셜록 바이오사이언스 의 리드 데이터 과학자 Leland Hyman – 인터뷰 시리즈

Лeland Hyman은 셜록 바이오사이언스 의 리드 데이터 과학자입니다. 그는 컴퓨터 과학자이자 연구자로 기계 학습과 분자 진단 분야에서 경험을 가지고 있습니다.

셜록 바이오사이언스는 매사추세츠 주 케임브리지에 본사를 둔 바이오 테크놀로지 회사로, CRISPR을 사용하여 진단 테스트를 개발하고 있습니다. 그들은 분자 진단 분야에서 더 나은, 더 빠른, 더 저렴한 테스트를 제공함으로써 혁신을 도모하고 있습니다.

컴퓨터 과학에 처음 관심을 가지게 된 것은 언제였나요?

저는 아주 어린 나이에 프로그래밍을 시작했지만, 주로 친구들과 비디오 게임을 만들 때 관심이 있었습니다. 대학과 대학원에서 컴퓨터 과학의 다른 응용 분야에 대한 관심이 더 커졌습니다. 특히 2010년대 초에 기계 학습 분야에서 일어난 혁신적인 연구들이 저에게 큰 영향을 주었습니다. 이 분야는 과학 연구와 우리의 일상 생활에 직접적인 영향을 미칠 수 있는 새로운 전선처럼 보였습니다. 저는 그것에 매료되었습니다.

또한 세포 및 분자 생물학 박사 학위를 취득했습니다. 컴퓨터 과학과 생물학이 교차하는 것을 언제 처음 인식하게 되셨나요?

저는 대학원에서 초기에 컴퓨터 과학과 생물학의 교차점에서 작업을 시작했습니다. 제 연구실은 단백질 공학 문제를 해결하기 위해 생화학자, 컴퓨터 과학자, 그리고 그 사이의 모든 사람들 간의 협력을 통해 연구를 진행했습니다. 저는 기계 학습이 생물학적 시스템에 대한 귀중한 통찰력을 제공하고 실험을 더 쉽게 만들 수 있다는 것을 빠르게 인식했습니다. 반대로, 생물학적 직관이 기계 학습 모델을 구성할 때 매우 중요하다는 것을 알게 되었습니다. 제 관점에서, 문제를 정확하게 정의하는 것이 기계 학습의 핵심입니다. 이것이为什么 다중 분야 간의 협력이 큰 영향을 미칠 수 있다고 믿는 이유입니다.

2022년부터 셜록 바이오사이언스에서 일하고 계신데,您的 역할에 대해 자세히 알려주실 수 있나요?

저는 현재 셜록 바이오사이언스의 컴퓨팅 팀을 이끌고 있습니다. 우리 팀은 진단 어세이를 구성하는 요소를 설계하고, 실험실에서 이러한 설계를 테스트하는 실험자들과 협력하며, 설계를 개선하기 위한 새로운 컴퓨팅 기능을 개발하는 책임을 맡고 있습니다. 이러한 활동을 조정하는 것 외에도, 저는 코드베이스의 기계 학습 부분에서 작업하며, 새로운 모델 아키텍처와 우리의 어세이에서涉及되는 DNA와 RNA 물리학을 시뮬레이션하는 새로운 방법을 실험합니다.

기계 학습은 셜록 바이오사이언스의 핵심입니다. 어세이 개발 중에 수집되는 데이터 유형과 데이터의 양에 대해 설명해 주시고, 기계 학습이 이러한 데이터를 어떻게 파싱하는지 알려주십시오.

어세이 개발 중에, 우리는 각 새로운 병원체에 대해 수십에서 수백 개의 후보 어세이를 테스트합니다. 이러한 후보 중 대부분은 상업적 테스트에 포함되지 않지만, 우리는 이러한 실험에서 오류를 통해 배우는 기회로 간주합니다. 이러한 실험에서, 우리는 두 가지 주요 항목을 측정합니다: 민감도와 속도. 우리의 모델은 각 어세이의 DNA와 RNA 시퀀스를 입력으로 받아서 어세이의 민감도와 속도를 예측하도록 학습합니다.

기계 학습은 어떻게 분자 진단 구성 요소가 가장 빠르고 정확하게 수행될지를 예측합니까?

