Peter Ellman, Presiden dan CEO Certis Oncology Solutions – Seri Wawancara

Certis Oncology Solutions, yang dipimpin oleh Peter Ellman, Presiden dan CEO, adalah perusahaan teknologi ilmu kehidupan yang didedikasikan untuk mewujudkan janji onkologi presisi. Produk perusahaan ini adalah Oncology Intelligence® — data respons terapi yang sangat prediktif yang berasal dari model kanker canggih. Certis bermitra dengan ilmuwan dokter dan peneliti industri untuk memperluas akses ke onkologi presisi dan mengatasi kesenjangan penting antara studi pra-klinis dan uji klinis.

Apakah Anda dapat menjelaskan masalah yang lebih luas dalam penelitian onkologi yang ditangani oleh CertisOI Assistant?

Tingkat kegagalan kandidat obat onkologi investigasi sangat tinggi. Baru-baru ini dilaporkan bahwa pada 2023, 90% program onkologi akhirnya gagal. Angka itu merupakan perbaikan yang luar biasa dibandingkan dengan tren sejarah, yang mengambang sekitar 96% hingga 2022. Mengingat biaya pengembangan obat, tingkat kegagalan 90% tidak berkelanjutan. Bayangkan bagaimana pasien akan diuntungkan jika tingkat keberhasilan bahkan 50%.

CertisOI Assistant langsung menangani dua masalah penting yang menyebabkan tingkat kegagalan ini:

• Pemilihan model pra-klinis yang ditingkatkan: Banyak senyawa menunjukkan hasil yang menjanjikan dalam studi pra-klinis tetapi gagal menunjukkan efek terapi yang cukup pada manusia. Sebagian besar anggota komunitas ilmiah menunjuk pada model pra-klinis sebagai bagian dari masalah. Memilih model pra-klinis dengan tanda tangan ekspresi gen yang benar (dan menggunakan engraftment ortotopik untuk studi kunci) dapat meningkatkan “terjemahan” ke klinik.
• Identifikasi biomarker yang lebih awal dan lebih baik: Mengandalkan biomarker yang tidak secara akurat memprediksi respons terapi dapat mengakibatkan uji klinis yang gagal. CertisOI Assistant terintegrasi dengan CertisAI, platform AI/ML paten-pending kami, yang memungkinkan identifikasi biomarker prediktif lebih awal dalam proses pengembangan obat.

Bagaimana CertisOI Assistant menggunakan AI untuk meningkatkan akses ke data onkologi, dan apa yang membedakannya dari alat AI lain di bidang ini?

CertisOI Assistant menyediakan kemampuan analisis data lanjutan dan pemodelan prediktif melalui antarmuka bahasa alami yang mudah digunakan. Ini membedakannya dalam beberapa cara:

• Integrasi Dataset Komprehensif: Asisten ini mengintegrasikan berbagai data onkologi, termasuk informasi pasien, karakteristik tumor, profil genetik, dan prediksi respons obat. Pendekatan holistik ini memungkinkan analisis yang lebih komprehensif daripada alat yang fokus pada jenis data terisolasi.
• Prediksi Berbasis AI: Asisten ini menggunakan algoritma AI untuk memprediksi respons dan resistensi obat, menawarkan wawasan tentang perawatan mana yang kemungkinan efektif untuk model kanker tertentu. Kemampuan prediktif ini sangat penting untuk pengobatan personalisasi dan membedakannya dari alat yang hanya mengandalkan data historis.
• Antarmuka Pengguna yang Ramah: Dengan menyediakan antarmuka yang intuitif untuk mengquery dan menganalisis dataset kompleks, asisten ini membuatnya lebih mudah bagi peneliti untuk mengakses dan menafsirkan data onkologi tanpa memerlukan keterampilan teknis lanjutan.
• Fokus pada Model Pra-Klinis: Asisten ini berspesialisasi dalam penelitian onkologi pra-klinis, terutama model PDX dan sel garis, menawarkan wawasan unik tentang pengembangan obat tahap awal dan biologi tumor.
• Visualisasi Interaktif: Asisten ini mendukung visualisasi interaktif, seperti studi farmakologi dan pertumbuhan tumor, yang memungkinkan peneliti untuk menjelajahi data dengan lebih menarik dan informatif.

