Standigm ၏ CEO Jinhan Kim - တွေ့ဆုံမေးမြန်းခန်းများ

Jinhan Kim သည် CEO ဖြစ်သည်။ Standigmအလုပ်အသွားအလာ AI ဆေးဝါးရှာဖွေရေးကုမ္ပဏီ။

စိတ်ကြိုက်ပစ်မှတ်သတ်မှတ်ခြင်းမှ ဦးဆောင်မျိုးဆက်အထိ၊ Standigm အလုပ်အသွားအလာ AI ပလပ်ဖောင်းသည် အိမ်တွင်းနှင့် မိတ်ဖက်ပရောဂျက်များမှ စီးပွားဖြစ်တန်ဖိုးရှိသော ဆေးဝါးများကို တီထွင်ရန်အတွက် အဆင့်တိုင်းအတွက် ထိုးထွင်းဥာဏ်များကို ထုတ်ပေးပါသည်။့

မင်း 6 တန်းတုန်းက ကုဒ်ရေးနည်းကို စလုပ်ခဲ့တယ်၊ မင်းစိတ်ဝင်စားပုံနဲ့ အစပိုင်းလုပ်ခဲ့တာတွေကို မျှဝေပေးနိုင်မလား။

ဟုတ်ကဲ့ - ကျွန်ုပ်၏ Apple II Plus တွင်။ အဲဒါက ကျွန်တော့်ကို စာအုပ်ပိုးကောင်ကနေ ဖန်တီးသူအဖြစ် ပြောင်းလဲစေမယ့် တွန်းအားတစ်ခုပါပဲ။ C programming နဲ့ စပြီး ပရိုဂရမ်ကို စူးစမ်းချင်စိတ်နဲ့ စတင်ခဲ့တယ်။ ကျွန်ုပ်၏ကွန်ပြူတာ၏ အခြေခံသဘောတရားများနှင့် သီအိုရီပိုင်းများကို စိတ်ဝင်စားလာခဲ့သည်။ အဲဒီကနေပြီးတော့ နည်းပညာနယ်ပယ်မှာ တစ်သက်လုံး သင်ယူသူဖြစ်လာတယ်။

မည်သည့်အရာက သင့်အား စက်သင်ယူမှုကို အစပိုင်းတွင် ဆွဲဆောင်ခဲ့သနည်း။

Geoffrey Hinton လက်အောက်ရှိ Edinburgh တက္ကသိုလ်တွင် အသုံးချဓာတုဗေဒနှင့် ဉာဏ်ရည်တုဆိုင်ရာ ဘွဲ့များကို ရရှိခဲ့သည်။ သူသည် နက်နဲသောသင်ယူမှုကို အခြေခံအားဖြင့် ဖန်တီးပေးသော အာရုံကြောသိပ္ပံပညာရှင်နှင့် ကွန်ပျူတာသိပ္ပံပညာရှင်ဖြစ်သည်။ Hinton သည် အာရုံကြောအတု ပိုက်ကွန်များပေါ်တွင် အလုပ်လုပ်ခဲ့ပြီး ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရ၊ ဉာဏ်ရည်ထက်မြက်သော စက်များကို ဒီဇိုင်းထုတ်ကာ နောက်ပိုင်းတွင် စက်သင်ယူမှု အယ်လဂိုရီသမ်များ ရေးဆွဲခဲ့သည်။ Google က သူ့ကို သူတို့ရဲ့ AI ဖန်တီးဖို့ လွန်ခဲ့တဲ့ ဆယ်နှစ်က ငှားရမ်းခဲ့ပြီး ကျန်တာတွေကတော့ မှတ်တမ်းပါပဲ။

