ການສໍາພາດ

Niven Narain, CEO ແລະປະທານບໍລິສັດ BERG Health - ສໍາພາດຊຸດ

ຈັດພີມມາ

4 ປີກ່ອນຫນ້ານີ້

ສິງຫາ 13, 2020

Niven Narain, ເປັນ CEO ແລະປະທານຂອງ BERG ສຸຂະພາບ,ຂັ້ນຕອນທາງດ້ານຄລີນິກ, ບໍລິສັດເທັກໂນໂລຍີຊີວະພາບທີ່ຂັບເຄື່ອນດ້ວຍ AI ກ້າວໄປສູ່ 'Back to Biology^™’ວິທີການດູແລສຸຂະພາບ. ໂດຍການໃຊ້ເວທີການສືບລັບທີ່ເປັນເຈົ້າຂອງ - ຊີວະວິທະຍາ Interrogative^®, ເປົ້າຫມາຍແມ່ນເພື່ອແຜນທີ່ພະຍາດແລະການປະຕິວັດການປິ່ນປົວຄົນເຈັບໃນທົ່ວໂລກ.

ທ່ານແມ່ນຫນຶ່ງໃນຜູ້ຮ່ວມກໍ່ຕັ້ງຂອງ BERG Health. ແມ່ນຫຍັງເປັນແຮງບັນດານໃຈໃນການເປີດຕົວ startup ທີ່ປະສົມປະສານ AI ກັບ biotech?

ຄວາມຈິງແລ້ວ, ແຮງບັນດານໃຈ ແລະວິໄສທັດຂອງຂ້ອຍແມ່ນມາຈາກຄວາມອຸກອັ່ງຂອງຂະບວນການພັດທະນາຢາທີ່ມີວິທີການ, ຄາດຄະເນໄດ້, ແລະຍາວນານ, ຄ່າໃຊ້ຈ່າຍທີ່ໃຊ້ເວລາ 12-14 ປີ ແລະຫຼາຍກວ່າ 2.6 ຕື້ໂດລາ ເພື່ອກ້າວໄປສູ່ການຕະຫຼາດ. ນອກຈາກນັ້ນ, Berg ມີຄວາມກະຕືລືລົ້ນທີ່ຈະເອົາຄວາມລໍາອຽງອອກຈາກຂະບວນການແລະຕ້ອງການກໍານົດເສັ້ນທາງທີ່ຈະມີຄວາມອົດທົນເປັນສູນກາງ. ວິທີການຂອງພວກເຮົາຜະສົມຂໍ້ມູນຂອງຄົນເຈັບເອງ, ເຊິ່ງໄດ້ຖືກກວດສອບຢ່າງເລິກເຊິ່ງສໍາລັບຊັ້ນຊີວະສາດຢ່າງເຕັມທີ່, ດ້ວຍລະບົບ AI Bayesian ທີ່ມີ back-end ເພື່ອ funnel ຂໍ້ມູນຄົນເຈັບທັງຫມົດ, ແລະໃນທາງກັບກັນ, ຂັບລົດສົມມຸດຕິຖານ.

ແມ່ນຫຍັງຄືພະຍາດ ຫຼືມະເຮັງທີ່ແຕກຕ່າງກັນທີ່ຖືກເປົ້າໝາຍ?

ປະຈຸບັນພວກເຮົາ ກຳ ລັງຕັ້ງເປົ້າ ໝາຍ ພະຍາດຕ່າງໆໃນທົ່ວພະຍາດ oncology, neurology ແລະພະຍາດທີ່ຫາຍາກລວມທັງ:

ພູມຄຸ້ມກັນ / ພະຍາດອັກເສບ (LUPUS)
ພະຍາດ cardiovascular & Metabolic (ພະຍາດເບົາຫວານ, NASH/NAFLD)
ພະຍາດທາງປະສາດ (ພະຍາດ Parkinson, ພະຍາດ Alzheimer & Autism Spectrum Disorders)
ພະຍາດທີ່ຫາຍາກ (Epidermolysis Bullosa)
ມະເຮັງຫຼາຍຊະນິດ (Glioblastoma, Pancreatic, ເຕົ້ານົມ, ຕ່ອມລູກໝາກ, ແລະມະເຮັງທີ່ຮຸກຮານສູງອື່ນໆ)

BERG Health ໃຊ້ເວທີທີ່ເປັນເຈົ້າຂອງຂອງຕົນ ຊີວະວິທະຍາແບບສອບຖາມ® ແຜນທີ່ອອກພະຍາດແລະທາງເລືອກການປິ່ນປົວ. ເຈົ້າສາມາດອະທິບາຍລະອຽດໄດ້ບໍວ່າ Interrogative Biology® ແມ່ນຫຍັງ?

