जिन्हान किम, स्टैंडिगम के सीईओ – साक्षात्कार श्रृंखला

जिन्हान किम स्टैंडिगम के सीईओ हैं, जो एक वर्कफ्लो एआई ड्रग डिस्कवरी कंपनी है।

कस्टमाइज्ड टार्गेट पहचान से लेकर लीड जेनरेशन तक, स्टैंडिगम वर्कफ्लो एआई प्लेटफ़ॉर्म हर चरण के लिए इनसाइट्स जेनरेट करता है ताकि घरेलू और साझेदारी परियोजनाओं से व्यावसायिक रूप से मूल्यवान दवाएं विकसित की जा सकें। ​

आप 6वीं कक्षा में कोडिंग शुरू की थी, क्या आप बता सकते हैं कि आप कैसे रुचि लेने लगे और आपने शुरुआत में क्या काम किया?

हाँ, बिल्कुल – मेरे एप्पल II प्लस पर। यही वह चीज़ थी जिसने मुझे एक पुस्तक प्रेमी से एक निर्माता बना दिया। मैंने जिज्ञासा से सी प्रोग्रामिंग शुरू की। मैं अपने कंप्यूटर के सिद्धांतों और सैद्धांतिक पहलुओं में रुचि लेने लगा। वहाँ से, मैं प्रौद्योगिकी क्षेत्र में एक जीवन भर का शिक्षार्थी बन गया।

आपको मशीन लर्निंग में क्या आकर्षित किया?

मैंने एडिनबर्ग विश्वविद्यालय में जैफ्री हिंटन के तहत एप्लाइड केमिस्ट्री और आर्टिफिशियल इंटेलिजेंस में अपनी डिग्री प्राप्त की। वह न्यूरोसाइंटिस्ट और कंप्यूटर वैज्ञानिक हैं जिन्होंने मूल रूप से डीप लर्निंग बनाई। हिंटन ने आर्टिफिशियल न्यूरल नेट्स और स्वायत्त, बुद्धिमान मशीनों पर काम किया और बाद में मशीन लर्निंग अल्गोरिदम डिज़ाइन किए। गूगल ने उन्हें दस साल पहले अपना एआई बनाने के लिए नियुक्त किया और बाकी इतिहास है।

जब आप पहली बार जीवविज्ञान और मशीन लर्निंग के बीच के संगम में शामिल हुए थे?

मैं सैमसंग एडवांस्ड इंस्टीट्यूट ऑफ टेक्नोलॉजी में काम करता था, जहाँ मैं अल्गोरिदम विकसित कर रहा था। मैंने जिनमें से एक अल्गोरिदम विकसित किया था वह डीएनए क्षति की मरम्मत के लिए एक तंत्र था। मैं जीवविज्ञान के क्षेत्र में काम करना चाहता था और सबसे कठिन समस्याओं को लक्षित करना चाहता था। मानव शरीर और कंप्यूटर दोनों ही जटिल चीजें हैं, और आपको एक को समझने के लिए दूसरे पर काम करने की आवश्यकता है। एआई सिस्टम न केवल व्यापक वैज्ञानिक डेटा को दुनिया भर में दशकों से प्रकाशित कर सकते हैं, बल्कि वे मानव शरीर की जटिलताओं को भी संसाधित कर सकते हैं और जैविक तंत्र के पैटर्न को जल्दी और सुसंगत रूप से पकड़ सकते हैं। यह देखना आसान था कि जीवविज्ञान और मशीन लर्निंग हाथ से हाथ जाते हैं।

क्या आप स्टैंडिगम की उत्पत्ति की कहानी साझा कर सकते हैं?

स्वास्थ्य और विज्ञान में मेरा काम मुझे एक बड़ी समस्या का पता चला जो पारंपरिक दवा खोज में थी: वैज्ञानिक अनुसंधान पत्रों और स्क्रीनिंग परीक्षणों को स्कैन करने और संभावित नए दवा निर्माण के लिए छलांग का बिंदु प्रदान करने वाले सुराग के लिए समय और पैसा लेता था। मानव वैज्ञानिक यह गहन अनुसंधान कर रहे थे। मैं और मेरे दो सैमसंग सहयोगी, सांग ओक सोंग और सो जेओंग यून, ने एक अवसर देखा कि वे मानवों से एक बुद्धिमान मशीन में काम को स्थानांतरित करें और एक नई वर्कफ्लो डिज़ाइन करें। इसके अलावा, मैं वेतन के लिए काम नहीं करना चाहता था; मैं खुद के लिए काम करना चाहता था, दवा खोज विधियों को एक नए मानक परिदृश्य में लाने के लिए, जो स्टैंडिगम का काम और नाम है, जिस कंपनी की हम तीनों ने स्थापना की। हमारे मशीन लर्निंग मॉडल अब उच्च भविष्यवाणी सटीकता प्राप्त करता है और इसकी एआई प्रौद्योगिकी अधिकतम आरओआई प्राप्त करती है।

सिंथेटिक एक्सेसिबिलिटी समस्या क्या है और स्टैंडिगम इसे कैसे हल करता है?