ဇီဝဗေဒနှင့် စက်သင်ယူခြင်း၏ ဆုံရပ်တွင် သင် မည်သည့်အချိန်က စတင်ပါဝင်လာသနည်း။

ကျွန်ုပ်သည် algorithms များကို တီထွင်နေသည့် Samsung Advanced Institute of Technology တွင် အလုပ်လုပ်ဖူးသည်။ ကျွန်ုပ်တီထွင်ခဲ့သော အယ်လဂိုရီသမ်များထဲမှတစ်ခုမှာ DNA ပျက်စီးမှုကို ပြန်လည်ပြုပြင်သည့် ယန္တရားတစ်ခုဖြစ်သည်။ ဇီဝဗေဒနယ်ပယ်မှာ အလုပ်လိုက်လုပ်ချင်ပြီး ပစ်မှတ်ထားဖို့ အခက်ခဲဆုံးပြဿနာတွေကို ဖြေရှင်းချင်တယ်။ လူ့ခန္ဓာကိုယ်နှင့် ကွန်ပြူတာ နှစ်ခုစလုံးသည် လူသားများကဲ့သို့ ထင်မြင်ယူဆသည့် အရာများကဲ့သို့ ရှုပ်ထွေးပြီး တစ်ခုနှင့်တစ်ခု နားလည်သဘောပေါက်ရန် လုပ်ဆောင်ရန် လိုအပ်ပါသည်။ AI စနစ်များသည် ကမ္ဘာတစ်ဝှမ်းမှ ဆယ်စုနှစ်များအတွင်း ထုတ်ဝေခဲ့သည့် ကျယ်ပြန့်သော သိပ္ပံနည်းကျ အချက်အလက်များကို တူးဖော်ရုံသာမက၊ ၎င်းတို့သည် လူ့ခန္ဓာကိုယ်၏ ရှုပ်ထွေးမှုများကို စီမံဆောင်ရွက်ကာ ဇီဝဗေဒဆိုင်ရာ ယန္တရားများ၏ ပုံစံများကို လျင်မြန်စွာ လိုက်ဖက်စွာ ဖမ်းယူနိုင်မည်ဖြစ်သည်။ ဇီဝဗေဒနှင့် စက်သင်ယူမှုတို့ တွဲလျက်မြင်ရသည်မှာ လွယ်ကူပါသည်။

Standigm ရဲ့ နောက်ကွယ်က ဥပါဒ်ဇာတ်လမ်းကို မျှဝေပေးနိုင်မလား။

ကျန်းမာရေးနှင့် သိပ္ပံပညာတွင် ကျွန်ုပ်၏အလုပ်သည် တိုင်းရင်းဆေးဝါးရှာဖွေတွေ့ရှိမှုတွင် ပြဿနာကြီးတစ်ခုဖြစ်သည်ကို ထင်ရှားစေသည်- သိပ္ပံနည်းကျ သုတေသနစာတမ်းများနှင့် စစ်ဆေးမှုစမ်းသပ်မှုများ ပြုလုပ်ရန် အချိန်နှင့်ငွေများ သို့မဟုတ် အလားအလာရှိသော ဆေးဝါးအသစ်အတွက် ခုန်ထွက်နိုင်သည့်အချက်ကို ပံ့ပိုးပေးသည့် သဲလွန်စများ ဖန်တီးမှု။ လူသားသိပ္ပံပညာရှင်များသည် ဤအလေးအနက် သုတေသနကို လုပ်ဆောင်ခဲ့ကြသည်။ ကျွန်တော်နဲ့ Samsung လုပ်ဖော်ကိုင်ဖက် နှစ်ယောက်ဖြစ်တဲ့ Sang Ok Song နဲ့ So Jeong Yun တို့ဟာ လူသားတွေဆီကနေ ဉာဏ်ရည်ထက်မြက်တဲ့ စက်တစ်ခုအဖြစ် ပြောင်းလဲပြီး အလုပ်အသွားအလာအသစ်ကို ဒီဇိုင်းဆွဲဖို့ အခွင့်အရေးတစ်ခုကို တွေ့ခဲ့ရပါတယ်။ နောက်ပြီး လစာနဲ့ အလုပ်မလုပ်ချင်ဘူး။ မူးယစ်ဆေးဝါးရှာဖွေတွေ့ရှိမှုနည်းလမ်းများကို အလုပ်၏ဥပါဒ်နှင့်ကျွန်ုပ်တို့သုံးဦးပူးတွဲတည်ထောင်ခဲ့သော “Standigm” ကုမ္ပဏီအမည်ဖြစ်သည့် စံပါရာဒိုင်းအသစ်တစ်ခုသို့ ပို့ဆောင်ရန် ကျွန်တော်ကိုယ်တိုင်အလုပ်လုပ်ချင်ပါသည်။ ကျွန်ုပ်တို့၏ စက်သင်ယူမှုပုံစံသည် ယခုအခါ မြင့်မားသော ခန့်မှန်းတိကျမှုကို ရရှိပြီး ၎င်း၏ AI နည်းပညာသည် အမြင့်ဆုံး ROI ရရှိသည်။

ပေါင်းစပ်သုံးစွဲနိုင်မှုပြဿနာကဘာလဲ၊ ဒါကိုဖြေရှင်းဖို့ Standigm ဘယ်လိုအလုပ်လုပ်သလဲ။

