스탠디그姆의 김진한 대표 – 인터뷰 시리즈

스탠디그姆의 김진한 대표는 스탠디그姆의 워크플로우 AI 약물 발견 회사입니다.

타겟 식별부터 리드 생성까지, 스탠디그姆 워크플로우 AI 플랫폼은 상업적으로 가치 있는 약물을 개발하기 위한 모든 단계에서 통찰력을 생성합니다.

6학년 때 코딩을 시작했다고 합니다. 어떻게 관심을 갖게 되셨고, 초기에 어떤 프로젝트를 작업했는지 이야기해 주시겠습니까?

애플 II 플러스에서 시작했습니다. 그것이 책벌레에서 창조자로 바뀐 계기가 되었습니다. 궁금증으로 인해 C 프로그래밍을 시작했습니다. 컴퓨터의 원리와 이론적인 측면에 관심을 갖게 되었습니다. 그로부터 기술 분야의 평생 학습자가 되었습니다.

머신 러닝에 관심을 갖게 된 초기에는 어떤 일이 있었나요?

에딘버러 대학에서 Geoffrey Hinton 교수님의 지도로 응용 화학과 인공 지능을 전공했습니다. 그는 딥 러닝을 창시한 신경 과학자이자 컴퓨터 과학자입니다. 인공 신경망과 자율적이고 지능적인 기계를 설계했습니다. 그리고 나중에 머신 러닝 알고리즘을 개발했습니다. 구글이 그를 10년 전에 고용하여 AI를 개발했습니다. 그리고 나머지는 역사입니다.

생물학과 머신 러닝의 교차점에 처음으로 관심을 갖게 된 것은 언제였나요?

삼성전자 첨단 기술 연구소에서 알고리즘을 개발하고 있었습니다. 개발한 알고리즘 중 하나는 DNA 손상 수리를 위한 메커니즘입니다. 생물학 분야에서 가장 어려운 문제를 해결하고자 했습니다. 인간의 몸과 인간과 같은 방식으로 생각하는 컴퓨터는 모두 매우 복잡하며, 하나를 이해하기 위해 다른 하나를 작업해야 합니다. AI 시스템은 광범위한 과학 데이터를 처리할 수 있을 뿐만 아니라 인간의 몸의 복잡성을 빠르고 일관되게 처리할 수 있습니다. 생물학과 머신 러닝은 서로補完적인 관계라는 것을 알 수 있었습니다.

스탠디그ム의 창립 배경에 대해 이야기해 주시겠습니까?

건강과 과학 분야에서 작업하는 동안 전통적인 약물 발견에서 시간과 돈을 많이 소요하는 문제를 발견했습니다. 과학 연구 논문과 스크리닝 시도를 분석하는 작업은 인간 과학자들이 수행했습니다. 삼성의 두 동료, 송상옥과 윤소정,와 함께 기회를 발견했습니다. 작업을 인간에서 지능형 기계로 전환하고 새로운 워크플로우를 설계했습니다. 또한 월급을 받는 것이 아니라, 약물 발견 방법을 새로운 표준 패러다임으로 만들고자 했습니다. 이것이 스탠디그ム의 창립 배경입니다. 스탠디그ム의 기계 학습 모델은 높은 예측 정확도를 달성하고, AI 기술은 최대 ROI를 달성합니다.

합성 접근성 문제는 무엇이며, 스탠디그ム은 어떻게 해결하고 있습니까?

생성 모델은 잘 훈련된 의약품 화학자를 도움으로써 새로운 분자 구조를 설계할 수 있습니다. 이것은 약물 발견 커뮤니티에서 이 기술을热情的に 채택하는 이유 중 하나입니다. 가장 큰 장애는 분자 설계와 실험적 합성 사이의 속도 차이입니다. 분자 설계는 몇 시간이면 가능하지만, 10개의 분자의 합성에는 몇 주 또는 몇 개월이 걸릴 수 있습니다. 따라서 설계된 분자 중 극소수만이 인간 전문가에 의해 합성됩니다. 따라서 분자 특성에 대한 良い 척도를 갖는 것이 중요합니다.

초기 AI 모델은粗糙하여, 합성 화학자는 설계된 분자들을 거부했습니다. 일부 CRO 회사들은 حتى 제안서를 준비하지 않습니다.

