Charles Fisher, Ph.D., Unlearn의 CEO & 설립자 – 인터뷰 시리즈

Charles Fisher, Ph.D.는 Unlearn의 CEO이자 설립자로, 임상 개발의 가장 큰 병목 현상을 해결하기 위해 인공지능을 활용하는 플랫폼입니다. 그들은 긴 임상 시험 기간, 높은 비용, 불확실한 결과를 해결하기 위해 노력하고 있습니다. Unlearn의 새로운 인공지능 모델은 환자 수준의 데이터를 분석하여 환자의 건강 결과를 예측합니다. 디지털 트윈을 임상 시험에 통합함으로써 Unlearn은 임상 연구를 가속화하고 환자에게 새로운 치료법을 제공하는 데 도움을 줄 수 있습니다.

Charles는 물리학, 기계 학습, 계산 생물학의 교차점에 관심을 가진 과학자입니다. 이전에 Charles는 Leap Motion에서 기계 학습 엔지니어로 일했으며, Pfizer에서 계산 생물학자로 일했습니다. 그는 파리 에코르 노르말 수페리외르에서 이론 물리학의 Philippe Meyer 펠로우였으며, 보스턴 대학교에서 생물 물리학의 포스ドكتور 과학자였습니다. Charles는 하버드 대학교에서 생물 물리학 박사 학위를 취득했으며, 미시간 대학교에서 생물 물리학 학사 학위를 취득했습니다.

현재 생물학의 기초가 수학과 계산해야 한다는您的 근본적인 믿음에 대해 소수자입니다. 이러한 결론에 어떻게 도달하게 되셨나요?

그것은 아마도 최근 몇 년 동안 생물학 교육에서 수학과 계산 방법이 충분히 강조되지 않았기 때문일 것입니다. 그러나 저의 관점에서 보면, 사람들은 저와 동의하기 시작하고 있습니다. 딥 뉴럴 네트워크는 복잡한 시스템을 위한 새로운 도구를 제공했으며, 자동화는 대규모 생물학 데이터셋을 생성하는 데 도움을 주고 있습니다. 저는 생물학이 다음 10년 동안 계산 과학으로 전환될 것이라고 생각합니다.

이러한 믿음은 어떻게 Unlearn을 설립하게 되셨나요?

과거에 생물학에서 많은 계산 방법은 실제 응용 분야와远离된 문제를 해결하는 것으로 보였기 때문에, 실제 가치를 입증하기가 어려웠습니다. 저희의 목표는 의학에서 문제를 해결하기 위한 새로운 인공지능 방법을 발명하는 것입니다. 그러나 저희는 또한 임상 시험과 같은 실제 가치를 입증할 수 있는 분야를 찾고 있습니다.

의학에서 시도와 오류를 제거하기 위한 Unlearn의 임무를 설명해 주시겠습니까?

공학에서 컴퓨터 모델을 사용하여 장치를 설계하고 테스트하는 것은 일반적인 일입니다. 저희는 의학에서도 비슷한 것을 가능하게 하기를 원합니다. 치료를 환자에게 투여하기 전에 컴퓨터 모델을 사용하여 그 효과를 시뮬레이션할 수 있을까요? 저는 현재 그 분야가 아직 멀리 있다고 생각하지만, 저희의 목표는 이를 가능하게 하는 기술을 발명하는 것입니다.

Unlearn의 디지털 트윈을 임상 시험에 사용하여 연구 과정을 가속화하고 결과를 개선하는 방법을 설명해 주시겠습니까?

Unlearn은 임상 시험 참가자의 디지털 트윈을 생성하는 인공지능 모델인 디지털 트윈 생성기(DTG)를 발명했습니다. 각 참가자의 디지털 트윈은 임상 시험에서 플라시보를 받았을 때의 결과를 예측합니다. 저희의 DTG가 완벽하게 정확하다면, 임상 시험은 플라시보 그룹 없이 진행할 수 있을 것입니다. 그러나 실제로 모든 모델은 오류를 범하므로, 저희는 랜덤화된 시험을 설계하여 전통적인 시험보다 더 작은 플라시보 그룹을 사용하도록 노력하고 있습니다. 이는 연구에 참여하기 더 쉬워지며, 시험 기간을 단축할 수 있습니다.

Unlearn의 규제 적합한 예측 공변량 조정(PROCOVA) 방법론에 대해 자세히 설명해 주시겠습니까?

