スタンディムのジンハン・キムCEO – インタビュー・シリーズ

ジンハン・キムは、スタンディムのCEOです。スタンディムは、ワークフローAIを用いた新薬発見会社です。

カスタマイズされたターゲット同定からリード生成まで、スタンディムのワークフローAIプラットフォームは、自社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、そして最初に何を制作しましたか?

はい、アップルIIプラスでした。那が私を本の虫からクリエーターに変えたきっかけでした。私は、Cプログラミングから始めて、コンピューターの原理や理論的な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。

あなたは最初にマシンラーニングに興味を持ったのはいつですか?

私はエディンバラ大学で応用化学と人工知能を学びました。私の指導教員は、ジェフリー・ヒントンでした。彼は、ディープラーニングの創始者です。ヒントンは、人工ニューラルネットワークや自律的・知能的なマシンの開発に取り組みました。後に、マシンラーニングアルゴリズムの開発にも取り組みました。Googleは10年前に彼を雇い、AIの開発に取り組みました。

生物学とマシンラーニングの交差点で初めて関わったのはいつですか?

私は、サムスンの先端技術研究所で働いていました。そこで私はアルゴリズムの開発に取り組みました。私が開発したアルゴリズムの一つは、DNA損傷の修復メカニズムでした。私は、生物学の分野で最も困難な問題を解決したいと思っていました。人間の体と、人間のように考えられるコンピュータは、非常に複雑なものです。AIシステムは、広範な科学データを処理し、生物学的メカニズムのパターンを迅速に捉えることができます。生物学とマシンラーニングは、密接に関係していることがわかりました。

スタンディム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で、伝統的な新薬発見における大きな問題に気づきました。科学研究論文のスキャニングやスクリーニング試験に、多くの時間とお金がかかっていました。人間の科学者がこのような研究を行っていました。私は、サムスの同僚2人、ソン・オク・ソンとユン・スジョンとともに、機会を見出しました。私たちは、人間の仕事を、知能的なマシンに置き換えることができると考えました。新しいワークフローを設計することができました。私は、給与で働きたいではなく、自分で働きたいと思っていました。新しいパラダイムを生み出すことができました。スタンディムという名前の会社を共同創設しました。私たちのマシンラーニングモデルは、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問題について説明してください。スタンディムはどのようにしてこの問題を解決していますか?

生成モデルは、訓練され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、薬剤発見コミュニティがこのテクノロジーを熱心に採用する理由のひとつです。しかし、設計された分子の実験的合成のスピードが、設計のスピードと大きく異なります。数百万の化合物を設計するのに数時間かかる一方で、10個の分子を合成するのに数週間または数ヶ月かかります。人間の専門家が設計された化合物を合成するのは、非常に小さな割合です。したがって、分子の特性を測定するための良い方法が必要です。

最初の世代のAIモデルは、粗末で、合成化学者は設計された分子を拒否しました。合成計画の困難さのためです。CRO会社の中には、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。

スタンディムは、この問題に対処するために、経験豊か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しました。生成モデルは、人間の専門家が設計したものと区別できない化合物を設計できます。スタンディムには、さまざまな薬剤発見ステージを管理できる複数の生成モデルがあります。ヒット同定、ヒット・トゥ・リード、リード最適化などです。これは、AI薬剤発見会社では、人間の経験と専門知識が、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が重要であることを示しています。

スタンディムが薬剤発見を促進するために使用するアルゴリズムについて説明してください。

私たちは、スタンディム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。私たちの生物学プラットフォームには、巨大な生物学ネットワークを訓練するためのアルゴリズムが含まれています。バイアスがないオミクスデータを利用し、生物システムの特定のコンテキストを導入します。ターゲット蛋白質の選択は、薬剤発見において最も重要な問題のひとつです。スタンディムASKは、疾患の専門家に、作用メカニズムの複数の仮説を提供します。

スタンディムBESTは、特許を保護するための範囲を広げるために、さまざまなタスクを実行します。有効な探索、スケルトン・ホッピング、薬剤性予測モデルなどです。DTI、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の小さなタスクもあります。

新しい化合物の生成における伝統的な薬剤発見手順と比較して、平均してどれくらいの時間が節約されるのですか?

スタンディムの研究者は、プロジェクトのために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および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用リソースを採用することで、スタンディムは、最初のラウンドの新しい化合物生成の時間を、6ヶ月から2ヶ月に短縮しました。現在、最初のゴー/ノーゴー決定は、平均7ヶ月で行うことができます。従来の手順では、3〜4年かかっていました。

スタンディムの成功事例について、潜在的な薬剤の商業化について教えてください。

スタンディム・インサイトを使用して、米国の優れた子供病院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な疾患の薬剤発見に役立つことを示しています。これは、どのくらいの会社でも、商業的な価値が必要なため、困難なタスクです。特に、この不況のとき、製薬会社はより保守的になろうとしています。AIは、希少で無視された疾患の研究開発を促進することができます。

ヘルスケアにおけるディープラーニングと生成AIの将来のビジョンについて教えてください。

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入手するための激しい競争が起こるでしょう。早期薬剤発見の狭い視点から見ると、化学と生物学のデータは、高価で、長い時間を要します。したがって、自動化されたラボは、AI薬剤発見分野の将来です。自動化されたラボは、高品質のデータのコストを削減できます。AIテクノロジーの燃料です。私たちは、スタンディムASKを次のレベルに押し進め、患者由来のデータから分子生物学まで、より明確な証拠を提供できるようにしています。スタンディムBESTのAIモデルは、自社の自動化されたラボとコラボレータからの高品質のデータで最先端のものになるようにしています。

スタンディムについてさらに何か共有したいことがありますか?

スタンディムでは、差別化された専門知識のバランスが重要です。民族のバランスも重要です。私たちは、スタンディムをより国際的な会社に変えるために、イギリス（ケンブリッジ）と米国（ケンブリッジ、MA）にオフィスを設立し、ネットワークの存在感を高めてきました。

素晴らしいインタビュー、詳しく知りたい読者はスタンディムを訪問してください。