キム・ジハン、Standigm CEO – インタビュー シリーズ

キム・ジハンは、ワークフロー AI ドラッグ ディスカバリー会社である Standigm の CEO です。

カスタマイズされたターゲット識別からリード生成まで、Standigm ワークフロー AI プラットフォームは、インハウスおよびパートナーシップ プロジェクトから商業的に有価な薬剤を開発するために、各ステップの洞察を生成します。

あなたは 6 年生のときにコーディングを始めました。どのようにして興味を持ったのか、そして最初に何に取り組んだのかについてお話しください。

ああ、はい – 私の Apple II Plus でした。那は、私を本の虫からクリエーターに変えるための触媒でした。私は、好奇心から C プログラミングを始めました。コンピューターの原理と理論的側面に興味を持つようになりました。その後、私は技術分野の生涯学習者になりました。

あなたをマシンラーニングに最初に惹きつけたのは何でしたか?

私は、エディンバラ大学で応用化学と人工知能を学び、ジェフリー・ヒントンのもとで学びました。ヒントンは、ニューロサイエンティストであり、コンピューターサイエンティストであり、基本的にディープラーニングを作成しました。ヒントンは、人工ニューラルネットと自律的、知能のあるマシンの設計に取り組み、後にマシンラーニング アルゴリズムを設計しました。Google は 10 年前に彼を雇用して AI を作成し、残りは歴史です。

生物学とマシンラーニングの交差点に最初に取り組み始めたのはいつでしたか?

私は、Samsung Advanced Institute of Technology で働いていました。そこで私はアルゴリズムを開発していました。私が開発したアルゴリズムの 1 つは、DNA 損傷の修復メカニズムでした。私は生物学の分野で働きたいと思い、最も難しい問題をターゲットにしようと思いました。人間の体と人間のように考えるコンピューターは、ほぼ同じくらい複雑で、1 つを理解するにはもう 1 つを理解する必要があります。AI システムは、世界中から数十年間発行された大量の科学データを掘り下げるだけでなく、人間の体の複雑さを処理し、生物学的メカニズムのパターンを素早くかつ一貫して捉えることができます。生物学とマシンラーニングは、手と手の如くであることは簡単にわかりました。

Standigm の創設ストーリーを共有してください。

私の健康と科学に関する仕事は、私にとって従来の薬剤発見における大きな問題を明らかにしました。科学研究論文のスキャニングとスクリーニング試験、または潜在的な新薬の作成の出発点となる手がかりの提供に、時間とお金がかかることです。人間の科学者がこの集中した研究を行っていました。私は、Samsung の 2 人の同僚、ソン・オク・ソンとソ・ジョン・ユンとともに、人間から知能のあるマシンへの作業の移行と新しいワークフローを設計する機会を見出しました。また、私は給与で働きたいと思っていませんでした。私は、薬剤発見方法を新しい標準パラダイムに持ち込みたいと思っていました。これが Standigm の創設の由来であり、私と 2 人の同僚が共同で設立した会社の名前です。私たちのマシンラーニング モデルは現在、高い予測精度を達成し、AI テクノロジーは最大の ROI を達成しています。

合成のアクセシビリティの問題とは何ですか? Standigm はこの問題を解決するためにどのように取り組んでいますか?

生成モデルは、熟練した医薬品化学者の助けなしに新しい分子構造を設計できます。これは、ドラッグ ディスカバリー コミュニティーがこのテクノロジーを熱心に採用する理由の 1 つです。ここでの最大の障害は、分子の設計と実験的合成の速度差です。数百万の化合物の設計には数時間しかかかりませんが、10 個の分子の合成には数週間または数ヶ月かかります。設計された化合物のほんの小さな部分しか人間の専門家によって合成されないため、分子特性の良い尺度を持つことは不可欠です。

最初の世代の AI モデルは粗く、合成化学者は設計された分子の多くを合成計画の難しさのため拒否しました。いくつかの CRO 社は、合成キャンペーンの提案を準備することを拒否しました。