जनरेटिव मॉडल बिना प्रशिक्षित औषधीय रसायनज्ञों की मदद के नए अणु संरचनाएं डिज़ाइन कर सकते हैं, जो इस प्रौद्योगिकी को दवा खोज समुदायों द्वारा अपनाने के लिए सबसे महत्वपूर्ण कारणों में से एक है। यहाँ सबसे बड़ा अवरोध यह है कि अणुओं के डिज़ाइन और उनके प्रयोगात्मक संश्लेषण की गति में अंतर है, जहाँ लाखों यौगिकों का डिज़ाइन कुछ घंटों में किया जा सकता है और केवल दस अणुओं का संश्लेषण सप्ताह या महीनों में किया जा सकता है। जैसा कि डिज़ाइन किए गए यौगिकों का केवल एक छोटा सा हिस्सा मानव विशेषज्ञों द्वारा संश्लेषित किया जाएगा, इसलिए अणु गुणों के लिए अच्छे उपाय होना आवश्यक है।

पहली पीढ़ी के एआई मॉडल अस्पष्ट थे, और सिंथेटिक रसायनज्ञों ने सिंथेटिक योजना में कठिनाई के कारण डिज़ाइन किए गए अधिकांश अणुओं को अस्वीकार कर दिया। कुछ सीआरओ कंपनियों ने यहां तक कि सिंथेटिक अभियान के लिए एक प्रस्ताव तैयार करने से भी इनकार कर दिया।

स्टैंडिगम इस मुद्दे पर काम कर रहा है कि अनुभवी औषधीय रसायनज्ञों को नियुक्त करके और उनकी विशेषज्ञता को जनरेटिव मॉडल में जोड़कर ताकि वे ऐसे यौगिक डिज़ाइन कर सकें जिन्हें मानव विशेषज्ञों द्वारा डिज़ाइन किए गए यौगिकों से अलग नहीं किया जा सकता। स्टैंडिगम के पास अब कई अलग-अलग जनरेटिव मॉडल हैं जो विभिन्न दवा खोज चरणों को प्रबंधित कर सकते हैं: हिट पहचान, हिट-टू-लीड और लीड अनुकूलन। यह दिखाता है कि किसी भी एआई दवा खोज कंपनी में विविध विशेषज्ञता का महत्व, जहां मानव अनुभव और विशेषज्ञता मुख्य रूप से एआई मॉडल में सुधार करने और सर्वोत्तम वर्कफ्लो सुनिश्चित करने के लिए उपयोग की जाती है।

क्या आप स्टैंडिगम द्वारा दवा खोज को सुविधाजनक बनाने के लिए उपयोग किए जाने वाले अल्गोरिदम के प्रकारों पर चर्चा कर सकते हैं?

हम आमतौर पर स्टैंडिगम एएसके का उपयोग करके वादा करने वाले और नए टार्गेट प्रोटीन को प्राथमिकता देने के साथ किसी भी अन्वेषण परियोजना को शुरू करते हैं; हमारा जीवविज्ञान प्लेटफ़ॉर्म विभिन्न प्रकार के अनपेक्षित ओमिक्स डेटा का उपयोग करने, जैविक प्रणालियों के विशिष्ट संदर्भ पेश करने और इतने पर विशाल जैविक नेटवर्क को प्रशिक्षित करने के लिए विभिन्न अल्गोरिदम से बना है। सही टार्गेट प्रोटीन का चयन दवा खोज में सबसे महत्वपूर्ण मुद्दों में से एक है। स्टैंडिगम एएसके रोग विशेषज्ञों को एमओए (क्रिया की विधि) के कई परिकल्पनाओं प्रदान करके मदद करता है।

स्टैंडिगम बेस्ट विभिन्न कार्यों को करता है, जिनमें हिट यौगिक (प्रभावी अन्वेषण) का सुझाव देना, स्कैफोल्ड हॉपिंग (सिंथेटिक एक्सेसिबिलिटी और नोवेल्टी पर विचार करना), और दवा क्षमता (गतिविधि, एडीएमई/टॉक्स गुण और भौतिक रासायनिक गुण) के लिए विभिन्न पूर्वानुमान मॉडल शामिल हैं। कई छोटे कार्य इन बड़े कार्यों से संबंधित हैं, जैसे कि डीटीआई (दवा-लक्ष्य बातचीत), एआई-सहायता प्राप्त आणविक सिमुलेशन, चयनात्मकता पूर्वानुमान और मल्टी-पैरामीटर अनुकूलन।

नवीन यौगिक पीढ़ी के संबंध में विरासत दवा खोज प्रक्रियाओं की तुलना में औसतन कितना समय बचाया जाता है?

