Jinhan Kim, CEO di Standigm – Serie di Interviste

Jinhan Kim è il CEO di Standigm, un’azienda di scoperta di farmaci basata su workflow AI.

Dall’identificazione personalizzata degli obiettivi alla generazione di lead, la piattaforma workflow AI di Standigm genera informazioni per ogni passaggio per sviluppare farmaci commercialmente validi da progetti interni e di partnership.

Ha iniziato a programmare quando era in sesta elementare, potrebbe condividere come si è interessato e cosa ha lavorato inizialmente?

Sì, sul mio Apple (AAPL ) II Plus. Quello è stato il catalizzatore per trasformarmi da un libro a un creatore. Ho iniziato a programmare, iniziando con il linguaggio C, per curiosità. Mi sono interessato ai principi e agli aspetti teorici del mio computer. Da lì, sono diventato un apprendista a vita nel campo della tecnologia.

Cosa l’ha inizialmente attratto verso il machine learning?

Ho conseguito le mie lauree in chimica applicata e intelligenza artificiale all’Università di Edimburgo sotto la guida di Geoffrey Hinton. Lui è il neuroscienziato e scienziato informatico che ha fondamentalmente creato il deep learning. Hinton ha lavorato su reti neurali artificiali e ha progettato macchine intelligenti autonome – e, successivamente, algoritmi di machine learning. Google (GOOGL ) lo ha assunto dieci anni fa per creare il loro AI e il resto è storia.

Quando è stato coinvolto per la prima volta nell’intersezione tra biologia e machine learning?

Lavoravo all’Istituto avanzato di tecnologia Samsung, dove stavo sviluppando algoritmi. Uno degli algoritmi che ho sviluppato era un meccanismo per riparare i danni al DNA. Volevo perseguire il lavoro nel campo della biologia e risolvere i problemi più difficili da affrontare. Sia il corpo umano che i computer che pensano come gli esseri umani sono tra le cose più complesse che ci siano, e è necessario lavorare per capirne uno per comprendere l’altro. I sistemi AI possono non solo scavare nei dati scientifici estensivi pubblicati nel corso dei decenni da tutto il mondo, ma possono anche elaborare le complessità del corpo umano e rapidamente e coerentemente individuare i modelli dei meccanismi biologici. È stato facile vedere la biologia e il machine learning andare di pari passo.

Potrebbe condividere la storia di genesi dietro Standigm?

Il mio lavoro nel settore sanitario e scientifico ha rivelato un grande problema nella scoperta tradizionale di farmaci: il tempo e il denaro necessari per scansionare le ricerche scientifiche e gli screening clinici o gli indizi che forniscono il punto di partenza per la creazione di nuovi farmaci. Gli scienziati umani stavano facendo questa ricerca intensiva. Io e due colleghi Samsung, Sang Ok Song e So Jeong Yun, abbiamo visto un’opportunità per spostare il lavoro dagli esseri umani a una macchina intelligente e progettare un nuovo workflow. Inoltre, non volevo lavorare per uno stipendio; volevo lavorare per me stesso, per portare i metodi di scoperta di farmaci a un nuovo standard paradigmatico, che è la genesi del lavoro e il nome di “Standigm”, l’azienda che i tre di noi abbiamo cofondato. Il nostro modello di machine learning ora raggiunge un’elevata accuratezza delle previsioni e la sua tecnologia AI raggiunge il massimo ROI.

Cosa è il problema di accessibilità sintetica e come Standigm lavora per risolverlo?

I modelli generativi possono progettare nuove strutture molecolari senza l’aiuto di chimici medici ben addestrati, che è una delle ragioni più critiche per l’adozione entusiasta di questa tecnologia da parte delle comunità di scoperta di farmaci. L’ostacolo più alto qui è la differenza di velocità tra la progettazione delle molecole e la loro sintesi sperimentale, dove la progettazione di milioni di composti richiede solo poche ore e la sintesi di solo dieci molecole richiede settimane o mesi. Poiché solo una piccola frazione dei composti progettati sarà sintetizzata da esperti umani, è essenziale avere buone misure delle proprietà molecolari.

I modelli AI di prima generazione erano rozzi e i chimici sintetici hanno rifiutato la maggior parte delle molecole progettate a causa della difficoltà del piano sintetico. Alcune aziende di ricerca e sviluppo (CRO) hanno addirittura rifiutato di preparare una proposta per questa campagna sintetica.

