Charles Fisher, Ph.D., CEO & Founder di Unlearn – Intervista in serie

Charles Fisher, Ph.D., è il CEO e fondatore di Unlearn, una piattaforma che sfrutta l’AI per affrontare alcuni dei più grandi collo di bottiglia nello sviluppo clinico: tempi di prova lunghi, costi elevati e risultati incerti. I loro modelli AI innovativi analizzano grandi quantità di dati a livello di paziente per prevedere gli esiti sanitari dei pazienti. Integrando i gemelli digitali nei trial clinici, Unlearn è in grado di accelerare la ricerca clinica e aiutare a portare trattamenti salvavita nuovi ai pazienti che ne hanno bisogno.

Charles è uno scienziato con interessi all’intersezione della fisica, del machine learning e della biologia computazionale. In precedenza, Charles ha lavorato come ingegnere di machine learning a Leap Motion e come biologo computazionale a Pfizer. È stato un Philippe Meyer Fellow in fisica teorica all’École Normale Supérieure di Parigi, Francia, e uno scienziato post-dottorato in biofisica alla Boston University. Charles ha un Ph.D. in biofisica all’Università di Harvard e un B.S. in biofisica all’Università del Michigan.

Attualmente sei nella minoranza nella tua convinzione fondamentale che la matematica e il calcolo debbano essere la base della biologia. Come sei arrivato a queste conclusioni?

Probabilmente è solo perché la matematica e i metodi computazionali non sono stati enfatizzati abbastanza nell’istruzione biologica negli ultimi anni, ma da dove mi trovo, le persone stanno iniziando a cambiare idea e a essere d’accordo con me. Le reti neurali profonde ci hanno dato un nuovo set di strumenti per sistemi complessi e l’automazione sta aiutando a creare grandi set di dati biologici richiesti. Penso che sia inevitabile che la biologia si trasformi in una scienza computazionale nel prossimo decennio.

Come è poi passata questa convinzione al lancio di Unlearn?

In passato, molti metodi computazionali in biologia sono stati visti come risoluzione di problemi giocattolo o problemi lontani dalle applicazioni in medicina, il che ha reso difficile dimostrare un valore reale. Il nostro obiettivo è inventare nuovi metodi di AI per risolvere problemi in medicina, ma siamo anche concentrati nel trovare aree, come nei trial clinici, in cui possiamo dimostrare un valore reale.

Puoi spiegare la missione di Unlearn per eliminare la prova e l’errore in medicina attraverso l’AI?

È comune in ingegneria progettare e testare un dispositivo utilizzando un modello computerizzato prima di costruire la cosa reale. Vorremmo abilitare qualcosa di simile in medicina. Possiamo simulare l’effetto che un trattamento avrà su un paziente prima di somministrarglielo? Sebbene penso che il campo sia abbastanza lontano da ciò oggi, il nostro obiettivo è inventare la tecnologia per renderlo possibile.

Come l’uso di Unlearn dei gemelli digitali nei trial clinici accelera il processo di ricerca e migliora i risultati?

Unlearn inventa modelli AI chiamati generatori di gemelli digitali (DTG) che generano gemelli digitali dei partecipanti ai trial clinici. Ogni partecipante ha un gemello digitale che prevede quale sarebbe il suo esito se ricevesse il placebo in un trial clinico. Se i nostri DTG fossero perfettamente precisi, allora, in principio, i trial clinici potrebbero essere eseguiti senza gruppi di placebo. Ma nella pratica, tutti i modelli fanno errori, quindi ci proponiamo di progettare trial randomizzati che utilizzino gruppi di placebo più piccoli dei trial tradizionali. Ciò rende più facile l’iscrizione allo studio, accelerando i tempi dei trial.

Potresti spiegare precisamente cosa è la metodologia PROCOVA™ (Prognostic Covariate Adjustment) regolamentare qualificata di Unlearn?