ແພລະຕະຟອມປະກອບມີຂະບວນການທີ່ຕົວແບບສະເພາະຂອງພະຍາດຖືກສ້າງຂື້ນມາຈາກ biospecimens ທີ່ມາຈາກມະນຸດ (ເຮັດໃຫ້ມັນກ່ຽວຂ້ອງກັບພະຍາດຂອງມະນຸດແທນທີ່ຈະເປັນຕົວແບບສັດຕົວແທນ). ຮູບແບບຂອງພະຍາດແມ່ນຂຶ້ນກັບໂປຣໄຟລ໌ໂມເລກຸນທີ່ສົມບູນແບບ (ການ defragmentation multi-omic – genomics, transcriptomics, proteomics, lipidomics, metabolomics) ເພື່ອສ້າງຈຸດຂໍ້ມູນໂມເລກຸນຫຼາຍພັນຕື້. ຂໍ້ມູນນີ້ຖືກລວມເຂົ້າກັບຂໍ້ມູນຂອງຄົນເຈັບສ່ວນບຸກຄົນ (ຂໍ້ມູນທາງດ້ານຄລີນິກ ແລະຂໍ້ມູນໂລກທີ່ແທ້ຈິງ) ໂດຍໃຊ້ວິທີ BERG's Bayesian Artificial Intelligence (AI) algorithm(s) ເພື່ອສ້າງແຜນທີ່ໂມເລກຸນຂອງພະຍາດທີ່ສົມທຽບກັບການຄວບຄຸມທີ່ບໍ່ແມ່ນພະຍາດເພື່ອລະບຸພະຍາດທີ່ຕິດພັນກັບຊີວະວິທະຍາໃໝ່. ຫຼັງຈາກນັ້ນ, ຜົນຜະລິດແມ່ນຂຶ້ນກັບເຕັກນິກການກວດສອບຫ້ອງທົດລອງປຽກທີ່ເຂັ້ມງວດສໍາລັບຕົວແບບທີ່ເປັນປະໂຫຍດທີ່ກ່ຽວຂ້ອງກັບພະຍາດແລະ CRISPR.

ທ່ານສາມາດອະທິບາຍວິທີການ BERG Health crowdsources ນະວັດຕະກໍາ?

BERG ຮ່ວມມືກັບສະຖາບັນການສຶກສາ ແລະຄລີນິກ/ການແພດ ເພື່ອສ້າງລະບົບຊີວະປະຫວັດຫຍໍ້ທີ່ມີຄຸນະພາບສູງ, ທາງດ້ານຄລີນິກທີ່ບັນທຶກໄວ້ສຳລັບໂຄງການສະເພາະຂອງພະຍາດ. BERG ໄດ້ສ້າງທີມງານຜູ້ຊ່ຽວຊານພາຍໃນບ້ານທີ່ມີຄວາມຊ່ຽວຊານໃນບາງຄວາມສາມາດຂອງ multi-omic. ທີມງານຍັງຮ່ວມມືກັບກຸ່ມທີ່ມີຄວາມຊໍານານສະເພາະສໍາລັບໂປຣໄຟລ໌ຂໍ້ມູນເພີ່ມເຕີມ, ເຊັ່ນ: ໂປຣໄຟລ໌ genomic ແລະ transcriptomic ທີ່ສ້າງຂຶ້ນກັບຜູ້ຮ່ວມມື. ພວກເຮົາຮ່ວມມືກັບສະຖາບັນການແພດ/ການແພດຊັ້ນນໍາ ແລະອົງການຂອງລັດ/ລັດຖະບານກາງ, ລວມທັງກະຊວງປ້ອງກັນປະເທດສະຫະລັດ ແລະຫ້ອງທົດລອງແຫ່ງຊາດ Oak Ridge National Lab (ORNL), ແລະອື່ນໆ. ພວກເຮົາໄດ້ເຫັນໂດຍກົງເຖິງຄວາມສໍາຄັນຂອງການຮ່ວມມືແລະບົດບາດຂອງມັນໃນການສ້າງຂໍ້ມູນທີ່ມີຄວາມຊື່ສັດສູງທີ່ສະຫນັບສະຫນູນໂດຍປະຫວັດສາດທາງການແພດຂອງຄົນເຈັບແລະຂໍ້ມູນທີ່ແທ້ຈິງຂອງໂລກ, ເປັນບາດກ້າວທີ່ສໍາຄັນສໍາລັບການເຊື່ອມໂຍງກັບແບບຈໍາລອງທາງຊີວະພາບ. ການຮ່ວມມືທາງວິຊາການແມ່ນມີຄວາມສຳຄັນຕໍ່ການກວດສອບການຜະລິດໃນຫ້ອງທົດລອງປຽກ ເພື່ອສ້າງນິຍາຍ, ພື້ນຖານທາງວິທະຍາສາດຂອງຄວາມເຂົ້າໃຈໂມເລກຸນສະເພາະທີ່ກຳນົດໂດຍເວທີ. Berg ຍັງມີສ່ວນຮ່ວມໃນຄວາມເຂົ້າໃຈແລະຄໍາຄຶດຄໍາເຫັນຈາກ KOL's ໃນຕອນເລີ່ມຕົ້ນຂອງການສ້າງແບບຈໍາລອງ AI, ແລະນໍາໃຊ້ການຮ່ວມມືເຫຼົ່ານີ້ເພື່ອເຮັດການກວດສອບເອກະລາດຂອງຜົນຜະລິດເວທີ.

