et résoudre les problèmes les plus difficiles pour cibler. À la fois le corps humain et les ordinateurs qui pensent comme des humains sont aussi complexes que les choses puissent l’être, et vous devez travailler pour comprendre l’un pour saisir l’autre. Les systèmes d’IA ne peuvent pas seulement fouiller dans les données scientifiques publiées sur des décennies du monde entier, mais ils peuvent également traiter les complexités du corps humain et rapidement et de manière cohérente identifier les modèles de mécanismes biologiques. Il était facile de voir la biologie et l’apprentissage automatique aller de pair.

Pouvez-vous partager l’histoire de la genèse de Standigm ?

Mon travail dans le domaine de la santé et de la science a révélé ce qui, pour moi, était un grand problème dans la découverte traditionnelle de médicaments : le temps et l’argent nécessaires pour scanner les articles de recherche scientifique et les essais de dépistage ou les indices qui fournissent le point de départ pour la création potentielle de nouveaux médicaments. Les scientifiques humains effectuaient cette recherche intensive. Moi et deux collègues de Samsung, Sang Ok Song et So Jeong Yun, avons vu une opportunité de déplacer le travail des humains vers une machine intelligente et de concevoir un nouveau workflow. De plus, je ne voulais pas travailler pour un salaire ; je voulais travailler pour moi-même, pour amener les méthodes de découverte de médicaments à un nouveau paradigme standard, qui est la genèse du travail et le nom de « Standigm », l’entreprise que les trois d’entre nous ont co-fondée. Notre modèle d’apprentissage automatique atteint maintenant une grande précision de prédiction et sa technologie d’IA atteint un ROI maximum.

Qu’est-ce que le problème d’accessibilité synthétique et comment Standigm travaille-t-il pour le résoudre ?

Les modèles génératifs peuvent concevoir de nouvelles structures moléculaires sans l’aide de chimistes médicinaux bien formés, ce qui est l’une des raisons les plus critiques pour l’adoption enthousiaste de cette technologie par les communautés de découverte de médicaments. Le plus grand obstacle ici est la différence de vitesse entre la conception de molécules et leur synthèse expérimentale, où la conception de millions de composés prend seulement quelques heures et la synthèse de seulement dix molécules prend des semaines ou des mois. Comme seule une petite fraction des composés conçus sera synthétisée par des experts humains, il est essentiel d’avoir de bonnes mesures de propriétés moléculaires.

Les premiers modèles d’IA étaient grossiers, et les chimistes synthétiques ont refusé la plupart des molécules conçues en raison de la difficulté du plan de synthèse. Certaines entreprises de recherche contractuelle ont même refusé de préparer une proposition pour cette campagne de synthèse.

Standigm a travaillé sur ce problème en embauchant des chimistes médicinaux expérimentés et en ajoutant leur expertise aux modèles génératifs afin qu’ils puissent concevoir des composés qui ne peuvent pas être distingués de ceux conçus par des experts humains. Standigm dispose maintenant de plusieurs modèles génératifs différents qui peuvent gérer différentes étapes de découverte de médicaments : identification de leads, passage de lead à lead et optimisation de lead. Cela montre l’importance d’avoir une expertise diverse pour toute entreprise de découverte de médicaments par IA où l’expérience et l’expertise humaines sont principalement utilisées pour améliorer les modèles d’IA et pour sécuriser les meilleurs workflows au lieu de chaque projet.

Pouvez-vous discuter des types d’algorithmes utilisés par Standigm pour faciliter la découverte de médicaments ?

Nous commençons généralement tout projet exploratoire en donnant la priorité à des protéines cibles prometteuses et nouvelles à l’aide de Standigm ASK ; notre plateforme de biologie est composée d’algorithmes distincts pour former des réseaux biologiques massifs, utiliser divers types de données omiques non biaisées, introduire des contextes spécifiques de systèmes biologiques et ainsi de suite. La sélection de la bonne protéine cible est l’un des problèmes les plus critiques de la découverte de médicaments. Standigm ASK aide les experts en maladies en fournissant plusieurs hypothèses de MOA (mécanisme d’action).

Pour sécuriser des brevets avec des plages de protection élevées, Standigm BEST effectue diverses tâches, notamment la suggestion de composés de départ (exploration efficace), le saut de squelette (en considérant l’accessibilité synthétique et la nouveauté) et divers modèles prédictifs pour les capacités de médicament (activité, propriétés ADME/Tox et propriétés physicochimiques). De nombreuses tâches plus petites sont liées à celles-ci, comme l’interaction médicament-cible, les simulations moléculaires assistées par IA, la prédiction de sélectivité et l’optimisation multi-paramètres.

Combien de temps est économisé en moyenne lorsqu’il s’agit de la génération de composés novateurs par rapport aux procédures de découverte de médicaments traditionnelles ?

Les chercheurs de Standigm ont synthétisé des centaines de molécules novatrices pour des projets, dont beaucoup sont désignés comme des molécules de départ et de lead dans différents contextes. En adoptant des modèles basés sur l’IA et des ressources commerciales, Standigm a réduit le temps pour la première série de génération de composés novateurs de six mois à une moyenne de deux mois pour la plupart des projets. Maintenant, les premières décisions de poursuite ou d’abandon peuvent être prises en moyenne de sept mois au lieu de trois ou quatre ans.

Quelles sont certaines des histoires de succès de Standigm pour la commercialisation potentielle de médicaments ?

En utilisant Standigm Insight, qui partage les mêmes antécédents techniques que Standigm ASK, nous avons trouvé une molécule de médicament qui peut être utilisée pour une maladie pédiatrique rare, validée par un scientifique de l’un des meilleurs hôpitaux pour enfants aux États-Unis. Ce cas montre que la technologie d’IA peut aider à la découverte de médicaments pour les maladies rares, une tâche difficile pour une entreprise de toute taille en raison du besoin de plus de valeur commerciale. Surtout en cette période de récession, lorsque les entreprises pharmaceutiques tentent d’être plus conservatrices, l’IA peut promouvoir la R&D dans les maladies rares et négligées.

Quelle est votre vision pour l’avenir de l’apprentissage profond et de l’IA générative dans le domaine de la santé ?

Le succès de la technologie d’IA dépend de la disponibilité de données de haute qualité. Il y aura inévitablement une grande concurrence autour de la sécurisation d’une grande quantité de données de haute qualité dans le secteur de la santé. D’un point de vue plus étroit de la découverte précoce de médicaments, les données de chimie et de biologie sont coûteuses et nécessitent beaucoup de temps pour atteindre un statut de haute qualité. Par conséquent, le laboratoire automatisé sera un avenir pour le domaine de la découverte de médicaments par IA, car il peut réduire le coût des données de haute qualité – le carburant pour la technologie d’IA. Nous poussons nos plateformes technologiques au niveau suivant afin que Standigm ASK puisse fournir plus de preuves évidentes, des données de patients à la biologie moléculaire ; et que les modèles d’IA de Standigm BEST soient à la pointe de la technologie en alimentant des données de haute qualité à partir de laboratoires automatisés internes et de collaborateurs.

Y a-t-il autre chose que vous aimeriez partager sur Standigm ?

Comme l’équilibre d’expertise différenciée est important pour Standigm, l’équilibre des ethnies est également critique. Nous avons été en expansion de notre présence dans l’environnement mondial en fondant les bureaux du Royaume-Uni (Cambridge) et des États-Unis (Cambridge, MA) pour inclure la présence des réseaux et la transformation de Standigm en une entreprise plus internationale.

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