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

चार्ल्स फिशर, पीएचडी, Unlearn के सीईओ और संस्थापक हैं, एक प्लेटफ़ॉर्म जो क्लिनिकल विकास में कुछ सबसे बड़ी बोतलेंक्स को दूर करने के लिए एआई का लाभ उठाता है: लंबे समय से चले आ रहे 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। डिजिटल ट्विन्स को क्लिनिकल परीक्षणों में एकीकृत करके, Unlearn क्लिनिकल अनुसंधान को तेज करने और जीवन रक्षक नए उपचारों को जरूरतमंद रोगियों तक पहुंचाने में मदद कर सकता है।

चार्ल्स एक वैज्ञानिक हैं जिनकी रुचि भौतिकी, मशीन लर्निंग, और कम्प्यूटेशनल जीव विज्ञान के बीच के संगम में है। पहले, चार्ल्स ने लीप मोशन में मशीन लर्निंग इंजीनियर के रूप में और प्फाइजर में कम्प्यूटेशनल जीवविज्ञानी के रूप में काम किया था। वह पेरिस, फ्रांस में École Normale Supérieure 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 अपने मूलभूत विश्वास में अल्पसंख्यक हैं कि गणित और गणना जीव विज्ञान का आधार होना चाहिए। आपने मूल रूप से यह निष्कर्ष कैसे निकाला?

यह शायद इसलिए है क्योंकि जीव विज्ञान शिक्षा में हाल के वर्षों में गणित और कम्प्यूटेशनल 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। मुझे लगता है कि यह अपरिहार्य है कि जीव विज्ञान अगले दशक में एक अधिक कम्प्यूटेशनल विज्ञान में बदल जाएगा।

यह विश्वास कैसे Unlearn को लॉन्च करने में बदल गया?

पिछले समय में, जीव विज्ञान में कम्प्यूटेशनल तरीकों को अक्सर खिलौना समस्याओं या चिकित्सा में अनुप्रयोगों से दूर समस्याओं को हल करने के लिए देखा जाता था, जिससे वास्तविक मूल्य का प्रदर्शन करना मुश्किल हो जाता था। हमारा लक्ष्य चिकित्सा में समस्याओं को हल करने के लिए एआई में नए तरीके आविष्कार करना है, लेकिन हम उन क्षेत्रों पर भी ध्यान केंद्रित कर रहे हैं जहां हम वास्तविक मूल्य का प्रदर्शन कर सकते हैं।

क्या आप Unlearn के मिशन को चिकित्सा में परीक्षण और त्रुटि को खत्म करने के लिए एआई का उपयोग करने की व्याख्या कर सकते हैं?

यह इंजीनियरिंग में एक आम बात है कि आप एक डिवाइस को वास्तविक चीज़ बनाने से पहले कंप्यूटर मॉडल का उपयोग करके डिज़ाइन और परीक्षण करते हैं। हम ऐसा कुछ चिकित्सा में भी 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 इसे संभव बनाने के लिए प्रौद्योगिकी का आविष्कार करना है।

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

Unlearn डिजिटल ट्विन जनरेटर (DTGs) नामक एआई मॉडल का आविष्कार करता है जो क्लिनिकल परीक्षण प्रतिभागियों के डिजिटल ट्विन्स का उत्पादन करते 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 DTGs पूरी तरह से सटीक होते, तो सिद्धांत रूप में, क्लिनिकल परीक्षणों को प्लेसबो समूहों के बिना चलाया जा सकता था। लेकिन व्यवहार में, सभी मॉडल गलतियाँ करते हैं, इसलिए हम छोटे प्लेसबो समूहों का उपयोग करके यादृच्छिक परीक्षणों को डिज़ाइन करने का लक्ष्य रखते हैं जो पारंपरिक परीक्षणों की तुलना में छोटे होते हैं। इससे अध्ययन में नामांकन करना आसान हो जाता है, जिससे परीक्षण की समयसीमा तेज हो जाती है।

क्या आप Unlearn की नियामक-योग्य प्रोग्नोस्टिक कोवेरिएट समायोजन (PROCOVA™) विधि को विस्तार से बता सकते हैं?