Bagaimana alat ini mengubah data kompleks menjadi wawasan yang dapat diambil, terutama bagi peneliti yang bekerja pada data kepekaan obat atau data genomik?

CertisOI Assistant menggunakan alur kerja terstruktur untuk mengubah data mentah menjadi wawasan yang bermakna. Ini melibatkan pengqueryan dataset onkologi komprehensif, menganalisis data, dan menyajikan hasil dalam format yang jelas dan dapat diinterpretasikan. Berikut cara kerjanya:

• Pengqueryan Data: CertisOI Assistant dapat mengakses basis data relasional yang berisi informasi rinci tentang model onkologi, termasuk data pasien, karakteristik tumor, data genomik, dan prediksi respons obat. Ini menggunakan query SQL-like untuk mengekstrak data relevan berdasarkan kebutuhan peneliti.
• Analisis Data: Setelah data diperoleh, CertisOI Assistant dapat melakukan berbagai analisis, seperti mengidentifikasi mutasi umum, menghubungkan ekspresi gen dengan kepekaan obat, atau mengevaluasi hasil studi farmakologi. Ini juga dapat menilai dan menyaring data untuk menyoroti temuan yang paling signifikan.
• Visualisasi: Asisten ini dapat menyajikan data dalam format tabel, menghasilkan grafik interaktif untuk studi farmakologi dan pertumbuhan tumor, dan menampilkan gambar histologi. Visualisasi ini membantu peneliti dengan cepat memahami pola dan hubungan data kompleks.
• Interpretasi dan Wawasan: Dengan menyediakan interpretasi data yang jelas, termasuk prediksi kepekaan atau resistensi obat, CertisOI Assistant membantu peneliti membuat keputusan yang tepat tentang strategi terapi potensial atau arah eksperimental lebih lanjut.
• Kustomisasi dan Fleksibilitas: Peneliti dapat menyesuaikan query mereka untuk fokus pada jenis kanker tertentu, penanda genetik, atau respons perawatan, memungkinkan analisis yang sangat disesuaikan yang selaras dengan tujuan penelitian mereka.

Bagaimana CertisOI Assistant meningkatkan kemampuan peneliti untuk memilih model kanker, merancang strategi biomarker, atau melakukan validasi in silico?

Saya telah membahas dua area pertama – bagian model kanker dan desain strategi biomarker – di awal wawancara ini, jadi saya akan fokus pada melakukan validasi in silico. CertisOI Assistant menyediakan lingkungan virtual untuk menguji dan memvalidasi hipotesis terkait efikasi obat, keterlibatan target, dan penemuan biomarker tanpa perlu melakukan eksperimen laboratorium segera. Ini memungkinkan mereka untuk dengan cepat memperbarui hipotesis dan fokus upaya eksperimental pada jalur yang paling menjanjikan.

Berikut beberapa contoh:

• Prediksi Respons Obat: Gunakan prediksi berbasis AI untuk respons dan resistensi obat untuk menilai bagaimana model yang berbeda kemungkinan akan merespons terhadap obat tertentu. Ini dapat membantu memvalidasi potensi efikasi obat in silico sebelum beralih ke studi in vitro atau in vivo.
• Profiling Genomik dan Molekuler: Analisis data genomik, termasuk mutasi, ekspresi gen, dan variasi jumlah salinan, untuk mengidentifikasi target potensial dan memvalidasi relevansi mereka dengan mekanisme aksi obat. Ini dapat membantu memahami dasar molekuler kepekaan atau resistensi obat.
• Penemuan Biomarker: Menghubungkan karakteristik molekuler dengan prediksi respons obat untuk mengidentifikasi biomarker prediktif potensial. Ini dapat membantu memandu pemilihan populasi pasien yang lebih mungkin mendapat manfaat dari terapi tertentu.
• Penjelajahan Terapi Kombinasi: Menjelajahi prediksi sinergi obat untuk mengidentifikasi kombinasi obat yang menjanjikan yang dapat meningkatkan hasil terapi. Ini dapat memberikan wawasan tentang strategi kombinasi potensial yang dapat divalidasi secara eksperimental.
• Analisis Histologi: Menggunakan gambar histologi untuk memvalidasi efek morfologi obat pada jaringan tumor, memberikan bukti tambahan tentang mekanisme aksi dan potensi efikasi obat.
• Perbandingan Antarmodel: Membandingkan model yang berbeda untuk memahami bagaimana latar belakang genetik yang berbeda mempengaruhi respons obat, membantu memvalidasi hipotesis tentang peran gen atau jalur tertentu in silico.
• Penyaringan Virtual: Melakukan penyaringan virtual obat melawan berbagai model untuk memprioritaskan kandidat untuk validasi eksperimental lebih lanjut.

