चार्ल्स फिशर, पीएचडी, सीईओ और अनलर्न के संस्थापक – साक्षात्कार श्रृंखला

चार्ल्स फिशर, पीएचडी, अनलर्न के सीईओ और संस्थापक हैं, जो एक प्लेटफ़ॉर्म है जो क्लिनिकल विकास में सबसे बड़ी बोतलनेक्स को हल करने के लिए एआई का उपयोग करता है: लंबे समय तक चलने वाले परीक्षण, उच्च लागत, और अनिश्चित परिणाम। उनके नए एआई मॉडल विशाल मात्रा में रोगी-स्तर के डेटा का विश्लेषण करके रोगियों के स्वास्थ्य परिणामों की भविष्यवाणी करते हैं। क्लिनिकल परीक्षणों में डिजिटल ट्विन्स को एकीकृत करके, अनलर्न क्लिनिकल अनुसंधान को तेज करने और जीवन रक्षक नए उपचारों को आवश्यकता वाले रोगियों तक पहुंचाने में मदद कर सकता है।

चार्ल्स एक वैज्ञानिक हैं जिनकी रुचि भौतिकी, मशीन लर्निंग और गणनात्मक जीव विज्ञान के बीच है। पहले, चार्ल्स ने लीप मोशन में मशीन लर्निंग इंजीनियर के रूप में और फाइजर में गणनात्मक जीवविज्ञानी के रूप में काम किया था। वह पेरिस, फ्रांस में इकोल नॉर्मल सुपीरियर में सैद्धांतिक भौतिकी में फिलिप मेयर फेलो थे और बोस्टन विश्वविद्यालय में जैवभौतिकी में पोस्टडॉक्टरल वैज्ञानिक थे। चार्ल्स के पास हार्वर्ड विश्वविद्यालय से जैवभौतिकी में पीएचडी और मिशिगन विश्वविद्यालय से जैवभौतिकी में बीएस है।

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

यह शायद इसलिए है क्योंकि जीव विज्ञान शिक्षा में गणित और गणनात्मक तरीकों पर पर्याप्त जोर नहीं दिया गया है, लेकिन जहां से मैं बैठा हूं, लोग अपने विचार बदल रहे हैं और मेरे साथ सहमत हो रहे हैं। गहरे तंत्रिका नेटवर्क ने हमें जटिल प्रणालियों के लिए नए उपकरण दिए हैं, और स्वचालन बड़े पैमाने पर जैविक डेटासेट बनाने में मदद कर रहा है जो आवश्यक है। मुझे लगता है कि यह अनिवार्य है कि जीव विज्ञान अगले दशक में एक गणनात्मक विज्ञान में बदल जाएगा।

इस विश्वास को फिर अनलर्न लॉन्च करने में कैसे बदल दिया?

पिछले समय में, जीव विज्ञान में कई गणनात्मक तरीकों को खिलौना समस्याओं या चिकित्सा में अनुप्रयोगों से दूर समस्याओं को हल करने के लिए देखा गया है, जिससे वास्तविक मूल्य को प्रदर्शित करना मुश्किल हो गया है। हमारा लक्ष्य चिकित्सा में समस्याओं को हल करने के लिए एआई में नए तरीके खोजना है, लेकिन हम उन क्षेत्रों को खोजने पर भी ध्यान केंद्रित कर रहे हैं जहां हम वास्तविक मूल्य को प्रदर्शित कर सकते हैं, जैसे कि क्लिनिकल परीक्षणों में।

अनलर्न के मिशन को चिकित्सा में परीक्षण और त्रुटि को समाप्त करने के लिए एआई का उपयोग करने के लिए समझाएं।