인간이 어떻게 학습하는지 생각해 보면, 두 가지 주요 전략이 있습니다. 한쪽에서는 어떤 작업을 통해 순수한 시도와 오류를 통해 학습할 수 있습니다. 그들은 작업을 반복하고, 많은 실패를 거치면, 결국 작업의 규칙을 스스로 깨닫게 됩니다. 이 전략은 인터넷 이전에 khá 인기 있었던 방식입니다. 그러나 우리는 이 사람에게 작업의 규칙을 가르치는 교사를 제공할 수 있습니다. 교사가 있는 학생은 교사가 작업을 완전히 이해하는 경우에만 더 빠르게 학습할 수 있습니다.

우리의 기계 학습 모델 훈련 접근법은 이러한 두 전략 사이에 있습니다. 우리는 완벽한 “교사”를 갖고 있지 않지만, 우리의 기계 학습 모델에 어세이의 DNA와 RNA 물리학에 대한 일부 지식을 제공할 수 있습니다. 이것은 모델이 더 적은 데이터로 더 나은 예측을 할 수 있도록 도와줍니다. 이를 위해, 우리는 어세이의 DNA와 RNA 시퀀스에 대해 여러 생물 물리학 시뮬레이션을 실행합니다. 그런 다음 시뮬레이션 결과를 모델에 입력하고 어세이의 속도와 민감도를 예측하도록 요청합니다. 우리는 실험실에서 수행한 모든 실험에 대해 이 과정을 반복하고, 모델은 예측과 실제 결과 간의 차이를 보여줍니다. 충분한 반복을 통해, 모델은 어세이의 속도와 민감도에 대한 DNA와 RNA 물리학의 관계를 학습합니다.

셜록 바이오사이언스에서 AI 알고리즘이 사용되는 다른 방법은 무엇인가요?

우리는 다양한 문제를 해결하기 위해 기계 학습 알고리즘을 사용했습니다. 몇 가지 예를 들면, 시장 조사와 이미지 분석이 있습니다. 시장 조사를 위해, 우리는 고객의 유형과 질병 테스트에 대한 미충족需求이 있는 사람들의 수를 학습하는 모델을 훈련할 수 있었습니다. 우리는 또한 수평 흐름 스트립(일반적으로 COVID-19 테스트에서 사용되는 유형의 테스트)의 사진을 분석하고 자동으로 양성 밴드가 있는지 예측하는 모델을 구축했습니다. 이것은 인간에게는 간단한 작업이지만, 수천 개의 사진을 수동으로 주석을 달는 것보다 훨씬 편리한 대안이라고 말할 수 있습니다.

CRISPR과 같은 최신 바이오 사이언스 기술과 함께 작동하는 기계 학습 모델을 구축하는 데 뒤따르는 도전은 무엇인가요?

데이터의 가용성은 기계 학습 모델을 바이오 사이언스 기술에 적용하는 데 가장 큰 도전입니다. CRISPR과 DNA 또는 RNA 기반 기술은 핵산에 대한 구조 데이터셋이 단백질에 비해 상당히 작기 때문에 고유한 도전을 직면합니다. 이것이 최근 몇 년 동안 단백질 기계 학습 분야에서巨大한 발전(AlphaFold2 등)이 있었지만, DNA와 RNA 기계 학습 분야는 여전히 뒤처져 있는 이유입니다.

AI가 CRISPR과 바이오 사이언스와 통합되는 미래에 대한 비전은 무엇인가요?

현재 단백질 공학과 약물 발견 분야에서 AI 붐을 보이고 있으며, 이는 제약 산업의 발전에 가속도를 더할 것으로 예상합니다. 저는 CRISPR과 다른 DNA 및 RNA 기반 기술에서도 같은 일이 일어날 것을 희망합니다. 이것은 진단, 인간 의학, 그리고 합성 생물학에서 엄청난 영향을 미칠 수 있습니다. 이미 셜록 바이오사이언스에서 진단과 CRISPR 기술 개발에 컴퓨팅 도구의 이점을 보았으며, 이러한 종류의 작업이 분야를 앞으로 밀어붙이는 “눈球 효과”를鼓舞할 것으로 기대합니다.

멋진 인터뷰 감사합니다. 더 많은 정보를 원하는 독자는 셜록 바이오사이언스 웹사이트를 방문할 수 있습니다.