Apakah Anda dapat berbagi contoh tentang bagaimana peneliti diharapkan menggunakan alat ini untuk meningkatkan alur kerja mereka atau mencapai terobosan?

Contoh termudah adalah pemilihan model pra-klinis. Setiap studi pra-klinis dimulai dengan pemilihan model tumor. CertisOI Assistant menghilangkan upaya manual dari proses ini dan membawa presisi yang besar dalam memilih model optimal untuk setiap studi.

Contoh lain adalah pengembangan strategi biomarker. Pendekatan tradisional adalah menghipotesiskan biomarker atau biomarker yang mungkin terkait dengan mekanisme aksi obat dan kemudian menguji hipotesis tersebut dalam studi pra-klinis, yang biasanya merupakan proses iteratif. Jika data pra-klinis menjanjikan, peneliti harus memvalidasi biomarker prediktif dalam uji klinis manusia — dan seperti yang dibahas, tingkat kegagalan sangat tinggi.

CertisOI Assistant membantu peneliti mengidentifikasi dan memvalidasi biomarker ekspresi gen yang lebih presisi dan prediktif lebih awal dalam proses pengembangan dan dengan iterasi yang lebih sedikit daripada alur kerja tradisional — menghemat waktu, uang, dan meningkatkan peluang untuk kesuksesan komersial.

Apakah jenis model kanker atau dataset yang didukung oleh alat ini, dan bagaimana keluasan ini menguntungkan komunitas penelitian?

Versi saat ini dari CertisOI memberikan peneliti akses ke perpustakaan PDX dan model tumor yang berasal dari PDX yang berkembang pesat dan seluruh Ensiklopedia Garis Sel Kanker (CCLE) model. Algoritma platform ini juga mengambil data dari Genomik Kepekaan Obat dalam Kanker (GDSC), Konsorsium Genom Kanker Internasional (ICGC), CI ALMANAC, O’Neil, dan dataset lainnya. Pendekatan holistik ini terhadap integrasi data memungkinkan analisis yang lebih komprehensif daripada alat yang fokus pada jenis data terisolasi.

CertisOI Assistant dirancang untuk ramah pengguna. Bagaimana Anda memastikan bahwa alat ini dapat diakses oleh peneliti yang mungkin tidak memiliki keahlian teknis yang luas?

Beberapa fitur membuat CertisOI Assistant dapat diakses oleh peneliti pada semua tingkat:

