צ'ארלס פישר, Ph.D., מנכ"ל ומייסד Unlearn - סדרת ראיונות

צ'ארלס פישר, Ph.D., הוא המנכ"ל והמייסד של ללא שם: Unlearn, פלטפורמה הרותמת בינה מלאכותית להתמודדות עם כמה מצווארי הבקבוק הגדולים ביותר בפיתוח קליני: לוחות זמנים ארוכים של ניסויים, עלויות גבוהות ותוצאות לא ודאות. המודלים החדשים של AI מנתחים כמויות אדירות של נתונים ברמת המטופל כדי לחזות את התוצאות הבריאותיות של המטופלים. על ידי שילוב תאומים דיגיטליים בניסויים קליניים, Unlearn מסוגלת להאיץ את המחקר הקליני ולסייע בהבאת טיפולים חדשים מצילי חיים לחולים נזקקים.

צ'ארלס הוא מדען עם תחומי עניין בצומת של פיזיקה, למידת מכונה וביולוגיה חישובית. בעבר, צ'ארלס עבד כמהנדס למידת מכונה ב-Leap Motion וביולוג חישובי בפייזר. הוא היה עמית פיליפ מאייר בפיזיקה תיאורטית ב-École Normale Supérieure בפריז, צרפת, ומדען פוסט-דוקטורט בביופיזיקה באוניברסיטת בוסטון. צ'ארלס הוא בעל תואר Ph.D. בביופיזיקה מאוניברסיטת הרווארד ותואר ראשון בביופיזיקה מאוניברסיטת מישיגן.

אתה כרגע במיעוט באמונה הבסיסית שלך שמתמטיקה וחישוב צריכים להיות הבסיס של הביולוגיה. איך הגעת למסקנות האלה במקור?

זה כנראה רק בגלל שמתמטיקה ושיטות חישוביות לא הודגשו מספיק בחינוך הביולוגי בשנים האחרונות, אבל מהמקום שבו אני יושב, אנשים מתחילים לשנות את דעתם ולהסכים איתי. רשתות עצביות עמוקות נתנו לנו סט כלים חדש למערכות מורכבות, ואוטומציה עוזרת ליצור את מערכי הנתונים הביולוגיים בקנה מידה גדול הנדרש. אני חושב שזה בלתי נמנע שהביולוגיה תעבור להיות יותר מדע חישובי בעשור הבא.

כיצד האמונה הזו עברה אז להשקת Unlearn?

בעבר, הרבה שיטות חישוביות בביולוגיה נתפסו כפותרות בעיות צעצוע או בעיות רחוקות מיישומים ברפואה, מה שהקשה על הוכחת ערך אמיתי. המטרה שלנו היא להמציא שיטות חדשות בבינה מלאכותית כדי לפתור בעיות ברפואה, אבל אנחנו מתמקדים גם במציאת תחומים, כמו בניסויים קליניים, שבהם אנחנו יכולים להוכיח ערך אמיתי.

האם אתה יכול להסביר את המשימה של Unlearn לחסל ניסוי וטעייה ברפואה באמצעות AI?

מקובל בהנדסה לתכנן ולבדוק מכשיר באמצעות מודל ממוחשב לפני בניית הדבר האמיתי. אנחנו רוצים לאפשר משהו דומה ברפואה. האם נוכל לדמות את ההשפעה שתהיה לטיפול על מטופל לפני שאנו נותנים לו אותו? למרות שאני חושב שהתחום די רחוק מזה היום, המטרה שלנו היא להמציא את הטכנולוגיה שתאפשר זאת.

כיצד השימוש של Unlearn בתאומים דיגיטליים בניסויים קליניים מאיץ את תהליך המחקר ומשפר את התוצאות?

Unlearn ממציא מודלים של AI הנקראים מחוללי תאומים דיגיטליים (DTGs) המייצרים תאומים דיגיטליים של משתתפי ניסויים קליניים. התאום הדיגיטלי של כל משתתף חוזה מה תהיה התוצאה שלו אם יקבלו את הפלצבו בניסוי קליני. אם DTGs שלנו היו מדויקים לחלוטין, אז, באופן עקרוני, ניסויים קליניים יכולים להתבצע ללא קבוצות פלצבו. אבל בפועל, כל המודלים עושים טעויות, ולכן אנו שואפים לעצב ניסויים אקראיים המשתמשים בקבוצות פלצבו קטנות יותר מניסויים מסורתיים. זה מקל על ההרשמה למחקר, ומאיץ את לוחות הזמנים של הניסיון.

האם תוכל לפרט במדויק מהי מתודולוגיית התאמת הפרוגנוסטית המשתנית (PROCOVA™) המוסמכת לרגולציה של Unlearn?