यह इंजीनियरिंग में एक सामान्य बात है कि एक डिवाइस को डिज़ाइन और परीक्षण करने के लिए एक कंप्यूटर मॉडल का उपयोग किया जाता है trước कि यह वास्तविक बनाया जाए। हम ऐसा ही कुछ चिकित्सा में करना चाहते हैं। क्या हम एक उपचार के प्रभाव की भविष्यवाणी कर सकते हैं कि यह एक रोगी पर क्या प्रभाव डालेगा trước कि हम उसे दें? हालांकि मुझे लगता है कि यह क्षेत्र अभी भी बहुत दूर है, हमारा लक्ष्य यह तकनीक बनाना है जो इसे संभव बना सकती है।

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

अनलर्न डिजिटल ट्विन जनरेटर (DTGs) नामक एआई मॉडल बनाता है जो क्लिनिकल परीक्षण प्रतिभागियों के डिजिटल ट्विन्स को बनाते हैं। प्रत्येक प्रतिभागी का डिजिटल ट्विन यह भविष्यवाणी करता है कि उनका परिणाम क्या होगा यदि उन्हें एक क्लिनिकल परीक्षण में प्लेसबो दिया जाए। यदि हमारे डीटीजी पूरी तरह से सटीक होते, तो सैद्धांतिक रूप से, क्लिनिकल परीक्षण प्लेसबो समूह के बिना चलाए जा सकते हैं। लेकिन व्यवहार में, सभी मॉडल गलतियां करते हैं, इसलिए हम प्लेसबो समूहों का उपयोग करके यादृच्छिक परीक्षणों को डिज़ाइन करने का लक्ष्य रखते हैं जो पारंपरिक परीक्षणों की तुलना में छोटे हैं। इससे परीक्षण में नामांकन करना आसान हो जाता है, जिससे परीक्षण की समयसीमा तेज हो जाती है।

अनलर्न की नियामक-योग्य प्रोग्नोस्टिक कोवेरिएट समायोजन (PROCOVA ™) विधि क्या है?

PROCOVA ™ हमारे द्वारा विकसित पहली विधि है जो क्लिनिकल परीक्षणों में प्रतिभागियों के डिजिटल ट्विन्स का उपयोग करने की अनुमति देती है ताकि परीक्षण के परिणाम मॉडल की गलतियों के लिए मजबूत हों। मूल रूप से, PROCOVA यह तथ्य का उपयोग करता है कि एक अध्ययन में कुछ प्रतिभागियों को यादृच्छिक रूप से प्लेसबो समूह में सौंपा जाता है ताकि एक सांख्यिकीय विधि का उपयोग करके डिजिटल ट्विन्स की भविष्यवाणियों को समायोजित किया जा सके। इससे हम उन अध्ययनों को डिज़ाइन करने की अनुमति मिलती है जो सामान्य से छोटे नियंत्रण समूहों का उपयोग करते हैं या जिनके पास उच्च सांख्यिकीय शक्ति है, जबकि यह सुनिश्चित करते हुए कि वे अध्ययन अभी भी उपचार की प्रभावशीलता का एक सख्त मूल्यांकन प्रदान करते हैं। हम आगे के अध्ययनों को और अधिक शक्तिशाली बनाने के लिए इस समाधान की रेखा को विस्तारित करने के लिए अनुसंधान और विकास जारी रख रहे हैं।

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

क्लिनिकल परीक्षणों के लिए निर्देशित समाधानों को आमतौर पर उनके उपयोग के संदर्भ में नियंत्रित किया जाता है, जिसका अर्थ है कि हम विभिन्न जोखिम प्रोफाइल के साथ विभिन्न उपयोग के मामलों के लिए कई समाधान विकसित कर सकते हैं। उदाहरण के लिए, हमने PROCOVA विकसित किया क्योंकि यह बहुत कम जोखिम वाला है, जिससे हम चरण 2 और 3 क्लिनिकल परीक्षणों में निरंतर परिणामों के साथ प्राथमिक विश्लेषण के रूप में उपयोग के लिए यूरोपीय दवा एजेंसी (EMA) से एक योग्यता राय प्राप्त करने का प्रयास कर सकते हैं। लेकिन PROCOVA परीक्षण प्रतिभागियों के लिए हम जो डिजिटल ट्विन्स बनाते हैं उन्हें प्रदान की जाने वाली सभी जानकारी का लाभ नहीं उठाता है – यह नियामक मार्गदर्शन के साथ संरेखित करने के लिए कुछ प्रदर्शन को छोड़ देता है। बिल्कुल, अनलर्न का अस्तित्व सीमाओं को आगे बढ़ाने के लिए है, इसलिए हम अधिक नवाचारी समाधानों को लॉन्च कर सकते हैं जो प्रारंभिक चरण के अध्ययनों या माध्य-परीक्षण विश्लेषणों में अनुप्रयोगों के लिए लक्षित हैं जहां हम अन्य प्रकार के तरीकों (जैसे बेयसियन विश्लेषण) का उपयोग कर सकते हैं जो PROCOVA की तुलना में बहुत अधिक कुशल हैं।