스탠디그ム은 이 문제를 해결하기 위해 경험豊富한 의약품 화학자를 고용하여, 생성 모델에 그들의 전문 지식을 추가하여, 인간 전문가가 설계한 것과 구별할 수 없는 분자들을 설계할 수 있도록 했습니다. 스탠디그ム은 현재 다양한 약물 발견 단계에서 사용할 수 있는 여러 생성 모델을 갖고 있습니다. 이것은 AI 약물 발견 회사에서 인간의 경험과 전문 지식을 사용하여 AI 모델을 개선하고, 최상의 워크플로우를 보장하는 것이 중요함을 보여줍니다.

스탠디그ム에서 약물 발견을 촉진하기 위한 알고리즘 유형에 대해 이야기해 주시겠습니까?

우리는 일반적으로 Standigm ASK를 사용하여 약물 발견 프로젝트를 시작합니다. 우리의 생물학 플랫폼은 다양한 무편향 오믹스 데이터를 사용하여, 생물학적 시스템의 특정 상황을 도입하고,大量의 생물학적 네트워크를 훈련하는 알고리즘으로 구성되어 있습니다. 올바른 타겟 단백질을 선택하는 것은 약물 발견에서 가장 중요한 문제 중 하나입니다. Standigm ASK는 질병 전문가들에게 작용 메커니즘에 대한 여러 가설을 제공합니다.

Standigm BEST는 특허를 보호하기 위해 다양한 작업을 수행합니다. 이것은 효과적인 탐색, 스카폴드 홉핑, 약물성 및 물리화학적 특성 예측 모델 등을 포함합니다. 이러한 큰 작업과 관련된 작은 작업도 있습니다. 예를 들어, 약물-타겟 상호작용, AI 지원 분자 시뮬레이션, 선택성 예측 및 다중 매개 변수 최적화 등이 있습니다.

신규 분자 생성에 있어 평균적으로 얼마나 시간을 절약할 수 있습니까?

스탠디그ム 연구원들은 수백 개의 신규 분자를 합성했습니다. 대부분의 프로젝트에서 6개월에서 2개월로 단축되었습니다. 이제 첫 번째 고/노고 결정은 평균 7개월 이내에 가능합니다. 이전에는 3~4년이 걸렸습니다.

스탠디그ム의 성공 사례 중 일부를 소개해 주시겠습니까?

스탠디그姆 인사이트를 사용하여, 미국 최고의 어린이 병원之一의 과학자에 의해 검증된, 희귀한 소아 질환에 사용할 수 있는 약물 분자를 발견했습니다. 이것은 AI 기술이 희귀 질환 약물 발견에 도움이 될 수 있음을 보여줍니다. 특히, 이 재정 위기 상황에서, 제약 회사들이 보수적이 되고 있는 상황에서, AI는 희귀하고 방임된 질환에 대한 연구 개발을 촉진할 수 있습니다.

의료 분야에서 딥 러닝과 생성 AI의 미래에 대한 비전을 이야기해 주시겠습니까?

AI 기술의 성공은 높은 품질의 데이터의 가용성에 달려 있습니다. 의료 분야에서 높은 품질의 데이터를 확보하기 위한 경쟁이 있을 것입니다. 초기 약물 발견의 좁은 관점에서, 화학 및 생물학 데이터는 비싸고, 높은 품질의 데이터를 얻기 위해 오랜 시간이 걸립니다. 따라서 자동화된 연구실이 AI 약물 발견 분야의 미래가 될 것입니다. 자동화된 연구실은 높은 품질의 데이터의 비용을 줄일 수 있습니다. 우리는 기술 플랫폼을 다음 단계로 발전시키고 있습니다. 스탠디그ム ASK는 더 명확한 증거를 제공할 수 있을 것입니다. 그리고 스탠디그ム BEST AI 모델은 자동화된 연구실과 협력사에서 얻은 높은 품질의 데이터로 상태-of-the-아트가 될 것입니다.

스탠디그움에 대해 더 이야기해 주시겠습니까?

스탠디그움은 전문 지식의 균형이 중요하다는 것을 알고 있습니다. 또한, 인종의 균형도 중요합니다. 우리는 영국(케임브리지)와 미국(케임브리지, 매사추세츠)에 사무소를 설립하여, 네트워크의 존재와 스탠디그움의 국제적 회사로의 변화를 이루어 왔습니다.

감사합니다. 더 많은 정보를 원하는 독자는 스탠디그움을 방문하십시오.