ທ່ານສາມາດອະທິບາຍວິທີການ AI ຖືກນໍາໃຊ້ເພື່ອຄົ້ນພົບອົງປະກອບທີ່ເຮັດໃຫ້ເກີດພະຍາດຫຼືມະເຮັງ?

Bayesian AI ຂອງ BERG ໃຊ້ຂໍ້ມູນທີ່ສ້າງຂື້ນພາຍໃນ / curated ສໍາລັບການຄົ້ນພົບ de novo ຂອງການກະຕຸ້ນສະເພາະຂອງພະຍາດ - ກໍານົດເປົ້າຫມາຍການປິ່ນປົວ, biomarkers ສໍາລັບການວິນິດໄສ, staging / stratification, companion diagnostics ສໍາລັບການຕອບສະຫນອງ / ຜົນໄດ້ຮັບແລະແຜນທີ່ໂມເລກຸນຕາມລວງຍາວສໍາລັບການສ້າງ fingerprints ຂອງການຕອບສະຫນອງແລະຜົນກະທົບທາງລົບ. AI ປຽບທຽບແບບຈໍາລອງຂອງພະຍາດທຽບກັບປະຊາກອນທີ່ບໍ່ແມ່ນພະຍາດ ແລະເຄືອຂ່າຍ "delta" infers ຈຸດ trigger ຂອງພະຍາດ.

ມີວິທີໃດແດ່ທີ່ AI ຊ່ວຍເຫຼືອໃນການຄົ້ນຫາ biomarkers ໃນຄົນເຈັບທີ່ບໍ່ຕອບສະຫນອງຕໍ່ການປິ່ນປົວຫຼືຢາວັກຊີນບາງຢ່າງ?

ໂດຍການຈັບພາບການເທື່ອເນື່ອງຈາກອັນເຕັມທີ່ຂອງຊີວະວິທະຍາຂອງຄົນເຈັບໂດຍຜ່ານການວິເຄາະ multi-omic ແລະການຈ້າງງານ Bayesian causal inference ຈາກຕົວຢ່າງຄົນເຈັບຕາມລວງຍາວ, BERG ສາມາດກໍານົດສັນຍານສາເຫດຂອງການຕອບສະຫນອງຕໍ່ການປິ່ນປົວທີ່ຮູ້ຈັກ, repurposing ໂອກາດແລະລາຍເຊັນຂອງຫນ່ວຍງານໂມເລກຸນຜົນກະທົບຕໍ່ titer viral ແລະຄວາມທົນທານຂອງການຕອບສະຫນອງ. ຂອງວັກຊີນ. Multi-omics ດີເກີນກວ່າ genome ແລະຊ່ວຍໃຫ້ທ່ານສາມາດກໍານົດປັດໃຈການແຜ່ກະຈາຍທີ່ສົ່ງຜົນກະທົບຕໍ່ຜົນໄດ້ຮັບດ້ານສຸຂະພາບ.