PROCOVA™ हमारी पहली विधि है जो क्लिनिकल परीक्षणों में प्रतिभागियों के डिजिटल ट्विन्स का उपयोग करने की अनुमति देती है ताकि परीक्षण के परिणाम मॉडल द्वारा की गई भविष्यवाणियों में गलतियों के प्रतिरोधी हों। मूल रूप से, PROCOVA यह तथ्य का उपयोग करता है कि 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 सुधारा जा सके। इससे हम उन अध्ययनों को डिज़ाइन करने में मदद मिलती है जो सामान्य से छोटे नियंत्रण समूहों का उपयोग करते हैं या जिनके पास उच्च सांख्यिकीय शक्ति है, सुनिश्चित करते हुए कि वे अध्ययन अभी भी उपचार की प्रभावशीलता का एक सख्त मूल्यांकन प्रदान करते हैं। हम इस समाधान रेखा को विस्तारित करने और आगे बढ़ने के लिए अनुसंधान और विकास जारी रखे हुए हैं।

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

क्लिनिकल परीक्षणों के लिए निर्देशित समाधान आमतौर पर उनके उपयोग के संदर्भ में नियंत्रित किए जाते हैं, जिसका अर्थ है कि हम विभिन्न जोखिम प्रोफाइल वाले विभिन्न समाधान विकसित कर सकते हैं जो विभिन्न उपयोग के मामलों पर लक्षित 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 दवाओं की एजेंसी (EMA) से एक योग्यता राय प्राप्त करने का प्रयास कर सकते हैं। लेकिन PROCOVA परीक्षण प्रतिभागियों के लिए हमारे द्वारा बनाए गए डिजिटल ट्विन्स द्वारा प्रदान की गई सभी जानकारी का लाभ नहीं उठाता है – यह प्रदर्शन को नियामक मार्गदर्शन के साथ संरेखित करने के लिए छोड़ देता है। बिल्कुल, Unlearn का अस्तित्व सीमाओं को आगे बढ़ाने के लिए है, इसलिए हम अधिक नवाचारी समाधान लॉन्च कर सकते हैं जो प्रारंभिक चरण के अध्ययनों या पोस्ट-हॉक विश्लेषणों में अनुप्रयोगों पर लक्षित हैं जहां हम अन्य प्रकार के तरीकों (जैसे कि बेयेसियन विश्लेषण) का उपयोग कर सकते हैं जो PROCOVA की तुलना में बहुत अधिक कुशल हैं।

Unlearn 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 विशाल बहुमत एआई से बहुत परिचित नहीं है, और वे आमतौर पर यह जानने में भ्रमित होते हैं कि अंतर्निहित प्रौद्योगिकियां वास्तव में कैसे काम करती हैं। इसके परिणामस्वरूप, अधिकांश लोग यह मानते 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 कंप्यूटर प्रौद्योगिकियों के अपनाने के मामले में अधिकांश अन्य क्षेत्रों से पीछे रहते हैं। हमने कई तकनीकी सफलताएं हासिल की हैं, लेकिन ग्रहण 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। अभी भी, 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 केंद्र नहीं बदलता – जब तक कि गणित और कम्प्यूटेशनल तरीके जीव विज्ञान के मूल तर्क उपकरण नहीं बन जाते। मुझे आशा है कि Unlearn पर हमारे द्वारा किया जा रहा काम एक महत्वपूर्ण व्यावहारिक समस्या को हल करने के लिए एक “एआई-फर्स्ट” दृष्टिकोण का मूल्य दर्शाता है, और भविष्य के शोधकर्ता इस संस्कृति को अपना सकते हैं और इसे व्यापक समस्याओं के सेट पर लागू कर सकते हैं।

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