Jinhan Kim, CEO Standigm – Seri Wawancara

Jinhan Kim adalah CEO Standigm, sebuah perusahaan penemuan obat AI workflow.

Dari identifikasi target kustom hingga generasi timbal, platform AI workflow Standigm menghasilkan wawasan untuk setiap langkah mengembangkan obat-obatan yang bernilai komersial dari proyek in-house dan kemitraan.

Anda mulai mengkode saat Anda berada di kelas 6, bisakah Anda berbagi bagaimana Anda menjadi tertarik dan apa yang Anda kerjakan pada awalnya?

Ah, ya – di Apple (AAPL ) II Plus. Itu adalah katalis untuk mengubah saya dari seorang kutu buku menjadi seorang pembuat. Saya mulai memprogram, dimulai dengan pemrograman C, karena rasa ingin tahu. Saya menjadi tertarik dengan prinsip dan aspek teoretis komputer saya. Dari sana, saya menjadi seorang pembelajar seumur hidup di bidang teknologi.

Apa yang awalnya menarik Anda ke machine learning?

Saya mendapatkan gelar di bidang kimia terapan dan kecerdasan buatan di Universitas Edinburgh di bawah Geoffrey Hinton. Dia adalah seorang neuroscientist dan ilmuwan komputer yang secara dasar menciptakan deep learning. Hinton bekerja pada jaringan saraf tiruan dan merancang mesin cerdas otonom – dan, kemudian, algoritma machine learning. Google (GOOGL ) merekrutnya sepuluh tahun yang lalu untuk membuat AI mereka dan selebihnya adalah sejarah.

Kapan Anda pertama kali terlibat dalam persimpangan biologi dan machine learning?

Saya bekerja di Samsung Advanced Institute of Technology, di mana saya mengembangkan algoritma. Salah satu algoritma yang saya kembangkan adalah mekanisme untuk memperbaiki kerusakan DNA. Saya ingin melanjutkan pekerjaan di bidang biologi dan memecahkan masalah yang paling sulit untuk ditargetkan. Baik tubuh manusia maupun komputer yang berpikir seperti manusia adalah tentang sekompleks apa pun, dan Anda perlu bekerja untuk memahami satu untuk memahami yang lain. Sistem AI tidak hanya dapat menggali data ilmiah yang luas yang dipublikasikan selama beberapa dekade dari seluruh dunia, tetapi juga dapat memproses kompleksitas tubuh manusia dan dengan cepat serta koheren menangkap pola mekanisme biologis. Mudah untuk melihat biologi dan machine learning berjalan beriringan.

Bisakah Anda berbagi cerita tentang asal-usul Standigm?

Pekerjaan saya di kesehatan dan ilmu menunjukkan apa yang, bagi saya, adalah masalah besar dalam penemuan obat tradisional: waktu dan uang yang dibutuhkan untuk memindai kertas penelitian ilmiah dan uji coba skrining atau petunjuk yang memberikan titik awal untuk penciptaan obat baru. Ilmuwan manusia melakukan penelitian intensif ini. Saya dan dua rekan Samsung, Sang Ok Song dan So Jeong Yun, melihat kesempatan untuk mengalihkan pekerjaan dari manusia ke mesin cerdas dan merancang alur kerja baru. Juga, saya tidak ingin bekerja untuk gaji; saya ingin bekerja untuk diri saya sendiri, untuk membawa metode penemuan obat ke standar paradigma baru, yang merupakan asal-usul pekerjaan dan nama “Standigm,” perusahaan yang kami tiga pendiri. Model machine learning kami sekarang mencapai akurasi prediksi yang tinggi dan teknologi AI-nya mencapai ROI maksimum.

Apa itu masalah akses sintetik dan bagaimana Standigm bekerja untuk memecahkannya?

Model generatif dapat merancang struktur molekul baru tanpa bantuan ahli kimia medisinal yang terlatih, yang merupakan salah satu alasan paling kritis untuk adopsi antusias teknologi ini oleh komunitas penemuan obat. Hambatan tertinggi di sini adalah perbedaan kecepatan antara desain molekul dan sintesis eksperimental, di mana desain jutaan senyawa hanya membutuhkan beberapa jam dan sintesis hanya sepuluh molekul membutuhkan beberapa minggu atau bulan. Karena hanya sebagian kecil dari senyawa yang dirancang yang akan disintesis oleh ahli manusia, sangat penting untuk memiliki ukuran yang baik dari sifat molekul.

Model AI generasi pertama kasar, dan ahli kimia sintetik menolak sebagian besar molekul yang dirancang karena kesulitan rencana sintetik. Beberapa perusahaan CRO bahkan menolak untuk membuat proposal untuk kampanye sintetik ini.