ປະຈຸບັນມີຢາອັນໃດຢູ່ໃນທໍ່ຂອງເຈົ້າ?

BERG ມີໂຄງການຈໍານວນຫນຶ່ງໃນການພັດທະນາທາງດ້ານຄລີນິກແລະ preclinical ທີ່ມີຊັບສິນຜູ້ໃຫຍ່ທີ່ສຸດໃນ oncology & ພະຍາດ neurological.

ໃນ Oncology, BPM 31510-IV ແມ່ນໂມເລກຸນຂະຫນາດນ້ອຍໃຫມ່ທີ່ແນໃສ່ການເຜົາຜະຫລານຂອງເຊນມະເຮັງທີ່ໄດ້ສໍາເລັດໄລຍະ 1 (ຄວາມປອດໄພ / ຄວາມທົນທານ) ໃນເນື້ອງອກແຂງແລະມະເຮັງສະຫມອງ (GBM). BPM 31510-IV ໄລຍະ 2 (ປະສິດທິພາບ, ມະເຮັງ pancreatic). ນີ້ແມ່ນຢູ່ໃນການພັດທະນາທາງດ້ານຄລີນິກສໍາລັບ GBM (Ph2/3) ແລະ Ph3 Pancreatic Cancer.
BPM 31510-Topical – ສຳເລັດຜົນຂອງ Ph1 ໃນ Epidermolysis Bullosa (Rare Disease/Orphan Designation), ການວາງແຜນການພັດທະນາທາງດ້ານຄລີນິກ Ph2/3.
BPM 31510-Oral – ການສໍາເລັດສົບຜົນສໍາເລັດຂອງປາກເປົ່າ Ph1 ໃນອາສາສະຫມັກສຸຂະພາບຂອງມະນຸດ, ໃນຂັ້ນຕອນການວາງແຜນເບື້ອງຕົ້ນຂອງການພັດທະນາທາງດ້ານຄລີນິກ Ph2 ສໍາລັບ oncology / non-oncology indications.
BPM 31543 ແມ່ນໂມເລກຸນຂະຫນາດນ້ອຍເພື່ອປ້ອງກັນການເກີດ alopecia ທີ່ຖືກກະຕຸ້ນດ້ວຍເຄມີບໍາບັດ. ຄວາມປອດໄພ & ຄວາມທົນທານຕໍ່ກັບສັນຍານເບື້ອງຕົ້ນຂອງປະສິດທິພາບໄດ້ຖືກສ້າງຕັ້ງຂຶ້ນໃນຂັ້ນຕອນທີ 1 ການທົດລອງທາງດ້ານການຊ່ວຍ. ຊັບສິນນີ້ປະຈຸບັນແມ່ນຢູ່ໃນການວາງແຜນການພັດທະນາທາງດ້ານຄລີນິກ Ph2/3.
BPM 42522 - ອັນດັບທີ 1 ໃນໂມເລກຸນຂະຫນາດນ້ອຍໃນຊັ້ນຮຽນທີ່ກໍານົດເປົ້າຫມາຍໃຫມ່ຂອງເວທີ BERG ທີ່ກໍານົດເປົ້າຫມາຍໃນ Ubiquitin Proteosome Pathway in IND ຊ່ວຍໃຫ້ການສຶກສາສໍາລັບການສຶກສາ FIH ໃນ oncology Q1FY2021.
ເປົ້າໝາຍໃໝ່ທີ່ລະບຸໄວ້ສຳລັບພະຍາດ Parkinson ແມ່ນຢູ່ໃນຄວາມພະຍາຍາມຄົ້ນພົບຢາ.

BERG ສຸຂະພາບມີ ບໍ່ດົນມານີ້ໄດ້ຮ່ວມມືກັບຫ້ອງທົດລອງແຫ່ງຊາດ Oak Ridge ຂອງກົມພະລັງງານ. ທ່ານສາມາດໃຫ້ລາຍລະອຽດບາງຢ່າງແກ່ພວກເຮົາກ່ຽວກັບສິ່ງທີ່ເປັນຄູ່ຮ່ວມງານນີ້?

