찰스 피셔, Unlearn의 CEO & 창립자 – 인터뷰 시리즈

찰스 피셔는 Unlearn의 CEO이자 창립자입니다. Unlearn은 임상 개발의 가장 큰 병목 현상을 해결하기 위해 AI를 활용하는 플랫폼입니다. 그들은 임상 개발에서 발생하는 긴 임상 시험 기간, 높은 비용, 불확실한 결과를 해결하기 위해 노력하고 있습니다. Unlearn의 새로운 AI 모델은 환자 수준의 데이터를 분석하여 환자의 건강 결과를 예측합니다. 디지털 쌍둥이를 임상 시험에 통합함으로써 Unlearn은 임상 연구를 가속화하고 환자에게 새로운 치료법을 제공하는 것을 도와줍니다.

찰스는 물리학, 기계 학습, 계산 생물학의 교차점에 관심을 가진 과학자입니다. 이전에 찰스는 Leap Motion에서 기계 학습 엔지니어로 일했고, Pfizer에서 계산 생물학자로 일했습니다. 그는 파리의 École Normale Supérieure에서 이론 물리학의 Philippe Meyer 펠로우였으며, 보스턴 대학교에서 생물 물리학의 포스ドكتور과학자였습니다. 찰스는 하버드 대학교에서 생물 물리학 박사 학위를 받았으며, 미시간 대학교에서 생물 물리학 학사 학위를 받았습니다.

당신은 현재 생물학의 기초가 수학과 계산해야 한다는 근본적인 믿음에서 소수자입니다. 어떻게 이러한 결론에 도달하게 되셨나요?

그것은 아마도 최근 몇 년 동안 생물학 교육에서 수학과 계산 방법이 충분히 강조되지 않았기 때문일 것입니다. 하지만 내 관점에서 볼 때, 사람들은 내 생각과 동의하기 시작하고 있습니다. 깊은 신경망은 우리에게 복잡한 시스템을 위한 새로운 도구를 제공했으며, 자동화는 생물학적 데이터셋을 생성하는 데 도움이 되고 있습니다. 나는 생물학이 다음 10년 안에 계산 과학으로 전환할 것이라고 생각합니다.

이 믿음은 어떻게 Unlearn을 설립하게 되셨나요?

과거에 생물학에서 사용된 많은 계산 방법은 玩具적인 문제나 의학적 적용과는 거리가 먼 문제를 해결하는 것으로 간주되었습니다. 이것은 실제 가치를 입증하는 것이 어려웠습니다. 우리의 목표는 의학에서 문제를 해결하기 위한 새로운 방법을 발명하는 것입니다. 우리는 또한 임상 시험과 같은 실제 가치를 입증할 수 있는 분야를 찾고 있습니다.

Unlearn이 임상 시험에서 오류를 없애는 것을 목표로 하는 AI를 사용하는 방법에 대해 설명해 주세요.

공학에서 컴퓨터 모델을 사용하여 실제 장치를 만들기 전에 설계하고 테스트하는 것이 일반적입니다. 우리는 의학에서도 비슷한 것을 가능하게 하려고 합니다. 우리는 치료법을 환자에게 적용하기 전에 그 효과를 시뮬레이션할 수 있을까요? 비록 현재 이 분야가 아직 멀리 떨어져 있지만, 우리의 목표는 이러한 기술을 발명하는 것입니다.

Unlearn의 디지털 쌍둥이 기술을 임상 시험에 어떻게 적용하나요?

Unlearn은 임상 시험 참가자의 디지털 쌍둥이를 생성하는 AI 모델인 디지털 쌍둥이 생성기(DTG)를 발명했습니다. 각 참가자의 디지털 쌍둥이는 임상 시험에서 플라세보를 받았을 때의 결과를 예측합니다. 만약 우리의 DTG가 완벽하게 정확하다면, 임상 시험은 플라세보 그룹 없이 진행할 수 있을 것입니다. 하지만 실제로 모든 모델은 오류를 발생시킵니다. 따라서 우리는 임상 시험을 설계하여 전통적인 시험보다 더 작은 플라세보 그룹을 사용하도록 합니다. 이것은 시험을 더 빠르게 진행할 수 있게 해줍니다.