Standigm ha lavorato su questo problema assumendo chimici medici esperti e aggiungendo la loro esperienza ai modelli generativi in modo che possano progettare composti che non possono essere distinati da quelli progettati da esperti umani. Standigm ora ha diversi modelli generativi che possono gestire diverse fasi di scoperta di farmaci: identificazione di hit, hit-to-lead e ottimizzazione di lead. Ciò mostra l’importanza di avere una diversificazione di competenze per qualsiasi azienda di scoperta di farmaci basata su AI, dove l’esperienza e la competenza umana sono utilizzate principalmente per migliorare i modelli AI e per garantire i migliori workflow invece di ogni progetto.

Potrebbe discutere i tipi di algoritmi utilizzati da Standigm per facilitare la scoperta di farmaci?

Di solito iniziamo qualsiasi progetto esplorativo priorizzando obiettivi proteici promettenti e nuovi utilizzando Standigm ASK; la nostra piattaforma biologica consiste in algoritmi distinti per addestrare reti biologiche massive, utilizzare vari tipi di dati omici non distorti, introdurre contesti specifici di sistemi biologici e così via. La selezione dell’obiettivo proteico giusto è una delle questioni più critiche nella scoperta di farmaci. Standigm ASK aiuta gli esperti di malattie fornendo ipotesi multiple di MOA (meccanismo di azione).

Per garantire brevetti con gamma protettiva elevata, Standigm BEST esegue vari compiti, tra cui la suggerimento di composti hit (esplorazione efficace), scaffold hopping (considerando l’accessibilità sintetica e la novità) e vari modelli predittivi per le proprietà farmacologiche (attività, proprietà ADME/Tox e proprietà fisico-chimiche). Molti compiti più piccoli sono legati a questi più grandi, come DTI (interazione farmaco- bersaglio), simulazioni molecolari assistite da AI, previsione di selettività e ottimizzazione multi-parametrica.

Quanto tempo viene risparmiato in media quando si tratta di generazione di composti nuovi rispetto alle procedure di scoperta di farmaci legacy?

I ricercatori di Standigm hanno sintetizzato centinaia di molecole nuove per progetti, molte delle quali sono designate come molecole hit e lead in contesti diversi. Adottando modelli basati su AI e risorse commerciali, Standigm ha ridotto il tempo per il primo round di generazione di composti nuovi da sei mesi a una media di due mesi per la maggior parte dei progetti. Ora, le prime decisioni di andare/no-go possono essere prese in una media di sette mesi invece di tre o quattro anni.

Quali sono alcune delle storie di successo di Standigm per la commercializzazione potenziale di farmaci?

Utilizzando Standigm Insight, che condivide lo stesso sfondo tecnico di Standigm ASK, abbiamo trovato una molecola di farmaco che può essere utilizzata per una malattia pediatrica rara, validata da uno scienziato di uno dei migliori ospedali per bambini negli Stati Uniti. Questo caso mostra che la tecnologia AI può aiutare nella scoperta di farmaci per malattie rare, un compito difficile per un’azienda di qualsiasi dimensione a causa della necessità di un valore commerciale maggiore. Soprattutto in questa recessione, quando le aziende farmaceutiche cercano di essere più conservative, l’AI può promuovere la R&S in malattie rare e trascurate.

Qual è la sua visione per il futuro del deep learning e dell’AI generativa nel settore sanitario?

Il successo della tecnologia AI dipende dalla disponibilità di dati di alta qualità. Ci sarà inevitabilmente una grande competizione intorno alla sicurezza di una grande quantità di dati di alta qualità nel settore sanitario. Da una prospettiva più stretta della scoperta di farmaci precoce, i dati di chimica e biologia sono costosi e richiedono molto tempo per raggiungere lo stato di alta qualità. Pertanto, il laboratorio automatizzato sarà il futuro per il settore di scoperta di farmaci basata su AI, poiché può ridurre il costo dei dati di alta qualità – il carburante per la tecnologia AI. Stiamo spingendo le nostre piattaforme tecnologiche al livello successivo in modo che Standigm ASK possa fornire prove più evidenti, dai dati dei pazienti alla biologia molecolare; e in modo che i modelli AI di Standigm BEST possano essere all’avanguardia alimentati da dati di alta qualità dai laboratori automatizzati interni e dai collaboratori.

C’è qualcos’altro che vorrebbe condividere su Standigm?

La bilancia di competenze differenziate è importante per Standigm, e anche la bilancia di etnie è critica. Abbiamo stato espandendo la nostra presenza nell’ambiente globale fondata gli uffici del Regno Unito (Cambridge) e degli Stati Uniti (Cambridge, MA) per includere la presenza delle reti e la trasformazione di Standigm in un’azienda più internazionale.

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