चार्ल्स फिशर, पीएच.डी., सीईओ और अनलर्न - साक्षात्कार श्रृंखला के संस्थापक

चार्ल्स फिशर, पीएच.डी., के सीईओ और संस्थापक हैं पढ़ना नहीं, नैदानिक ​​विकास में कुछ सबसे बड़ी बाधाओं से निपटने के लिए एआई का उपयोग करने वाला एक मंच: लंबी परीक्षण समयसीमा, उच्च लागत और अनिश्चित परिणाम। उनके नए एआई मॉडल मरीजों के स्वास्थ्य परिणामों का पूर्वानुमान लगाने के लिए बड़ी मात्रा में रोगी-स्तर के डेटा का विश्लेषण करते हैं। डिजिटल ट्विन्स को क्लिनिकल परीक्षणों में एकीकृत करके, अनलर्न क्लिनिकल अनुसंधान में तेजी लाने और जरूरतमंद रोगियों के लिए जीवन रक्षक नए उपचार लाने में मदद करने में सक्षम है।

चार्ल्स एक वैज्ञानिक हैं जिनकी रुचि भौतिकी, मशीन लर्निंग और कम्प्यूटेशनल जीवविज्ञान में है। इससे पहले, चार्ल्स ने लीप मोशन में मशीन लर्निंग इंजीनियर और फाइजर में कम्प्यूटेशनल जीवविज्ञानी के रूप में काम किया था। वह पेरिस, फ्रांस में इकोले नॉर्मले सुप्रीयर में सैद्धांतिक भौतिकी में फिलिप मेयर फेलो और बोस्टन विश्वविद्यालय में बायोफिज़िक्स में पोस्टडॉक्टरल वैज्ञानिक थे। चार्ल्स के पास पीएच.डी. है। हार्वर्ड विश्वविद्यालय से बायोफिज़िक्स में और मिशिगन विश्वविद्यालय से बायोफिज़िक्स में बीएस।

आप वर्तमान में अपने मौलिक विश्वास में अल्पमत में हैं कि गणित और गणना जीव विज्ञान की नींव होनी चाहिए। आप मूल रूप से इन निष्कर्षों पर कैसे पहुंचे?

ऐसा शायद सिर्फ इसलिए है क्योंकि हाल के वर्षों में जीव विज्ञान की शिक्षा में गणित और कम्प्यूटेशनल तरीकों पर पर्याप्त जोर नहीं दिया गया है, लेकिन जहां मैं बैठता हूं, वहां से लोग अपना मन बदलना शुरू कर रहे हैं और मुझसे सहमत हो रहे हैं। गहरे तंत्रिका नेटवर्क ने हमें जटिल प्रणालियों के लिए उपकरणों का एक नया सेट दिया है, और स्वचालन आवश्यक बड़े पैमाने पर जैविक डेटासेट बनाने में मदद कर रहा है। मुझे लगता है कि यह अपरिहार्य है कि अगले दशक में जीव विज्ञान एक कम्प्यूटेशनल विज्ञान बन जाएगा।

फिर यह विश्वास अनलर्न लॉन्च करने में कैसे परिवर्तित हुआ?

अतीत में, जीव विज्ञान में कई कम्प्यूटेशनल तरीकों को खिलौनों की समस्याओं या चिकित्सा में अनुप्रयोगों से दूर की समस्याओं को हल करने के रूप में देखा गया है, जिससे वास्तविक मूल्य प्रदर्शित करना मुश्किल हो गया है। हमारा लक्ष्य चिकित्सा में समस्याओं को हल करने के लिए एआई में नए तरीकों का आविष्कार करना है, लेकिन हम नैदानिक ​​​​परीक्षणों जैसे क्षेत्रों को खोजने पर भी ध्यान केंद्रित कर रहे हैं, जहां हम वास्तविक मूल्य प्रदर्शित कर सकते हैं।

क्या आप एआई के माध्यम से चिकित्सा में परीक्षण और त्रुटि को खत्म करने के लिए अनलर्न के मिशन की व्याख्या कर सकते हैं?