Unlearn의 PROCOVA 방법론에 대해 자세히 설명해 주세요.

PROCOVA는 우리가 개발한 첫 번째 방법으로, 임상 시험에서 디지털 쌍둥이를 사용하여 결과를 예측할 수 있습니다. PROCOVA는 임상 시험에서 일부 참가자가 플라세보 그룹에 임의로 할당되는 사실을 사용하여 디지털 쌍둥이의 예측을 수정하는 통계적 방법입니다. 이것은 더 작은 대조군을 사용하거나 더 높은 통계적 강도를 가진 연구를 설계할 수 있게 해줍니다. 우리는 이러한 솔루션을 확장하여 더 강력한 연구를 제공하기 위해 계속 연구 개발을 진행하고 있습니다.

Unlearn은 어떻게 혁신과 규제 준수를 균형 있게 유지하나요?

임상 시험을 위한 솔루션은 일반적으로 사용.context에 따라 규제를 받습니다. 즉, 우리는 다양한 위험 프로파일을 가진 여러 솔루션을 개발할 수 있습니다. 예를 들어, 우리는 PROCOVA를 개발했습니다. 왜냐하면 그것은 매우 낮은 위험이기 때문입니다. 우리는 PROCOVA를 2상과 3상 임상 시험에서 연속적인 결과를 가진 주요 분석으로 사용하기 위한 유럽 의약품 기구(EMA)의 자격意见을 추구했습니다. 하지만 PROCOVA는 우리가 생성한 디지털 쌍둥이의 모든 정보를 활용하지 않습니다. 규제 지침에 따라 일부 성능을 희생합니다. 물론, Unlearn은 경계를 확장하여 더 혁신적인 솔루션을 출시하기 위해 존재합니다. 우리는 초기 연구 또는 사후 분석과 같은 응용 프로그램을 대상으로 하는 더 혁신적인 솔루션을 출시할 수 있습니다.

Unlearn에서 의학에서 AI를 사용하면서 가장 큰 도전과 혁신은 무엇인가요?

의학에서 AI를 적용하는 가장 큰 도전은 문화적입니다. 현재 의학 연구자 대부분은 AI에 대해 매우 熟悉하지 않으며, 그들이 실제로 어떻게 작동하는지에 대해 잘못된 정보를 가지고 있습니다. 따라서 대부분의 사람들은 AI가 근미래에 유용할 것이라는 것에 대해 매우 회의적입니다. 나는 이것이 향후 몇 년 안에 변경될 것이라고 생각합니다. 하지만 생물학과 의학은 일반적으로 새로운 컴퓨터 기술을 채택하는 데 다른 분야보다 뒤처져 있습니다. 우리는 많은 기술적인 혁신을 이루었지만, 규제 기관이나 고객으로부터의 증거는 가장 중요한 것입니다.

생물학에서 수학과 계산을 사용하는 데 대한您的 전반적인 비전은 무엇인가요?

私の意見では, 우리는 어떤 것을 “과학”이라고 부를 수 있는지에 대한 목표는 미래의 실험 결과에 대한 정확한, 양적인 예측을 하는 것입니다. 현재 약 90%의 약물이 임상 시험에 실패합니다. 왜냐하면 그것들이 실제로 작동하지 않기 때문입니다. 따라서 우리는 아직 정확한, 양적인 예측을 하는 데 매우 멀리 떨어져 있습니다. 나는 이것이 생물학과 의학의 핵심이 변경되지 않는 한 변경되지 않을 것입니다. 즉, 수학과 계산 방법이 생물학의 핵심적인 추론 도구가 될 때까지입니다. 나는 Unlearn에서 하는 일이 의학 연구에서 중요한 실제 문제를 해결하기 위한 “AI-최초” 접근 방식의 가치를 강조하고, 미래의 연구자들이 이 문화를 더广泛한 문제에 적용할 수 있기를 바랍니다.

이 인터뷰에 감사드립니다. 더 많은 정보를 원하는 독자는 Unlearn을 방문하십시오.