Leland Hyman, Ilmuwan Data Utama di Sherlock Biosciences – Seri Wawancara

Leland Hyman adalah Ilmuwan Data Utama di Sherlock Biosciences. Ia adalah ilmuwan komputer dan peneliti berpengalaman dengan latar belakang dalam pembelajaran mesin dan diagnostik molekuler.

Sherlock Biosciences adalah perusahaan bioteknologi yang berbasis di Cambridge, Massachusetts, yang mengembangkan tes diagnostik menggunakan CRISPR. Mereka bertujuan untuk mengganggu diagnostik molekuler dengan tes yang lebih baik, lebih cepat, dan lebih terjangkau.

Apa yang awalnya menarik Anda ke ilmu komputer?

Saya mulai memprogram pada usia yang sangat muda, tetapi saya lebih tertarik membuat permainan video dengan teman-teman saya. Minat saya tumbuh dalam aplikasi ilmu komputer lainnya selama kuliah dan sekolah pascasarjana, terutama dengan semua pekerjaan pembelajaran mesin yang revolusioner yang terjadi pada awal 2010-an. Seluruh bidang ini tampak seperti frontier baru yang menarik yang dapat langsung mempengaruhi penelitian ilmiah dan kehidupan sehari-hari kita — saya tidak bisa tidak tertarik dengan itu.

Anda juga mengejar gelar Ph.D. di Biologi Sel dan Molekuler, kapan Anda pertama kali menyadari bahwa kedua bidang ini akan bersinggungan?

Saya mulai melakukan pekerjaan ini yang bersinggungan dengan ilmu komputer dan biologi pada awal sekolah pascasarjana. Lab saya fokus pada memecahkan masalah rekayasa protein melalui kolaborasi antara ahli biokimia, ilmuwan komputer, dan semua orang di antaranya. Saya dengan cepat menyadari bahwa pembelajaran mesin dapat memberikan wawasan yang berharga tentang sistem biologis dan membuat eksperimen menjadi lebih mudah. Sebaliknya, saya juga memperoleh apresiasi untuk nilai intuisi biologis ketika membangun model pembelajaran mesin. Menurut saya, membingkai masalah dengan akurat adalah elemen kunci dalam pembelajaran mesin. Ini adalah mengapa saya percaya bahwa upaya kolaboratif di berbagai bidang dapat memiliki dampak yang mendalam.

Sejak 2022 Anda telah bekerja di Sherlock Biosciences, bisa Anda berbagi beberapa detail tentang apa yang Anda lakukan?

Saya saat ini memimpin tim komputasi di Sherlock Biosciences. Kelompok kami bertanggung jawab untuk merancang komponen yang masuk ke dalam tes diagnostik kami, berinteraksi dengan eksperimen yang menguji desain ini di laboratorium basah, dan membangun kemampuan komputasi baru untuk meningkatkan desain. Selain mengoordinasikan kegiatan ini, saya bekerja pada bagian pembelajaran mesin dari kode basis kami, bereksperimen dengan arsitektur model baru dan cara baru untuk mensimulasikan fisika DNA dan RNA yang terlibat dalam tes kami.

Pembelajaran mesin adalah inti dari Sherlock Biosciences, bisa Anda menjelaskan jenis data dan volume data yang dikumpulkan, dan bagaimana ML kemudian mempars data tersebut?

Selama pengembangan tes, kami menguji puluhan hingga ratusan kandidat tes untuk setiap patogen baru. Meskipun sebagian besar kandidat tersebut tidak akan masuk ke dalam tes komersial, kami melihatnya sebagai kesempatan untuk belajar dari kesalahan kami. Dalam eksperimen ini, kami mengukur dua hal utama: sensitivitas dan kecepatan. Model kami mengambil urutan DNA dan RNA dalam setiap tes sebagai input dan kemudian belajar untuk memprediksi sensitivitas dan kecepatan tes.

Bagaimana ML memprediksi komponen diagnostik molekuler yang akan berkinerja dengan kecepatan dan akurasi tertinggi?

