チャールズ・フィッシャー、Ph.D.、UnlearnのCEO兼創設者 – インタビュー・シリーズ

チャールズ・フィッシャー、Ph.D.は、UnlearnのCEO兼創設者です。Unlearnは、AIを利用して臨床開発における最大のボトルネックである、長い試験期間、高いコスト、不確実な結果に対処するプラットフォームです。彼らの独自のAIモデルは、患者レベルの大量のデータを分析して患者さんの健康結果を予測します。デジタルツインを臨床試験に統合することで、Unlearnは臨床研究を加速し、命を救う新しい治療法を必要としている患者さんに届けることができます。

チャールズは、物理学、機械学習、計算生物学の交差点における科学者です。以前、チャールズはLeap Motionで機械学習エンジニアとして、Pfizerで計算生物学者として働きました。彼は、フランスのパリにあるエコール・ノルマル・シュペリウールで理論物理学のPhilippe Meyerフェローであり、ボストン大学で生物物理学のポスドク研究員でした。チャールズは、ハーバード大学で生物物理学のPh.D.を、ミシガン大学で生物物理学のB.S.を取得しています。

あなたは現在、生物学の基礎として数学と計算が必要であるという基本的な信念において少数派です。どうやって最初にこの結論に達しましたか?

それは、数学と計算方法が生物学教育において十分に強調されていないからでしょうが、私の立場から見ると、人々は私の意見と同意するようになってきています。ディープニューラルネットワークは、複雑なシステムに対する新しいツールを提供し、自動化は、生物学的データセットを大量に生成するのに役立ちます。生物学が次の10年以内に計算科学になるのは避けられないと思います。

この信念は、Unlearnを立ち上げることになったのですか?

過去、生物学における計算方法は、医学への応用から遠い問題や、玩具のような問題を解決するために見なされていましたが、それは実際の価値を示すことを難しくしていました。私たちの目標は、医学における問題を解決するための新しいAI方法を発明することですが、臨床試験のような、実際の価値を示すことができる分野を見つけることも焦点にしています。

UnlearnがAIを利用して医学における試行錯誤を排除するという使命について説明してください。

エンジニアリングでは、コンピューターモデルを使用してデバイスを設計してテストすることが一般的です。私たちも同じようなことを医学で実現したいと思います。治療の効果を患者さんに与える前にシミュレートすることができますか? その分野は現在まだ遠いと思いますが、私たちの目標は、そのような技術を発明することです。

Unlearnが臨床試験でデジタルツインを使用することで、研究プロセスがどのように加速され、結果が改善されるのかについて説明してください。

Unlearnは、臨床試験参加者のデジタルツインを生成するAIモデルであるデジタルツインジェネレーター（DTG）を発明しています。各参加者のデジタルツインは、参加者がプラセボを受けた場合の結果を予測します。私たちのDTGが完全に正確であれば、原則として、臨床試験はプラセボグループなしで実施できます。しかし、実際にはすべてのモデルは間違いを犯すため、私たちは従来の試験よりも小さいプラセボグループを使用するランダム化試験を設計することを目指しています。これにより、研究への参加が容易になり、試験期間が短縮されます。

Unlearnの規制に適合した予後共変量調整（PROCOVA™）方法について詳しく説明してください。

PROCOVA™は、私たちが開発した最初の方法で、参加者のデジタルツインを臨床試験で使用できるようにし、モデルの予測におけるミスの影響を軽減することができます。基本的に、PROCOVAは、参加者の一部がプラセボグループにランダムに割り当てられるという事実を利用して、共変量調整という統計方法を使用してデジタルツインの予測を修正します。これにより、小さいコントロールグループを使用した研究や、統計学的パワーが高い研究を設計することができますが、治療の有効性の厳格な評価を提供することができます。私たちは、このソリューションのラインを拡大し、さらに強力な研究を提供するために、継続的に研究開発を進めています。

Unlearnは、AIソリューションの開発において、イノベーションと規制遵守のバランスをどのように取っていますか?

臨床試験を対象としたソリューションは、通常、使用状況に基づいて規制されるため、さまざまなリスクプロファイルを持つ複数のソリューションを開発し、さまざまなユースケースを対象とすることができます。たとえば、PROCOVAは非常に低リスクであるため、連続的な結果を持つ第2相および第3相臨床試験の主要分析として使用するための、欧州医薬品庁（EMA）からの資格意見を取得することを追求しました。しかし、PROCOVAは、試験参加者に対して私たちが作成するデジタルツインによって提供されるすべての情報を利用しません。規制ガイダンスに合わせて、パフォーマンスの一部を残します。もちろん、Unlearnは境界を押し広げて、より革新的なソリューションを立ち上げるために存在します。早期段階の研究または事後分析を対象とするソリューションは、ベイズ分析などの他の方法を使用して、PROCOVAよりもはるかに効率的なソリューションを提供できます。

Unlearnが医学でAIを利用する上で直面した最も重大な課題とブレークスルーについて説明してください。

私たちや医学におけるAIを適用する他の誰にとっても最大の課題は文化的なものです。現在、医学研究者の大多数はAIに非常に詳しくなく、基本的な技術について誤解をしています。したがって、ほとんどの人は、AIが近い将来に役立つことを非常に懐疑的に考えています。私は、それが必然的に将来の数年以内に変わるだろうと思いますが、生物学と医学は、コンピューターテクノロジーの採用において、他のほとんどの分野に比べて遅れています。私たちは技術的なブレークスルーを何度も経験しましたが、採用を得るための最も重要なことは、規制機関や顧客からの実証ポイントであると思います。

生物学における数学と計算の使用についてのあなたの包括的なビジョンは何ですか?

私の意見では、将来の実験の結果について正確な量的予測を行うことを目的とするものだけが「科学」と呼ばれることができます。現在、約90%の薬剤がヒト臨床試験に失敗します。通常それは、薬剤が実際には効果がないためです。したがって、生物学と医学のほとんどの分野について、正確な量的予測を行うことができません。私は、それが変わるまでに、生物学と医学の核となる部分が変わるまで、数学と計算方法が生物学と医学の核となる推論ツールになるまで、変わらないと思います。私たちのUnlearnでの仕事は、重要な実践的な問題を解決するために「AIファースト」のアプローチの価値を強調し、将来の研究者がその文化を取り入れ、より広範な問題に適用できることを希望します。

素晴らしいインタビュー、詳細を知りたい読者は、Unlearnを訪問してください。