Жинхан Ким, Standigm - Цуврал ярилцлага

Жинхан Ким бол гүйцэтгэх захирал юм Байдал, ажлын урсгалын хиймэл оюун ухаантай эм илрүүлэх компани.

Зорилтот зорилтыг тохируулахаас эхлээд хар тугалга үүсгэх хүртэл Standigm ажлын урсгалын хиймэл оюун ухааны платформ нь дотоод болон түншлэлийн төслүүдээс арилжааны үнэ цэнэтэй эмүүдийг боловсруулах алхам бүрийн талаархи ойлголтыг бий болгодог..

Та 6-р ангид байхдаа код бичиж эхэлсэн, хэрхэн сонирхож эхэлсэн, юун дээр ажиллаж байснаа хуваалцана уу?

Тийм ээ, миний Apple II Plus дээр. Энэ нь намайг номын хорхойтноос зохиолч болгоход түлхэц болсон юм. Би сониуч зангаасаа болоод Си программчлалаас эхлээд программчилж эхэлсэн. Би компьютерийнхээ зарчим, онолын талыг сонирхож эхэлсэн. Тэндээс би технологийн салбарт насан туршдаа суралцсан хүн болсон.

Таныг машин сурахад юу татсан бэ?

Би Эдинбургийн Их Сургуульд Жеффри Хинтоны удирдлаган дор хэрэглээний хими, хиймэл оюун ухааны чиглэлээр эрдмийн зэрэг хамгаалсан. Тэр бол гүнзгий мэдлэгийг бий болгосон мэдрэл судлаач, компьютер судлаач юм. Хинтон хиймэл мэдрэлийн сүлжээн дээр ажиллаж, бие даасан, ухаалаг машин, дараа нь машин сургалтын алгоритмуудыг зохион бүтээсэн. Google түүнийг арван жилийн өмнө хиймэл оюун ухаанаа бүтээхийн тулд хөлсөлсөн бөгөөд үлдсэн нь түүх юм.

Та анх хэзээ биологи ба машин сургалтын уулзварт оролцож эхэлсэн бэ?

Би өмнө нь Самсунг технологийн дэвшилтэт дээд сургуульд ажиллаж, алгоритм боловсруулж байсан. Миний боловсруулсан алгоритмуудын нэг бол ДНХ-ийн гэмтлийг засах механизм байсан. Би биологийн чиглэлээр ажиллахыг хүсч, хамгийн хэцүү асуудлыг шийдэхийг хүссэн. Хүний бие махбодь, хүн шиг сэтгэдэг компьютерууд аль аль нь юм шиг нарийн төвөгтэй байдаг тул та нэгийг нь ойлгохын тулд нөгөөг нь ойлгохын тулд ажиллах хэрэгтэй. AI систем нь дэлхийн өнцөг булан бүрээс олон арван жилийн турш хэвлэгдсэн шинжлэх ухааны өргөн хүрээний мэдээллийг ухаж төнхөөд зогсохгүй хүний ​​​​биеийн нарийн төвөгтэй байдлыг боловсруулж, биологийн механизмын зүй тогтлыг хурдан бөгөөд уялдаатай барьж чаддаг. Биологи, машин сургалт хоёр зэрэгцэн явж байгааг харахад амархан байсан.

Та Standigm-ийн үүслийн түүхийг хуваалцаж болох уу?

Миний эрүүл мэнд, шинжлэх ухааны чиглэлээр хийсэн ажил нь уламжлалт эмийн нээлтэд ямар нэг том асуудал байдгийг илчилсэн: шинжлэх ухааны судалгааны баримт бичгүүдийг сканнердах, скрининг туршилт хийхэд зарцуулсан цаг хугацаа, мөнгө эсвэл шинэ эм бэлдмэлийн үсрэх цэгийг өгдөг. бүтээл. Хүний эрдэмтэд энэ эрчимтэй судалгааг хийж байсан. Би болон Самсунгийн хамтран зүтгэгч Санг Ок Сонг, Со Жон Юн нар уг ажлыг хүнээс ухаалаг машин руу шилжүүлж, шинэ ажлын урсгалыг зохион бүтээх боломжийг олж харсан. Мөн би цалинтай ажиллахыг хүсээгүй; Би өөрийнхөө төлөө ажиллаж, эм илрүүлэх аргуудыг шинэ стандарт парадигмд хүргэхийг хүссэн бөгөөд энэ нь ажлын гарал үүсэл, бид гурвын хамтран үүсгэн байгуулсан "Стандигм" компанийн нэр юм. Манай машин сургалтын загвар нь одоо урьдчилан таамаглах өндөр нарийвчлалд хүрч, AI технологи нь хамгийн их ROI-д хүрдэг.