Standigm telah bekerja pada masalah ini dengan merekrut ahli kimia medisinal berpengalaman dan menambahkan keahlian mereka ke model generatif sehingga mereka dapat merancang senyawa yang tidak dapat dibedakan dari yang dirancang oleh ahli manusia. Standigm sekarang memiliki beberapa model generatif yang berbeda yang dapat mengelola berbagai tahap penemuan obat: identifikasi hit, hit-to-lead dan optimasi timbal. Ini menunjukkan pentingnya memiliki keahlian yang beragam untuk setiap perusahaan penemuan obat AI di mana pengalaman dan keahlian manusia sebagian besar digunakan untuk meningkatkan model AI dan untuk mengamankan alur kerja terbaik daripada setiap proyek.

Bisakah Anda membahas jenis algoritma yang digunakan oleh Standigm untuk memfasilitasi penemuan obat?

Kami biasanya memulai proyek eksploratif dengan memprioritaskan protein target yang menjanjikan dan baru menggunakan Standigm ASK; platform biologi kami terdiri dari algoritma yang berbeda untuk melatih jaringan biologis besar, menggunakan berbagai jenis data omics yang tidak bias, memperkenalkan konteks spesifik sistem biologis dan sebagainya. Memilih protein target yang tepat adalah salah satu masalah paling kritis dalam penemuan obat. Standigm ASK membantu ahli penyakit dengan menyediakan beberapa hipotesis MOA (mekanisme aksi).

Untuk mengamankan paten dengan jangkauan yang sangat protektif, Standigm BEST melakukan berbagai tugas, termasuk menyarankan senyawa hit (eksplorasi efektif), scaffold hopping (mempertimbangkan akses sintetik dan kebaruan) dan berbagai model prediktif untuk drugabilities (aktivitas, sifat ADME/Tox dan sifat fisikokimia). Banyak tugas kecil yang terkait dengan tugas yang lebih besar, seperti DTI (interaksi obat-target), simulasi molekul yang dibantu AI, prediksi selektivitas dan optimasi multiparameter.

Berapa banyak waktu yang dihemat pada rata-rata ketika datang ke generasi senyawa baru versus prosedur penemuan obat warisan?

Peneliti Standigm telah mensintesis ratusan molekul baru untuk proyek, banyak di antaranya ditunjuk sebagai molekul hit dan timbal dalam konteks yang berbeda. Dengan mengadopsi model AI dan sumber daya komersial, Standigm telah mengurangi waktu untuk putaran pertama generasi senyawa baru dari enam bulan menjadi rata-rata dua bulan untuk sebagian besar proyek. Sekarang, keputusan go/no-go pertama dapat dibuat dalam rata-rata tujuh bulan bukan tiga hingga empat tahun.

Apa beberapa cerita sukses Standigm untuk komersialisasi obat potensial?

Menggunakan Standigm Insight, yang berbagi latar belakang teknis yang sama dengan Standigm ASK, kami menemukan molekul obat yang dapat digunakan untuk penyakit langka pediatrik, divalidasi oleh seorang ilmuwan dari salah satu rumah sakit anak terbaik di AS. Kasus ini menunjukkan bahwa teknologi AI dapat membantu penemuan obat penyakit langka, tugas yang sulit bagi perusahaan dengan ukuran apa pun karena kebutuhan akan nilai komersial yang lebih besar. Terutama dalam resesi ini, ketika perusahaan farmasi mencoba menjadi lebih konservatif, AI dapat mempromosikan R&D di penyakit langka dan terlantar.

Apa visi Anda untuk masa depan deep learning dan generative AI di bidang kesehatan?

Keberhasilan teknologi AI tergantung pada ketersediaan data berkualitas tinggi. Pasti akan ada persaingan besar di sekitar pengamanan sejumlah besar data berkualitas tinggi di sektor kesehatan. Dari perspektif yang lebih sempit dari penemuan obat awal, data kimia dan biologi mahal dan membutuhkan waktu lama untuk mencapai status berkualitas tinggi. Oleh karena itu, laboratorium otomatis akan menjadi masa depan untuk bidang penemuan obat AI, karena dapat mengurangi biaya data berkualitas tinggi – bahan bakar untuk teknologi AI. Kami mendorong platform teknologi kami ke tingkat berikutnya sehingga Standigm ASK dapat memberikan bukti yang lebih jelas, dari data yang berasal dari pasien hingga biologi molekuler; dan sehingga model AI Standigm BEST dapat menjadi yang terdepan dengan memberikan data berkualitas tinggi dari laboratorium otomatis in-house dan kolaborator.

Apakah ada yang lain yang ingin Anda bagikan tentang Standigm?

Sebagai keseimbangan keahlian yang berbeda sangat penting untuk Standigm, keseimbangan etnis juga sangat kritis. Kami telah been expanding our presence in the global environment by founding the U.K. (Cambridge) and the U.S. (Cambridge, MA) offices to include the presence of the networks and the transformation of Standigm into a more international firm. Thank you for the great interview, readers who wish to learn more should visit Standigm.