इंजीनियरिंग में वास्तविक चीज़ बनाने से पहले कंप्यूटर मॉडल का उपयोग करके किसी उपकरण को डिज़ाइन करना और उसका परीक्षण करना आम बात है। हम चिकित्सा क्षेत्र में भी कुछ ऐसा ही सक्षम करना चाहेंगे। क्या हम किसी मरीज़ को इलाज देने से पहले उस पर पड़ने वाले प्रभाव का अनुकरण कर सकते हैं? हालाँकि मुझे लगता है कि यह क्षेत्र आज उससे काफी दूर है, हमारा लक्ष्य इसे संभव बनाने के लिए तकनीक का आविष्कार करना है।

क्लिनिकल परीक्षणों में अनलर्न का डिजिटल ट्विन्स का उपयोग अनुसंधान प्रक्रिया को कैसे तेज करता है और परिणामों में सुधार करता है?

अनलर्न ने एआई मॉडल का आविष्कार किया है जिसे डिजिटल ट्विन जेनरेटर (डीटीजी) कहा जाता है जो क्लिनिकल परीक्षण प्रतिभागियों के डिजिटल ट्विन उत्पन्न करता है। प्रत्येक प्रतिभागी का डिजिटल ट्विन पूर्वानुमान लगाता है कि यदि उन्हें क्लिनिकल परीक्षण में प्लेसीबो प्राप्त हुआ तो उनका परिणाम क्या होगा। यदि हमारे डीटीजी पूरी तरह से सटीक थे, तो, सिद्धांत रूप में, नैदानिक ​​​​परीक्षण प्लेसीबो समूहों के बिना चलाए जा सकते थे। लेकिन व्यवहार में, सभी मॉडल गलतियाँ करते हैं, इसलिए हमारा लक्ष्य यादृच्छिक परीक्षणों को डिज़ाइन करना है जो पारंपरिक परीक्षणों की तुलना में छोटे प्लेसीबो समूहों का उपयोग करते हैं। इससे अध्ययन में नामांकन करना आसान हो जाता है, परीक्षण की समयसीमा तेज हो जाती है।

क्या आप विस्तार से बता सकते हैं कि अनलर्न की नियामक-योग्य प्राग्नॉस्टिक कोवरिएट एडजस्टमेंट (PROCOVA™) पद्धति क्या है?

PROCOVA™ हमारे द्वारा विकसित की गई पहली विधि है जो प्रतिभागियों के डिजिटल जुड़वाँ को नैदानिक ​​​​परीक्षणों में उपयोग करने की अनुमति देती है ताकि परीक्षण के परिणाम उन गलतियों के प्रति मजबूत हों जो मॉडल अपने पूर्वानुमानों में कर सकता है। अनिवार्य रूप से, PROCOVA इस तथ्य का उपयोग करता है कि एक अध्ययन में कुछ प्रतिभागियों को कोवरिएट समायोजन नामक एक सांख्यिकीय पद्धति का उपयोग करके डिजिटल जुड़वाँ के पूर्वानुमानों को सही करने के लिए यादृच्छिक रूप से प्लेसबो समूह को सौंपा गया है। यह हमें उन अध्ययनों को डिज़ाइन करने की अनुमति देता है जो सामान्य से छोटे नियंत्रण समूहों का उपयोग करते हैं या जिनके पास उच्च सांख्यिकीय शक्ति होती है, जबकि यह सुनिश्चित करते हुए कि वे अध्ययन अभी भी उपचार प्रभावकारिता का कठोर मूल्यांकन प्रदान करते हैं। हम समाधानों की इस शृंखला का विस्तार करने और आगे और भी अधिक शक्तिशाली अध्ययन प्रदान करने के लिए अनुसंधान एवं विकास भी जारी रख रहे हैं।

अनलर्न अपने एआई समाधानों के विकास में नियामक अनुपालन के साथ नवाचार को कैसे संतुलित करता है?

