Charles Fisher, Ph.D., CEO e Fondatore di Unlearn – Serie di Interviste

Charles Fisher, Ph.D., è il CEO e Fondatore di Unlearn, una piattaforma che sfrutta l’AI per affrontare alcuni dei principali collo di bottiglia nello sviluppo clinico: tempi di prova lunghi, costi elevati e risultati incerti. I loro modelli di intelligenza artificiale analizzano grandi quantità di dati a livello di paziente per prevedere gli esiti sanitari dei pazienti. Integrando gemelli digitali nelle prove cliniche, 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 presso Leap Motion e come biologo computazionale presso Pfizer. È stato un fellow Philippe Meyer in fisica teorica presso l’École Normale Supérieure di Parigi, Francia, e uno scienziato post-dottorato in biofisica presso l’Università di Boston. Charles ha un dottorato in biofisica presso l’Università di Harvard e una laurea in biofisica presso l’Università del Michigan.

Attualmente sei nella minoranza nella tua convinzione fondamentale che la matematica e la computazione dovrebbero 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 fornito un nuovo set di strumenti per sistemi complessi e l’automazione sta aiutando a creare grandi set di dati biologici su larga scala richiesti. Penso che sia inevitabile che la biologia si trasformi in una scienza computazionale nel prossimo decennio.

Come è passata questa convinzione al lancio di Unlearn?

Nel passato, molti metodi computazionali in biologia sono stati visti come risolutori di problemi “giocattolo” o problemi lontani dalle applicazioni in medicina, il che ha reso difficile dimostrare il valore reale. Il nostro obiettivo è inventare nuovi metodi di intelligenza artificiale per risolvere problemi in medicina, ma ci concentriamo anche su trovare aree, come le prove cliniche, 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 nell’ingegneria progettare e testare un dispositivo utilizzando un modello informatico 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 somministrarlo? Sebbene penso che il campo sia abbastanza lontano da questo oggi, il nostro obiettivo è inventare la tecnologia per renderlo possibile.

Come l’utilizzo di Unlearn dei gemelli digitali nelle prove cliniche accelera il processo di ricerca e migliora i risultati?

Unlearn inventa modelli di intelligenza artificiale chiamati generatori di gemelli digitali (DTG) che generano gemelli digitali dei partecipanti alle prove cliniche. Ogni gemello digitale di un partecipante prevede quale sarebbe il suo esito se ricevesse il placebo in una prova clinica. Se i nostri DTG fossero perfettamente precisi, allora, in teoria, le prove cliniche potrebbero essere eseguite senza gruppi di placebo. Ma nella pratica, tutti i modelli fanno errori, quindi ci concentriamo su progettare prove cliniche randomizzate che utilizzano gruppi di placebo più piccoli dei trial tradizionali. Ciò rende più facile iscriversi allo studio, accelerando i tempi di prova.

Puoi spiegare esattamente cosa è la metodologia PROCOVA (Prognostic Covariate Adjustment) qualificata normativamente di Unlearn?

PROCOVA è il primo metodo che abbiamo sviluppato che consente di utilizzare i gemelli digitali dei partecipanti nelle prove cliniche in modo che i risultati della prova siano robusti agli errori che il modello potrebbe fare nelle sue previsioni. In sostanza, PROCOVA utilizza il fatto che alcuni dei partecipanti allo studio sono assegnati casualmente al gruppo di placebo per correggere le previsioni dei gemelli digitali utilizzando un metodo statistico chiamato regolazione delle covariate. Ciò ci consente di progettare studi che utilizzano gruppi di controllo più piccoli del normale o che hanno una potenza statistica più elevata, garantendo che tali 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 normativa nello sviluppo delle sue soluzioni di intelligenza artificiale?

Le soluzioni destinate alle prove cliniche sono in genere regolamentate in base al loro contesto di utilizzo, il che significa che possiamo sviluppare più soluzioni con profili di rischio diversi destinati a utilizzi diversi. 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 nelle prove cliniche di fase 2 e 3 con esiti continui. Tuttavia, PROCOVA non sfrutta tutte le informazioni fornite dai gemelli digitali che creiamo per i partecipanti alla prova – lascia alcune prestazioni sul tavolo per allinearsi con le linee guida normative. Naturalmente, Unlearn esiste per spingere i confini in modo che possiamo lanciare soluzioni più innovative destinate ad applicazioni in studi di fase iniziale o analisi post-hoc in cui possiamo utilizzare metodi diversi (ad esempio, analisi bayesiane) che forniscono molto più efficienza di quanto possiamo fare con PROCOVA.

Quali sono stati alcuni dei più grandi sfide e innovazioni per Unlearn nell’utilizzo dell’AI in medicina?

La sfida più grande per noi e per chiunque altro coinvolto nell’applicazione dell’AI ai problemi di medicina è culturale. Attualmente, la stragrande maggioranza dei ricercatori in medicina non è estremamente familiare con l’AI e di solito è male informata su come funzionano le tecnologie sottostanti. Di conseguenza, la maggior parte delle persone è estremamente scettica che l’AI sarà utile nel breve termine. Penso che ciò cambierà inevitabilmente 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 innovazioni tecnologiche, ma le cose più importanti per ottenere l’adozione sono probabilmente i punti di forza dei regolatori o dei clienti.

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

 Nella mia opinione, possiamo chiamare “scienza” solo qualcosa che ha come obiettivo fare previsioni accurate e quantitative sui risultati di esperimenti futuri. Attualmente, circa il 90% dei farmaci che entrano nelle prove cliniche falliscono, di solito perché non funzionano realmente. Quindi, siamo molto lontani dal fare previsioni accurate e quantitative adesso 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 evidenzi il valore dell’adozione di un approccio “AI-first” per risolvere un problema pratico importante 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.