Синтетик хүртээмжийн асуудал гэж юу вэ, Standigm үүнийг шийдвэрлэхийн тулд хэрхэн ажилладаг вэ?

Генератив загварууд нь сайн бэлтгэгдсэн эмийн химичүүдийн тусламжгүйгээр шинэ молекулын бүтцийг зохион бүтээх боломжтой бөгөөд энэ нь эмийн нээлтийн нийгэмлэгүүд энэхүү технологийг урам зоригтой нэвтрүүлэх хамгийн чухал шалтгаануудын нэг юм. Энд байгаа хамгийн том саад бол молекулуудын загвар ба тэдгээрийн туршилтын синтезийн хурдны зөрүү бөгөөд сая сая нэгдлүүдийг зохион бүтээхэд хэдхэн цаг зарцуулдаг бол аравхан молекулын нийлэгжилтэд долоо хоног, сар зарцуулдаг. Зохион бүтээгдсэн нэгдлүүдийн өчүүхэн хэсгийг хүний ​​​​мэргэжилтнүүд нийлэгжүүлдэг тул молекулын шинж чанарыг сайн хэмжих нь чухал юм.

Эхний үеийн хиймэл оюун ухааны загварууд нь бүдүүлэг байсан бөгөөд синтетик химичүүд синтетик төлөвлөгөөний хүндрэлээс болж ихэнх загварчилсан молекулуудаас татгалзсан. Зарим CRO компаниуд энэхүү синтетик кампанит ажилд санал бэлтгэхээс ч татгалзсан.

Standigm нь энэ асуудал дээр ажиллаж байгаа бөгөөд туршлагатай эмийн химичүүдийг хөлсөлж, тэдний мэдлэгийг генератив загварт нэмж оруулснаар тэд хүний ​​​​мэргэжилтнүүдийн бүтээсэн нэгдлүүдээс ялгах боломжгүй нэгдлүүдийг зохион бүтээх боломжтой болсон. Standigm нь одоо эмийн нээлтийн янз бүрийн үе шатуудыг удирдаж чадах хэд хэдэн өөр өөр үүсгэгч загвартай болсон: цохилтыг тодорхойлох, тэргүүлэх, тэргүүлэх оновчлол. Энэ нь хиймэл оюун ухааны загваруудыг боловсронгуй болгох, төсөл бүрийн оронд хамгийн сайн ажлын урсгалыг хангахад хүний ​​туршлага, мэдлэгийг голчлон ашигладаг хиймэл хиймэл оюун ухааныг олж илрүүлдэг аливаа компанид олон талын мэдлэгтэй байх нь чухал болохыг харуулж байна.

Эмийн нээлтийг хөнгөвчлөхийн тулд Standigm-ийн ашигладаг алгоритмуудын төрлийг та ярилцаж чадах уу?

Бид ихэвчлэн Standigm ASK ашиглан ирээдүйтэй, шинэ зорилтот уурагуудыг эрэмбэлэн хайгуулын төслүүдийг эхлүүлдэг; Манай биологийн платформ нь асар том биологийн сүлжээг сургах, янз бүрийн төрлийн шударга бус омик өгөгдлийг ашиглах, биологийн системийн тодорхой нөхцөл байдлыг нэвтрүүлэх гэх мэт өөр өөр алгоритмуудаас бүрддэг. Зорилтот уургийг зөв сонгох нь эмийн нээлтийн хамгийн чухал асуудлын нэг юм. Standigm ASK нь MOA-ийн (үйл ажиллагааны механизм) олон таамаглал дэвшүүлснээр өвчний мэргэжилтнүүдэд тусалдаг.

Өндөр хамгаалалтын хүрээ бүхий патентыг баталгаажуулахын тулд Standigm BEST нь нөлөөлсөн нэгдлүүдийг санал болгох (үр дүнтэй хайгуул), шатаар үсрэх (синтетик хүртээмж, шинэлэг байдлыг харгалзан үзэх) болон эмийн чадавхийг урьдчилан таамаглах янз бүрийн загвар (үйл ажиллагаа, ADME/Tox шинж чанар, физик-химийн шинж чанарууд) зэрэг янз бүрийн ажлыг гүйцэтгэдэг. . DTI (эмийн зорилтот харилцан үйлчлэл), хиймэл оюун ухааны тусламжтайгаар молекулын загварчлал, сонгомол байдлын таамаглал, олон параметрийн оновчлол зэрэг олон жижиг ажлууд нь эдгээр том ажлуудтай холбоотой байдаг.