PROCOVA™ è il primo metodo che abbiamo sviluppato che consente ai gemelli digitali dei partecipanti di essere utilizzati nei trial clinici in modo che i risultati del trial siano robusti agli errori che il modello potrebbe fare nelle sue previsioni. Essenzialmente, PROCOVA utilizza il fatto che alcuni dei partecipanti in uno studio sono assegnati casualmente al gruppo di placebo per correggere le previsioni dei gemelli digitali utilizzando un metodo statistico chiamato covariate adjustment. Ciò ci consente di progettare studi che utilizzano gruppi di controllo più piccoli del normale o che hanno una potenza statistica più alta, assicurando che quegli studi forniscono comunque valutazioni rigorose dell’efficacia del trattamento. Stiamo anche continuando la R&S per espandere questa linea di soluzioni e fornire studi ancora più potenti in futuro.

Come Unlearn bilancia l’innovazione con la conformità regolamentare nello sviluppo delle sue soluzioni AI?

Le soluzioni destinate ai trial clinici sono generalmente regolamentate in base al loro contesto di utilizzo, il che significa che possiamo sviluppare più soluzioni con diversi profili di rischio mirate a diversi casi d’uso. Ad esempio, abbiamo sviluppato PROCOVA perché è estremamente a basso rischio, il che ci ha permesso di perseguire un parere di qualificazione dall’Agenzia Europea per i Medicinali (EMA) per l’uso come analisi principale nei trial clinici di fase 2 e 3 con esiti continui. Tuttavia, PROCOVA non sfrutta tutte le informazioni fornite dai gemelli digitali che creiamo per i partecipanti al trial – lascia alcune prestazioni sul tavolo per allinearsi con le linee guida regolamentari. Naturalmente, Unlearn esiste per spingere i confini in modo che possiamo lanciare soluzioni più innovative mirate ad applicazioni in studi di fase iniziale o analisi post-hoc in cui possiamo utilizzare altri tipi di metodi (ad esempio, analisi bayesiane) che forniscono molta più efficienza di quanto possiamo fare con PROCOVA.

Quali sono stati alcuni dei più grandi sfidi e dei più importanti risultati per Unlearn nell’utilizzo dell’AI in medicina?

La più grande sfida per noi e per chiunque altro coinvolto nell’applicazione dell’AI ai problemi in medicina è culturale. Attualmente, la stragrande maggioranza dei ricercatori in medicina non è estremamente familiare con l’AI e sono generalmente male informati su come funzionano le tecnologie sottostanti. Di conseguenza, la maggior parte delle persone è estremamente scettica che l’AI sarà utile nel prossimo futuro. Penso che inevitabilmente cambierà nei prossimi anni, ma la biologia e la medicina in generale sono in ritardo rispetto alla maggior parte degli altri campi quando si tratta dell’adozione di nuove tecnologie informatiche. Abbiamo avuto molte scoperte tecnologiche, ma le cose più importanti per ottenere l’adozione sono probabilmente punti di prova da parte dei regolatori o dei clienti.

Qual è la tua visione globale per l’utilizzo della matematica e del calcolo in biologia?

Nella mia opinione, non possiamo chiamare qualcosa “scienza” se il suo obiettivo non è fare previsioni accurate e quantitative sui risultati di futuri esperimenti. Attualmente, circa il 90% dei farmaci che entrano nei trial clinici umani falliscono, generalmente perché non funzionano veramente. Quindi, siamo veramente lontani dal fare previsioni accurate e quantitative al momento quando si tratta della maggior parte delle aree della biologia e della medicina. Non penso che ciò cambi fino a quando il nucleo di quelle discipline non cambia – fino a quando la matematica e i metodi computazionali non diventano gli strumenti di ragionamento fondamentali della biologia. La mia speranza è che il lavoro che stiamo facendo a Unlearn metta in luce il valore di adottare un approccio “AI-first” per risolvere un importante problema pratico nella ricerca medica e che i futuri ricercatori possano prendere quella cultura e applicarla a un insieme più ampio di problemi.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Unlearn.