Ketika kita berpikir tentang bagaimana manusia belajar, ada dua strategi utama. Di satu sisi, seseorang bisa belajar melakukan tugas melalui trial dan error murni. Mereka bisa mengulangi tugas, dan setelah banyak kegagalan, mereka akhirnya akan menemukan aturan tugas itu sendiri. Strategi ini cukup populer sebelum internet. Namun, kita bisa memberikan orang itu seorang guru untuk mengajarkan aturan tugas itu langsung. Siswa dengan guru bisa belajar lebih cepat daripada dengan pendekatan trial dan error, tetapi hanya jika mereka memiliki guru yang baik yang benar-benar memahami tugas.

Pendekatan kami untuk melatih model pembelajaran mesin adalah di antara kedua strategi ini. Meskipun kami tidak memiliki “guru” yang sempurna untuk model pembelajaran mesin kami, kami dapat memulai mereka dengan beberapa pengetahuan tentang fisika DNA dan RNA dalam tes kami. Ini membantu mereka belajar membuat prediksi yang lebih baik dengan lebih sedikit data. Untuk melakukan ini, kami menjalankan beberapa simulasi biofisik pada urutan DNA dan RNA tes kami. Kami kemudian memasukkan hasilnya ke dalam model dan meminta mereka untuk memprediksi kecepatan dan sensitivitas tes. Kami mengulangi proses ini untuk semua eksperimen yang telah kami lakukan di laboratorium, dan model menunjukkan perbedaan antara prediksi mereka dan apa yang sebenarnya terjadi. Melalui pengulangan yang cukup, mereka akhirnya belajar bagaimana fisika DNA dan RNA berhubungan dengan kecepatan dan sensitivitas setiap tes.

Apa saja cara lain yang algoritma AI digunakan oleh Sherlock Biosciences?

Kami telah menggunakan algoritma pembelajaran mesin untuk memecahkan berbagai masalah. Beberapa contoh yang terlintas di pikiran terkait dengan penelitian pasar dan analisis gambar. Untuk penelitian pasar, kami dapat melatih model yang belajar tentang jenis pelanggan yang berbeda dan berapa banyak orang yang mungkin memiliki kebutuhan yang belum terpenuhi untuk pengujian penyakit. Kami juga telah membangun model untuk menganalisis gambar strip aliran lateral (jenis tes yang umum digunakan dalam tes COVID over-the-counter), dan secara otomatis memprediksi apakah pita positif hadir. Meskipun ini tampak seperti tugas sepele bagi manusia, saya dapat mengatakan dari pengalaman langsung bahwa ini adalah alternatif yang sangat nyaman untuk mengannotasi ribuan gambar secara manual.

Apa saja tantangan di balik membangun model ML yang bekerja berdampingan dengan teknologi biosains mutakhir seperti CRISPR?

Ketersediaan data adalah tantangan utama dalam menerapkan model pembelajaran mesin ke teknologi biosains. CRISPR dan teknologi berbasis DNA atau RNA menghadapi tantangan khas, terutama karena dataset struktural yang jauh lebih kecil yang tersedia untuk asam nukleat dibandingkan dengan protein. Ini adalah mengapa kita telah melihat kemajuan besar dalam pembelajaran mesin protein dalam beberapa tahun terakhir (dengan AlphaFold2 dan lain-lain), tetapi kemajuan pembelajaran mesin DNA dan RNA masih tertinggal.

Apa visi Anda untuk masa depan integrasi AI dengan CRISPR dan biosains?

Kita sedang menyaksikan ledakan AI besar dalam bidang rekayasa protein dan penemuan obat-obatan saat ini, dan saya berharap ini akan terus mempercepat pengembangan di industri farmasi. Saya ingin melihat hal yang sama terjadi dengan CRISPR dan teknologi berbasis DNA dan RNA lainnya dalam beberapa tahun mendatang. Ini bisa sangat berdampak dalam diagnostik, kedokteran manusia, dan biologi sintetik. Kami telah melihat manfaat dari alat komputasi dalam pengembangan diagnostik dan teknologi CRISPR di sini di Sherlock, dan saya berharap jenis pekerjaan ini akan mendorong efek “snowball” untuk mendorong bidang ini maju.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi Sherlock Biosciences.