नैदानिक ​​​​परीक्षणों के उद्देश्य से समाधानों को आम तौर पर उनके उपयोग के संदर्भ के आधार पर विनियमित किया जाता है, जिसका अर्थ है कि हम विभिन्न जोखिम प्रोफाइल के साथ कई समाधान विकसित कर सकते हैं जो विभिन्न उपयोग के मामलों के लिए लक्षित हैं। उदाहरण के लिए, हमने प्रोकोवा विकसित किया क्योंकि इसमें जोखिम बेहद कम है, जिसने हमें निरंतर परिणामों के साथ चरण 2 और 3 नैदानिक ​​​​परीक्षणों में प्राथमिक विश्लेषण के रूप में उपयोग के लिए यूरोपीय मेडिसिन एजेंसी (ईएमए) से योग्यता राय लेने की अनुमति दी। लेकिन PROCOVA परीक्षण प्रतिभागियों के लिए हमारे द्वारा बनाए गए डिजिटल ट्विन्स द्वारा प्रदान की गई सभी जानकारी का लाभ नहीं उठाता है - यह नियामक मार्गदर्शन के साथ संरेखित करने के लिए मेज पर कुछ प्रदर्शन छोड़ देता है। बेशक, अनलर्न सीमाओं को आगे बढ़ाने के लिए मौजूद है ताकि हम पहले चरण के अध्ययनों या पोस्ट-हॉक विश्लेषणों में अनुप्रयोगों के उद्देश्य से अधिक नवीन समाधान लॉन्च कर सकें जहां हम अन्य प्रकार के तरीकों (उदाहरण के लिए, बायेसियन विश्लेषण) का उपयोग कर सकते हैं जो हमारी तुलना में कहीं अधिक दक्षता प्रदान करते हैं। प्रोकोवा के साथ.

चिकित्सा में एआई के उपयोग में अनलर्न के लिए सबसे महत्वपूर्ण चुनौतियाँ और सफलताएँ क्या रही हैं?

हमारे और चिकित्सा क्षेत्र की समस्याओं में एआई को लागू करने में शामिल किसी भी अन्य व्यक्ति के लिए सबसे बड़ी चुनौती सांस्कृतिक है। वर्तमान में, चिकित्सा क्षेत्र के अधिकांश शोधकर्ता विशेष रूप से एआई से बहुत परिचित नहीं हैं, और उन्हें आमतौर पर इस बारे में गलत जानकारी दी जाती है कि अंतर्निहित प्रौद्योगिकियां वास्तव में कैसे काम करती हैं। परिणामस्वरूप, अधिकांश लोगों को अत्यधिक संदेह है कि एआई निकट भविष्य में उपयोगी होगा। मुझे लगता है कि आने वाले वर्षों में यह अनिवार्य रूप से बदल जाएगा, लेकिन जब नई कंप्यूटर प्रौद्योगिकियों को अपनाने की बात आती है तो जीव विज्ञान और चिकित्सा आम तौर पर अधिकांश अन्य क्षेत्रों से पीछे रह जाते हैं। हमें कई तकनीकी सफलताएं मिली हैं, लेकिन अपनाने के लिए सबसे महत्वपूर्ण चीजें शायद नियामकों या ग्राहकों से प्रमाण बिंदु हैं।

जीव विज्ञान में गणित और संगणना का उपयोग करने के लिए आपका व्यापक दृष्टिकोण क्या है?

 मेरी राय में, हम किसी चीज़ को केवल तभी "विज्ञान" कह सकते हैं यदि उसका लक्ष्य भविष्य के प्रयोगों के परिणामों के बारे में सटीक, मात्रात्मक भविष्यवाणियाँ करना है। अभी, मानव नैदानिक ​​​​परीक्षणों में आने वाली लगभग 90% दवाएं विफल हो जाती हैं, आमतौर पर क्योंकि वे वास्तव में काम नहीं करती हैं। इसलिए, जब जीव विज्ञान और चिकित्सा के अधिकांश क्षेत्रों की बात आती है तो हम अभी सटीक, मात्रात्मक भविष्यवाणियां करने से बहुत दूर हैं। मुझे नहीं लगता कि यह तब तक बदलेगा जब तक कि उन विषयों का मूल नहीं बदल जाता - जब तक कि गणित और कम्प्यूटेशनल तरीके जीव विज्ञान के मुख्य तर्क उपकरण नहीं बन जाते। मेरी आशा है कि अनलर्न में हम जो काम कर रहे हैं वह चिकित्सा अनुसंधान में एक महत्वपूर्ण व्यावहारिक समस्या को हल करने के लिए "एआई-फर्स्ट" दृष्टिकोण अपनाने के मूल्य पर प्रकाश डालता है, और भविष्य के शोधकर्ता उस संस्कृति को ले सकते हैं और इसे समस्याओं के व्यापक सेट पर लागू कर सकते हैं। .

बेहतरीन साक्षात्कार के लिए धन्यवाद, जो पाठक अधिक जानना चाहते हैं, उन्हें अवश्य आना चाहिए पढ़ना नहीं.