Standigm は、経験豊富な医薬品化学者を雇用し、彼らの専門知識を生成モデルに追加することで、この問題に取り組んでいます。Standigm には、ヒット識別、ヒットからリード、リード最適化などのさまざまなドラッグ ディスカバリー ステージを管理できる複数の生成モデルがあります。これは、AI ドラッグ ディスカバリー会社では、人間の経験と専門知識が主に AI モデルを改善し、最良のワークフローを確保するために使用されることの重要性を示しています。

Standigm がドラッグ ディスカバリーを促進するために使用するアルゴリズムの種類について説明してください。

私たちは、通常、Standigm ASK を使用して有望で新しいターゲット蛋白質を優先します。私たちのバイオロジー プラットフォームは、巨大な生物学的ネットワークをトレーニングし、さまざまな種類のバイアスがないオミクス データを利用し、生物学的システムの特定のコンテキストを導入するなど、異なるアルゴリズムで構成されています。正しいターゲット蛋白質を選択することは、ドラッグ ディスカバリーで最も重要な問題の 1 つです。Standigm ASK は、MOA (作用機序) の複数の仮説を提供することで、疾患の専門家を支援します。

特許を保護するために、Standigm BEST は、ヒット化合物の提案 (有効な探索)、スキャフォールド ホッピング (合成のアクセシビリティと新規性の考慮) 、および薬物特性 (活性、ADME/Tox 特性、物理化学的特性) のさまざまな予測モデルなどのタスクを実行します。これらの大きなタスクに関連する多くの小さなタスクがあります。たとえば、DTI (薬物-ターゲット相互作用)、AI支援分子シミュレーション、選択性予測、多パラメータ最適化などです。

新しい化合物の生成における平均時間の節約はどれくらいですか? 伝統的な薬剤発見手順と比較して?

Standigm の研究者は、さまざまなプロジェクトで数百の新しい分子を合成しました。多くは、さまざまなコンテキストでヒット分子とリード分子として指定されています。AI ベースのモデルと商業リソースを採用することで、Standigm は、最初のラウンドの新しい化合物の生成時間を、6 か月から平均 2 か月に短縮しました。現在、最初の Go/No-Go の決定は、平均 7 か月で行うことができます。従来は 3 ～ 4 年かかっていました。

Standigm の潜在的な薬剤商業化の成功事例については?

Standigm Insight を使用して、Standigm ASK と同じ技術的背景を共有し、アメリカのトップの子供の病院の 1 つの科学者によって検証された、希少な小児疾患に使用できる薬剤分子を見つけました。このケースは、AI テクノロジーが希少疾患の薬剤発見を支援できることを示しています。これは、商業的価値の必要性により、どのようなサイズの会社でも困難なタスクです。特に、この不況の際に、製薬会社がより保守的になることを試みているときに、AI は希少で無視された疾患の R&D を促進できます。

ヘルスケアにおけるディープラーニングとジェネレーティブ AI の将来についてのあなたのビジョンは何ですか?

AI テクノロジーの成功は、高品質のデータの入手可能性に依存します。ヘルスケア部門では、高品質のデータを大量に確保するための激しい競争が必然的に発生します。薬剤発見の初期段階、化学、生物学の観点からすると、データは高価で、高品質のステータスを達成するには長い時間がかかります。したがって、自動化されたラボは、AI ドラッグ ディスカバリー分野の将来であり、AI テクノロジーの燃料となる高品質のデータのコストを削減できます。私たちは、Standigm ASK がより明確な証拠を提供できるように、テクノロジー プラットフォームを次のレベルに押し進めています。患者由来のデータから分子生物学まで、および Standigm BEST AI モデルが、インハウスの自動化ラボとコラボレータからの高品質のデータで最先端になるようにします。

Standigm についてさらに共有したいことはありますか?

Standigm では、異なる専門知識のバランスが重要です。人種のバランスも重要です。私たちは、イギリス (ケンブリッジ) とアメリカ (ケンブリッジ、MA) の事務所を設立することで、グローバル環境への存在感を拡大し、Standigm をより国際的な会社に変えました。

素晴らしいインタビュー、Standigm についてさらに学びたい読者は、Standigm を訪問してください。