PROCOVA™ היא השיטה הראשונה שפיתחנו המאפשרת להשתמש בתאומים הדיגיטליים של המשתתפים בניסויים קליניים, כך שתוצאות הניסוי מתאימות לטעויות שהמודל עשוי לעשות בתחזיותיו. בעיקרו של דבר, PROCOVA משתמשת בעובדה שחלק מהמשתתפים במחקר מוקצים באופן אקראי לקבוצת הפלצבו כדי לתקן את התחזיות של התאומים הדיגיטליים באמצעות שיטה סטטיסטית הנקראת התאמת משתנים משתנים. זה מאפשר לנו לתכנן מחקרים המשתמשים בקבוצות ביקורת קטנות מהרגיל או שיש להם כוח סטטיסטי גבוה יותר תוך הבטחה שמחקרים אלה עדיין מספקים הערכות קפדניות של יעילות הטיפול. אנחנו גם ממשיכים במחקר ופיתוח כדי להרחיב את קו הפתרונות הזה ולספק מחקרים חזקים עוד יותר בעתיד.

כיצד Unlearn מאזנת בין חדשנות לעמידה ברגולציה בפיתוח פתרונות הבינה המלאכותית שלה?

פתרונות המכוונים לניסויים קליניים מוסדרים בדרך כלל על סמך הקשר השימוש שלהם, מה שאומר שאנו יכולים לפתח מספר פתרונות עם פרופילי סיכון שונים המכוונים למקרי שימוש שונים. לדוגמה, פיתחנו את PROCOVA מכיוון שהיא בעלת סיכון נמוך במיוחד, מה שאפשר לנו לקבל חוות דעת מטעם סוכנות התרופות האירופית (EMA) לשימוש כניתוח ראשוני בשלב 2 ו-3 בניסויים קליניים עם תוצאות מתמשכות. אבל PROCOVA לא ממנפת את כל המידע שמספק התאומים הדיגיטליים שאנו יוצרים עבור משתתפי הניסוי - היא משאירה ביצועים מסוימים על השולחן כדי להתיישר עם ההנחיות הרגולטוריות. כמובן, Unlearn קיים כדי לדחוף את הגבולות כדי שנוכל להשיק פתרונות חדשניים יותר המכוונים ליישומים בשלבים מוקדמים יותר או ניתוחים פוסט-הוקיים שבהם נוכל להשתמש בסוגים אחרים של שיטות (למשל, ניתוחים בייסיאניים) המספקים הרבה יותר יעילות ממה שאנחנו יכולים. עם PROCOVA.

מה היו כמה מהאתגרים ופריצות הדרך המשמעותיות ביותר עבור Unlearn בשימוש בינה מלאכותית ברפואה?

האתגר הגדול ביותר עבורנו וכל מי שעוסק ביישום AI לבעיות ברפואה הוא תרבותי. נכון לעכשיו, הרוב המכריע של החוקרים ברפואה ספציפית לא מכירים את הבינה המלאכותית, ולרוב יש להם מידע מוטעה לגבי האופן שבו הטכנולוגיות הבסיסיות פועלות בפועל. כתוצאה מכך, רוב האנשים מאוד סקפטיים לכך ש-AI יהיה שימושי בטווח הקרוב. אני חושב שזה ישתנה בהכרח בשנים הקרובות, אבל ביולוגיה ורפואה בדרך כלל מפגרים מאחורי רוב התחומים האחרים בכל הנוגע לאימוץ טכנולוגיות מחשב חדשות. היו לנו פריצות דרך טכנולוגיות רבות, אבל הדברים החשובים ביותר להשגת אימוץ הם כנראה נקודות הוכחה מרגולטורים או לקוחות.

מה החזון הכולל שלך לשימוש במתמטיקה וחישוב בביולוגיה?

 לדעתי, אנחנו יכולים לקרוא למשהו "מדע" רק אם המטרה שלו היא ליצור תחזיות מדויקות וכמותיות לגבי תוצאות ניסויים עתידיים. נכון לעכשיו, בערך 90% מהתרופות שנכנסות לניסויים קליניים בבני אדם נכשלות, בדרך כלל בגלל שהן לא באמת עובדות. אז, אנחנו ממש רחוקים מלבצע תחזיות מדויקות וכמותיות כרגע בכל הנוגע לרוב תחומי הביולוגיה והרפואה. אני לא חושב ששינויים עד הליבה של הדיסציפלינות האלה משתנות - עד שמתמטיקה ושיטות חישוב יהפכו לכלי החשיבה המרכזיים של הביולוגיה. התקווה שלי היא שהעבודה שאנו עושים ב-Unlearn מדגישה את הערך של נקיטת גישת "AI-first" לפתרון בעיה מעשית חשובה במחקר רפואי, וחוקרים עתידיים יכולים לקחת את התרבות הזו וליישם אותה על מערכת רחבה יותר של בעיות .

תודה על הראיון הנהדר, קוראים שרוצים ללמוד עוד צריכים לבקר ללא שם: Unlearn.