PROCOVA는 저희가 개발한 첫 번째 방법으로, 임상 시험에서 디지털 트윈을 사용하여 시험 결과가 모델의 예측 오류에 대해 강건한 것을 보장합니다. 본질적으로, PROCOVA는 일부 참가자가 임의로 플라시보 그룹에 할당되는 사실을 사용하여 통계적 방법인 공변량 조정을 통해 디지털 트윈의 예측을 수정합니다. 이는 저희가 정상보다 더 작은 대조 그룹을 사용하거나 더 높은 통계적 파워를 가진 연구를 설계할 수 있도록 하며, 동시에 연구가 치료의 효능에 대한 엄격한 평가를 제공하는 것을 보장합니다. 저희는 이러한 솔루션 라인을 확장하고 더 강력한 연구를 제공하기 위해 지속적으로 연구 개발을 진행하고 있습니다.

Unlearn은 인공지능 솔루션의 개발에서 혁신과 규제 준수를 어떻게 균형을 유지합니까?

임상 시험을 위한 솔루션은 일반적으로 사용 상황에 따라 규제되므로, 저희는 다양한 위험 프로파일을 가진 여러 솔루션을 개발하여 다른 사용 사례에 적용할 수 있습니다. 예를 들어, 저희는 PROCOVA를 개발했으며, 이는 매우 낮은 위험이기 때문에, 저희는 2상 및 3상 임상 시험에서 연속적인 결과에 대한 주요 분석으로 사용하기 위한 유럽 의약품 기구(EMA)로부터의 자격 오피니언을 추구했습니다. 그러나 PROCOVA는 시험 참가자를 위해 생성된 디지털 트윈에서 제공하는 모든 정보를 활용하지는 않습니다. 규제 지침에 따라 일부 성능을 포기합니다. 물론, Unlearn은 경계를 확장하여 더 혁신적인 솔루션을 출시하기 위해 존재합니다. 초기 연구 또는 사후 분석과 같은 응용 분야를 대상으로 하는 더 혁신적인 방법(예: 베이즈 분석)을 사용하여 PROCOVA보다 훨씬 더 효율적인 솔루션을 제공할 수 있습니다.

의학에서 인공지능을 활용하는 데 있어 Unlearn의 가장 큰 도전과 돌파구는 무엇입니까?

저희와 의학에서 인공지능을 적용하는 다른 사람들에게 가장 큰 도전은 문화적인 것입니다. 현재 의학 분야의 대부분의 연구자들은 인공지능에 대해 매우 익숙하지 않으며, 그들의 기본 기술에 대해 잘못된 정보를 가지고 있습니다. 따라서 대부분의 사람들은 인공지능이 근미래에 유용할 것이라는 것을 매우 회의적으로 생각합니다. 저는 이것이 결국 몇 년 안에 변경될 것이라고 생각합니다. 그러나 생물학과 의학은 일반적으로 컴퓨터 기술의 채택에서 다른 분야보다 뒤처져 있습니다. 저희는 많은 기술적인 돌파구를 이루었지만, 규제 기관이나 고객으로부터의 증명은 채택을 얻는 데 가장 중요한 것입니다.

생물학에서 수학과 계산을 사용하는 데 대한您的 종합적인 비전은 무엇입니까?

저의 의견으로, 어떤 것을 “과학”이라고 부를 수 있는 유일한 방법은 그것의 목표가 미래 실험의 결과에 대한 정확한, 양적 예측을 하는 것입니다. 현재 약 90%의 약물이 인간 임상 시험에 실패합니다. 일반적으로 그것이 실제로 작동하지 않기 때문입니다. 따라서 저희는 현재 생물학과 의학의 대부분의 분야에서 정확한, 양적 예측을 하는 데 매우 멀리 있습니다. 저는 이것이 변경되지 않는다 생각합니다. 생물학의 핵심이 변경되지 않는 한, 즉 수학과 계산 방법이 생물학의 핵심적인 추론 도구가 되지 않는 한. 저희가 Unlearn에서 하는 일은 의학 연구에서 중요한 실제 문제를 해결하기 위한 인공지능 기반 접근법의 가치를 강조하고, 미래의 연구자들이 이 문화를 더广い 문제에 적용할 수 있기를 바랍니다.

伟大的 인터뷰에 감사드립니다. 더 많은 것을 배우고 싶은 독자는 Unlearn을 방문하십시오.