မျိုးဆက်သစ်မော်ဒယ်များသည် ကောင်းစွာလေ့ကျင့်ထားသော ဆေးဖက်ဝင်ဓာတုဗေဒပညာရှင်များ၏အကူအညီမပါဘဲ ဆန်းသစ်သောမော်လီကျူးဖွဲ့စည်းပုံများကို ဒီဇိုင်းထုတ်နိုင်သည်၊ ၎င်းသည် မူးယစ်ဆေးဝါးရှာဖွေတွေ့ရှိသည့်အသိုင်းအဝိုင်းများမှ စိတ်အားထက်သန်စွာအသုံးပြုမှုအတွက် အရေးကြီးသောအကြောင်းရင်းများထဲမှတစ်ခုဖြစ်သည်။ ဤနေရာတွင် အမြင့်ဆုံးအတားအဆီးမှာ မော်လီကျူးများ၏ ဒီဇိုင်းနှင့် ၎င်းတို့၏ စမ်းသပ်ပေါင်းစပ်မှုအကြား အမြန်နှုန်း ကွာခြားချက်ဖြစ်ပြီး ဒြပ်ပေါင်းသန်းပေါင်းများစွာ၏ ဒီဇိုင်းသည် နာရီပိုင်းသာကြာပြီး မော်လီကျူးဆယ်ခုသာ ပေါင်းစပ်မှုသည် ရက်သတ္တပတ် သို့မဟုတ် လများကြာသည်။ ဒီဇိုင်းထုတ်ထားသော ဒြပ်ပေါင်းများ၏ အနည်းငယ်မျှသောအပိုင်းကို လူသားပညာရှင်များက ပေါင်းစပ်ထုတ်လုပ်မည်ဖြစ်သောကြောင့် မော်လီကျူးဂုဏ်သတ္တိများ ကောင်းမွန်စွာတိုင်းတာမှုများရှိရန် လိုအပ်ပါသည်။

ပထမမျိုးဆက် AI မော်ဒယ်များသည် အကြမ်းဖျင်းဖြစ်ပြီး ဓာတုဗေဒပညာရှင်များက ဓာတုဗေဒအစီအစဉ်၏အခက်အခဲကြောင့် ဒီဇိုင်းထုတ်ထားသော မော်လီကျူးအများစုကို ငြင်းပယ်ခဲ့ကြသည်။ CRO ကုမ္ပဏီအချို့သည် ဤပေါင်းစပ်လှုံ့ဆော်မှုအတွက် အဆိုပြုချက်ကို ပြင်ဆင်ရန်ပင် ငြင်းဆိုခဲ့သည်။

Standigm သည် အတွေ့အကြုံရှိ ဆေးဖက်ဝင် ဓာတုဗေဒ ပညာရှင်များကို ငှားရမ်းကာ ၎င်းတို့၏ ကျွမ်းကျင်မှုများကို မျိုးဆက်သစ် မော်ဒယ်များ တွင် ပေါင်းထည့်ခြင်းဖြင့် လူသား ပညာရှင်များက တီထွင်ထားသည့် ဒြပ်ပေါင်းများကို ခွဲခြား၍မရသော ဒြပ်ပေါင်းများကို ဒီဇိုင်းထုတ်နိုင်စေရန် လုပ်ဆောင်နေပါသည်။ ယခု Standigm တွင် မတူညီသော ဆေးဝါးရှာဖွေတွေ့ရှိမှု အဆင့်များကို စီမံခန့်ခွဲနိုင်သည့် မတူညီသော မျိုးဆက်သစ် မော်ဒယ်များစွာ ရှိသည်- hit identification၊ hit-to-lead နှင့် lead optimization။ ၎င်းသည် AI မော်ဒယ်များကို မြှင့်တင်ရန်နှင့် ပရောဂျက်တစ်ခုစီအစား အကောင်းဆုံးအလုပ်အသွားအလာများကို လုံခြုံစေရန် လူသားအတွေ့အကြုံနှင့် ကျွမ်းကျင်မှုများကို အများအားဖြင့် အသုံးပြုလေ့ရှိသည့် AI ဆေးရှာဖွေတွေ့ရှိသည့် ကုမ္ပဏီအတွက် ကွဲပြားသောကျွမ်းကျင်မှုရှိခြင်း၏ အရေးပါမှုကို ပြသသည်။

မူးယစ်ဆေးဝါးရှာဖွေတွေ့ရှိမှုကို လွယ်ကူချောမွေ့စေရန် Standigm မှအသုံးပြုသည့် algorithms အမျိုးအစားများကို ဆွေးနွေးနိုင်ပါသလား။