• Antarmuka Intuitif: Antarmuka dirancang untuk intuitif dan mudah dinavigasi, memungkinkan pengguna melakukan query dan analisis kompleks tanpa perlu memahami detail teknis yang mendasarinya.
• Alur Kerja Terpandu: Asisten ini menyediakan alur kerja terpandu untuk tugas penelitian umum, seperti mengquery prediksi respons obat, menganalisis data genomik, dan menjelajahi studi farmakologi. Ini membantu pengguna fokus pada pertanyaan penelitian mereka tanpa terjebak dalam kompleksitas teknis.
• Pengolahan Bahasa Alami: Pengguna dapat berinteraksi dengan asisten menggunakan query bahasa alami, membuat akses ke informasi yang mereka butuhkan lebih mudah bagi mereka yang tidak memiliki keahlian teknis.
• Dokumentasi Komprehensif: Dokumentasi terperinci dan tutorial membantu pengguna memahami cara menggunakan asisten secara efektif. Ini termasuk panduan langkah demi langkah, contoh, dan penjelasan konsep kunci.
• Visualisasi Interaktif: Asisten ini menyediakan visualisasi interaktif untuk analisis data, seperti grafik dan gambar histologi, memungkinkan pengguna menjelajahi dan menafsirkan data secara visual tanpa perlu menulis kode.
• Dukungan Responsif: Pengguna dapat mengakses dukungan responsif untuk membantu dengan pertanyaan atau masalah. Ini memastikan mereka dapat mendapatkan bantuan dengan cepat dan melanjutkan penelitian tanpa penundaan yang tidak perlu.
• Query yang Dapat Disesuaikan: Sementara asisten ini menyediakan alur kerja default, juga memungkinkan kustomisasi, memungkinkan pengguna menyesuaikan query dengan kebutuhan penelitian spesifik mereka tanpa memerlukan pengetahuan teknis yang mendalam.

Kolaborasi adalah aspek kunci penelitian. Bagaimana CertisOI Assistant memfasilitasi kerja tim di antara peneliti atau lembaga?

Dengan CertisOI Assistant, peneliti dari tim atau lembaga yang berbeda dapat mengakses dataset dan alat yang sama, memungkinkan mereka bekerja sama pada proyek atau pertanyaan penelitian yang dibagikan. Platform ini juga membuatnya mudah untuk mengunduh dan berbagi query data, hasil, dan wawasan di antara anggota tim sehingga semua orang yang terlibat dalam proyek dapat berkontribusi secara efektif.

Apa tantangan terbesar dalam menskalakan adopsi AI dalam penelitian kanker, dan bagaimana tantangan tersebut dapat diatasi?

Tantangan signifikan termasuk keamanan data, integrasi data, dan kepercayaan pada prediksi hasil AI. Saya tidak ahli dalam keamanan data atau integrasi data, tetapi banyak pikiran hebat yang bekerja untuk memecahkan tantangan tersebut. Dalam hal mempercayai prediksi yang dihasilkan AI, kita memerlukan cara yang efisien dan kredibel untuk memvalidasi prediksi tersebut.

Certis telah mengambil pendekatan dua arah untuk ini: validasi in silico melalui studi validasi internal silang, dan validasi in vivo — melakukan studi pada model tikus yang relevan secara klinis untuk mengevaluasi akurasi prediksi platform kami. Seiring waktu, alat ini juga akan divalidasi secara klinis pada pasien manusia — tetapi tentu saja, itu akan memakan waktu lama dan biaya, serta kemauan untuk mengubah paradigma pengobatan kanker saat ini. Komunitas medis dan regulator harus berhenti mengandalkan cara-cara lama dan mengadopsi kekuatan analisis komputasional untuk memandu keputusan.

Bagaimana Anda membayangkan alat seperti CertisOI Assistant akan membentuk masa depan pengobatan kanker dan pengobatan presisi?

Obat modern belum memiliki cara yang baik untuk mencocokkan pasien dengan perawatan ideal. Secara keseluruhan, hanya 10% pasien kanker yang mengalami manfaat klinis dari perawatan yang dicocokkan dengan mutasi DNA tumor. Ini tidak hanya merugikan kesehatan pasien, tetapi juga merugikan mereka secara finansial. Diperkirakan $2,5 miliar — dengan B — dibuang pada terapi yang tidak efektif. Ini adalah fakta yang sangat sedih bahwa 42% pasien kanker menghabiskan semua aset mereka dalam dua tahun setelah diagnosis.

Alat seperti CertisOI Assistant dan CertisAI akan membantu kita mewujudkan janji pengobatan presisi — mendapatkan perawatan optimal untuk bentuk kanker unik mereka pertama kali, setiap kali…. Dan untuk mendemokratisasikan akses ke perawatan yang lebih efektif dan personalisasi.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi Certis Oncology Solutions.