स्टैंडिगम शोधकर्ताओं ने विभिन्न परियोजनाओं के लिए सैकड़ों नए अणुओं का संश्लेषण किया है, जिनमें से कई को विभिन्न संदर्भों में हिट और लीड अणु के रूप में नामित किया गया है। एआई-आधारित मॉडल और व्यावसायिक संसाधनों को अपनाकर, स्टैंडिगम ने पहले दौर के नए यौगिक पीढ़ी के लिए समय को छह महीने से औसतन दो महीने तक कम कर दिया है। अब, पहले जाने/न जाने के निर्णय औसतन सात महीने में किए जा सकते हैं chứ चार साल में नहीं।

स्टैंडिगम के लिए संभावित दवा व्यावसायीकरण की कुछ सफलता की कहानियां क्या हैं?

स्टैंडिगम इनसाइट का उपयोग करके, जो स्टैंडिगम एएसके के समान तकनीकी पृष्ठभूमि साझा करता है, हमने एक दुर्लभ बाल रोग के लिए एक दवा अणु पाया जिसे अमेरिका में सबसे अच्छे बच्चों के अस्पताल में एक वैज्ञानिक द्वारा मान्य किया गया था। यह मामला दिखाता है कि एआई प्रौद्योगिकी दुर्लभ-रोग दवा खोज में मदद कर सकती है, जो किसी भी आकार की कंपनी के लिए एक कठिन कार्य है क्योंकि व्यावसायिक मूल्य की आवश्यकता होती है। विशेष रूप से इस मंदी में, जब फार्मास्यूटिकल कंपनियां अधिक रूढ़िवादी होने की कोशिश कर रही हैं, एआई दुर्लभ और उपेक्षित रोगों में अनुसंधान और विकास को बढ़ावा दे सकता है।

स्वास्थ्य सेवा में गहरे शिक्षण और जनरेटिव एआई के भविष्य के लिए आपकी दृष्टि क्या है?

एआई प्रौद्योगिकी की सफलता उच्च गुणवत्ता वाले डेटा की उपलब्धता पर निर्भर करती है। स्वास्थ्य सेवा क्षेत्र में उच्च गुणवत्ता वाले डेटा की बड़ी मात्रा में सुरक्षा के लिए निश्चित रूप से महान प्रतिस्पर्धा होगी। दवा खोज के早े चरणों के संकीर्ण दृष्टिकोण से, रसायन विज्ञान और जीवविज्ञान डेटा महंगे हैं और उच्च गुणवत्ता वाले होने में लंबा समय लेते हैं। इसलिए, स्वचालित प्रयोगशाला एआई दवा खोज क्षेत्र के लिए भविष्य होगी, क्योंकि यह एआई प्रौद्योगिकी के लिए ईंधन – उच्च गुणवत्ता वाले डेटा की लागत को कम कर सकती है। हम अपने प्रौद्योगिकी प्लेटफ़ॉर्म को अगले स्तर पर धकेलने के लिए काम कर रहे हैं ताकि स्टैंडिगम एएसके अधिक स्पष्ट प्रमाण प्रदान कर सके; और स्टैंडिगम बेस्ट एआई मॉडल राज्य के अत्याधुनिक हो सकते हैं जो इन-हाउस स्वचालित प्रयोगशालाओं और सहयोगियों से उच्च गुणवत्ता वाले डेटा को खिला सकते हैं।

क्या स्टैंडिगम के बारे में और कुछ है जो आप साझा करना चाहेंगे?

स्टैंडिगम के लिए विभेदित विशेषज्ञता का संतुलन महत्वपूर्ण है, जैसे कि जातीयता का संतुलन भी महत्वपूर्ण है। हम अपनी वैश्विक उपस्थिति का विस्तार करके यूके (कैम्ब्रिज) और यूएस (कैम्ब्रिज, एमए) में कार्यालय स्थापित करके नेटवर्क की उपस्थिति और स्टैंडिगम को एक अधिक अंतरराष्ट्रीय कंपनी में परिवर्तित करने के लिए काम कर रहे हैं।

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