ເວທີຂອງ BERG ມີຄວາມສາມາດໃນການສ້າງບັນຊີລາຍຊື່ຂອງເປົ້າຫມາຍທີ່ມີທ່າແຮງຫຼາຍສໍາລັບການແຊກແຊງພະຍາດ. ຄອມພິວເຕີຊຸບເປີຄອມພິວເຕີ Summit ຢູ່ ORNL ມີຄວາມສາມາດໃນການວິເຄາະໂຄງສ້າງໂມເລກຸນທີ່ສົມບູນຂອງເປົ້າໝາຍເຫຼົ່ານີ້ ແລະລະບຸໂມເລກຸນທີ່ຄ້າຍຄືກັບຢາຂະໜາດນ້ອຍທີ່ສາມາດນຳໃຊ້ເພື່ອກວດສອບເປົ້າໝາຍໄດ້ໄວ, ເຊິ່ງເຮັດໃຫ້ໄລຍະເວລາການພັດທະນາການຄົ້ນພົບ/ການຄົ້ນພົບຢາເສບຕິດສັ້ນລົງສຳລັບການປິ່ນປົວໃໝ່. ພະລັງງານຂອງຄວາມສາມາດໃນການຄິດໄລ່ຂອງ Summit ຫຼຸດຜ່ອນຂະບວນການຄົ້ນພົບຢາຈາກຫຼາຍເດືອນ/ປີມາເປັນສອງສາມຊົ່ວໂມງ/ມື້ເພື່ອສ້າງໂມເລກຸນທີ່ຄ້າຍຄືຢາທີ່ມີຄຸນນະພາບສູງໃນເບື້ອງຕົ້ນ. ການຮ່ວມມືຂອງ BERG-ORNL ສະຫນອງພື້ນຖານຂອງການກໍານົດຢ່າງໄວວາຂອງເປົ້າຫມາຍສະເພາະຂອງພະຍາດໃຫມ່ແລະຂະບວນການຄົ້ນພົບຢາທີ່ກ່ຽວຂ້ອງ. ມັນເຮັດໃຫ້ການຜະລິດທໍ່ສົ່ງຜະລິດຕະພັນສະເພາະພະຍາດຢ່າງບໍ່ຢຸດຢັ້ງເພື່ອການພັດທະນາທາງດ້ານຄລີນິກ. ຜົນກະທົບທີ່ສໍາຄັນຂອງການຮ່ວມມືນີ້ແມ່ນກ່ຽວກັບເວລາ / ຄ່າໃຊ້ຈ່າຍຂອງການຄົ້ນພົບແລະການພັດທະນາຢາໃຫມ່.

COVID-19 ແມ່ນເຫັນໄດ້ຊັດເຈນຢູ່ໃນໃຈຂອງທຸກໆຄົນ, BERG Health ຊ່ວຍເຫຼືອຄວາມພະຍາຍາມນີ້ແນວໃດ?

ແພລະຕະຟອມຊີວະວິທະຍາການສອບຖາມທີ່ເປີດໃຫ້ໃຊ້ AI ຂອງ BERG ໄດ້ຖືກນຳມາໃຊ້ເພື່ອສ້າງຕົວແບບສະເພາະຂອງ COVID-19, ເຮັດໃຫ້ມີການກຳນົດເປົ້າໝາຍທີ່ຮູ້ຈັກ ແລະ ໃໝ່ໆຫຼາຍອັນທີ່ມີທ່າແຮງທີ່ຈະສົ່ງຜົນກະທົບຕໍ່ໄລຍະເວລາຂອງການຕິດເຊື້ອ ແລະ ການໃຊ້ຢາທີ່ອະນຸມັດຄືນໃໝ່ເພື່ອຫຼຸດຜ່ອນ / ຫຼຸດຜ່ອນຜົນທາງຄລີນິກ. . ຜ່ານການຮ່ວມມືຢ່າງຫ້າວຫັນຂອງພວກເຮົາກັບ ORNL, ປະຈຸບັນພວກເຮົາມີສ່ວນຮ່ວມໃນການຄົ້ນພົບ ແລະ ພັດທະນາໂມເລກຸນນ້ອຍໆຕໍ່ກັບເປົ້າໝາຍໃໝ່ສຳລັບການປິ່ນປົວທີ່ເປັນທ່າແຮງຂອງ COVID-19.

ຂອບໃຈສໍາລັບການສໍາພາດ, ຜູ້ອ່ານທີ່ຕ້ອງການຮຽນຮູ້ເພີ່ມເຕີມຄວນໄປຢ້ຽມຢາມ BERG ສຸຂະພາບ.