अनलर्न के लिए चिकित्सा में एआई का उपयोग करने में कुछ सबसे बड़ी चुनौतियां और सफलताएं क्या रही हैं?

हमारे और चिकित्सा में समस्याओं को हल करने के लिए एआई का उपयोग करने वाले किसी भी अन्य व्यक्ति के लिए सबसे बड़ी चुनौती सांस्कृतिक है। वर्तमान में, चिकित्सा में शोधकर्ताओं का अधिकांश हिस्सा एआई के साथ बहुत परिचित नहीं है, और वे आमतौर पर यह जानते हैं कि अंतर्निहित प्रौद्योगिकियां वास्तव में कैसे काम करती हैं। परिणामस्वरूप, अधिकांश लोग यह मानने के लिए बहुत सkeptical हैं कि एआई निकट भविष्य में उपयोगी होगा। मुझे लगता है कि यह अनिवार्य रूप से आने वाले वर्षों में बदल जाएगा, लेकिन जीव विज्ञान और चिकित्सा आमतौर पर नए कंप्यूटर प्रौद्योगिकियों के अपनाने में अन्य क्षेत्रों की तुलना में पिछड़ जाते हैं। हमने कई तकनीकी सफलता हासिल की है, लेकिन गोद लेने के लिए सबसे महत्वपूर्ण बातें नियामकों या ग्राहकों से प्रमाण बिंदु हैं।

जीव विज्ञान में गणित और गणना का उपयोग करने के लिए आपकी सर्वोच्च दृष्टि क्या है?

 मेरे विचार में, हम केवल तभी कुछ को “विज्ञान” कह सकते हैं जब इसका लक्ष्य भविष्य के प्रयोगों के परिणामों के बारे में सटीक, मात्रात्मक भविष्यवाणियां करना है। वर्तमान में, लगभग 90% दवाएं जो मानव नैदानिक ​​परीक्षणों में प्रवेश करती हैं विफल हो जाती हैं, आमतौर पर क्योंकि वे वास्तव में काम नहीं करती हैं। इसलिए, हम जीव विज्ञान और चिकित्सा के अधिकांश क्षेत्रों में सटीक, मात्रात्मक भविष्यवाणियां करने से बहुत दूर हैं। मुझे नहीं लगता कि यह तब तक नहीं बदलता जब तक कि इन विषयों का कोर नहीं बदलता – जब तक कि गणित और गणनात्मक तरीके जीव विज्ञान के मुख्य तर्कसंगत उपकरण नहीं बन जाते। मुझे आशा है कि अनलर्न में हम जो काम कर रहे हैं वह चिकित्सा अनुसंधान में एक महत्वपूर्ण व्यावहारिक समस्या को हल करने के लिए एक “एआई-पहले” दृष्टिकोण को अपनाने के मूल्य को दर्शाता है, और भविष्य के शोधकर्ता उस संस्कृति को ले सकते हैं और इसे अधिक व्यापक समस्याओं के सेट पर लागू कर सकते हैं।

साक्षात्कार के लिए धन्यवाद, पाठक जो अधिक जानना चाहते हैं उन्हें अनलर्न पर जाना चाहिए।