Уламжлалт эм илрүүлэх журамтай харьцуулахад шинэ нэгдэл үүсгэхэд дунджаар хэр их цаг хэмнэгддэг вэ?

Standigm судлаачид төслүүдэд зориулж олон зуун шинэ молекулуудыг нэгтгэсэн бөгөөд тэдгээрийн олонх нь өөр өөр контекстэд хит ба хар тугалга молекул гэж нэрлэгддэг. Стандигм нь хиймэл оюун ухаанд суурилсан загварууд болон арилжааны эх үүсвэрүүдийг ашигласнаар шинэ нийлмэл бүтээгдэхүүн үйлдвэрлэх эхний ээлжийн хугацааг ихэнх төслүүдийн хувьд зургаан сараас дунджаар хоёр сар болгон бууруулсан. Одоо эхний ээлжинд явах, болохгүй гэсэн шийдвэрийг гурваас дөрвөн жилийн оронд дунджаар долоон сарын дотор гаргах боломжтой.

Мансууруулах бодисыг арилжаалах боломжтой Standigm-ийн амжилтын зарим түүх юу вэ?

Standigm ASK-тай ижил техникийн суурьтай Standigm Insight-ийг ашиглан бид АНУ-ын шилдэг хүүхдийн эмнэлгүүдийн нэг эрдэмтний баталсан хүүхдийн ховор өвчинд хэрэглэж болох эмийн молекулыг олсон. Энэ тохиолдол хиймэл оюун ухаан технологи нь ховор төрлийн эмийг илрүүлэхэд туслах нь арилжааны үнэ цэнийг нэмэгдүүлэх шаардлагатай байдаг тул ямар ч хэмжээтэй компанид хэцүү ажил юм. Ялангуяа энэ хямралын үед эмийн компаниуд илүү консерватив байхыг хичээж байгаа үед хиймэл оюун ухаан нь ховор, үл тоомсорлож буй өвчний судалгаа, боловсруулалтыг дэмжиж чадна.

Эрүүл мэндийн салбарт гүн гүнзгий суралцах, хиймэл хиймэл оюун ухааны ирээдүйн талаар та ямар төсөөлөлтэй байна вэ?

AI технологийн амжилт нь өндөр чанартай өгөгдөл байгаа эсэхээс хамаарна. Эрүүл мэндийн салбарт их хэмжээний өндөр чанартай өгөгдлийг баталгаажуулах томоохон өрсөлдөөн зайлшгүй гарах болно. Мансууруулах бодисын анхан шатны нээлтийн нарийн өнцгөөс харвал хими, биологийн мэдээлэл өндөр үнэтэй бөгөөд өндөр чанарын статусыг баталгаажуулахад урт хугацаа шаардагддаг. Тиймээс автоматжуулсан лаборатори нь хиймэл оюун ухааны технологийн түлш болох өндөр чанартай өгөгдлийн зардлыг бууруулж чадах тул хиймэл оюун ухааны эмийг илрүүлэх салбарын ирээдүй байх болно. Standigm ASK нь өвчтөний өгөгдлөөс авахуулаад молекул биологи хүртэл илэрхий нотлох баримтуудыг гаргаж өгөхийн тулд бид технологийн платформуудаа дараагийн түвшинд хүргэж байна; Иймээс Standigm BEST AI загварууд нь дотоод автоматжуулсан лаборатори болон хамтран ажиллагсдаас өндөр чанартай өгөгдлийг тэжээх замаар хамгийн сүүлийн үеийн технологи болох боломжтой.

Standigm-ийн талаар хуваалцах өөр зүйл байна уу?

Стандигмын хувьд ялгавартай мэргэшлийн тэнцвэр чухал байдаг тул угсаатны тэнцвэрт байдал бас чухал юм. Бид Их Британи (Кэмбриж) болон АНУ-д (Кэмбриж, MA) оффисуудыг үүсгэн байгуулж, сүлжээг бий болгох, Standigm-ийг илүү олон улсын компани болгон хувиргах замаар дэлхийн орчинд өөрийн оролцоог өргөжүүлж байна.

Сайхан ярилцлага өгсөнд баярлалаа, илүү ихийг мэдэхийг хүссэн уншигчид маань зочлоорой Байдал.