Standigm ASK ကို အသုံးပြု၍ အလားအလာရှိသော ပရိုတင်းများနှင့် ဆန်းသစ်သော ပစ်မှတ်ပရိုတင်းများကို ဦးစားပေးခြင်းဖြင့် ကျွန်ုပ်တို့သည် ပုံမှန်အားဖြင့် စူးစမ်းလေ့လာရေး ပရောဂျက်များကို စတင်ပါသည်။ ကျွန်ုပ်တို့၏ဇီဝဗေဒပလက်ဖောင်းတွင် ကြီးမားသောဇီဝကွန်ရက်များကိုလေ့ကျင့်ရန်၊ ဘက်မလိုက်ဘဲ omics ဒေတာအမျိုးအစားအမျိုးမျိုးကိုအသုံးပြုရန်၊ ဇီဝဗေဒစနစ်များ၏ သီးခြားအကြောင်းအရာများကို မိတ်ဆက်ပေးရန် အစရှိသည်တို့ကို လုပ်ဆောင်ရန် ကွဲပြားသော အယ်လဂိုရီသမ်များပါရှိသည်။ မှန်ကန်သောပစ်မှတ်ပရိုတင်းကိုရွေးချယ်ခြင်းသည် မူးယစ်ဆေးဝါးရှာဖွေတွေ့ရှိမှုတွင် အရေးကြီးဆုံးပြဿနာများထဲမှတစ်ခုဖြစ်သည်။ Standigm ASK သည် MOA (လုပ်ဆောင်မှုယန္တရား) ၏ ယူဆချက်များစွာကို ပံ့ပိုးပေးခြင်းဖြင့် ရောဂါကျွမ်းကျင်သူများကို ကူညီပေးသည်။

မြင့်မားသောအကာအကွယ်အကွာအဝေးများဖြင့် မူပိုင်ခွင့်များကို လုံခြုံစေရန်၊ Standigm BEST သည် ထိမှန်သောဒြပ်ပေါင်းများကိုအကြံပြုခြင်း (ထိရောက်သောရှာဖွေရေး)၊ scaffold hopping (ဓာတုအသုံးပြုနိုင်မှုနှင့်အသစ်အဆန်းကိုထည့်သွင်းစဉ်းစားခြင်း) နှင့် အမျိုးမျိုးသောဆေးစွမ်းဆောင်နိုင်မှုများအတွက် ကြိုတင်ခန့်မှန်းမှုပုံစံများ (လုပ်ဆောင်ချက်၊ ADME/Tox ဂုဏ်သတ္တိများနှင့် physicochemical ဂုဏ်သတ္တိများ) . သေးငယ်သောလုပ်ဆောင်စရာများစွာသည် DTI (မူးယစ်ဆေးဝါးပစ်မှတ်အပြန်အလှန်တုံ့ပြန်မှု)၊ AI-အကူအညီပေးသောမော်လီကျူလာစမ်းသပ်မှုများ၊ ရွေးချယ်နိုင်မှုခန့်မှန်းခြင်းနှင့် ပါရာမီတာများစွာကို ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ခြင်းကဲ့သို့သော ပိုကြီးသောလုပ်ဆောင်စရာများနှင့် ဆက်စပ်နေသည်။

ဆန်းသစ်သော ဒြပ်ပေါင်းမျိုးဆက်နှင့် အမွေအနှစ် ဆေးဝါးရှာဖွေမှုလုပ်ထုံးလုပ်နည်းများနှင့် ပတ်သက်လာသောအခါ ပျမ်းမျှအားဖြင့် အချိန်မည်မျှ သက်သာသနည်း။

Standigm သုတေသီများသည် ပရောဂျက်များအတွက် ရာနှင့်ချီသော ဝတ္ထုမော်လီကျူးများကို ပေါင်းစပ်ထုတ်လုပ်ထားပြီး အများစုမှာ အမျိုးမျိုးသောအခြေအနေများတွင် hit နှင့် lead မော်လီကျူးများအဖြစ် သတ်မှတ်ကြသည်။ AI-based မော်ဒယ်များနှင့် စီးပွားရေးဆိုင်ရာ အရင်းအမြစ်များကို အသုံးပြုခြင်းဖြင့် Standigm သည် ပရောဂျက်အများစုအတွက် ပရောဂျက်အများစုအတွက် ပျမ်းမျှနှစ်လမှ ခြောက်လအထိ ပထမအကြိမ် ဝတ္ထုပေါင်းစပ်ထုတ်လုပ်ခြင်းအတွက် အချိန်ကို လျှော့ချခဲ့သည်။ ယခု၊ ပထမဦးဆုံးသွား/မသွားရန် ဆုံးဖြတ်ချက်များကို သုံးနှစ်မှ လေးနှစ်အစား ပျမ်းမျှ ခုနစ်လအတွင်း ပြုလုပ်နိုင်သည်။

အလားအလာရှိသော ဆေးဝါးများ ရောင်းဝယ်ဖောက်ကားခြင်းအတွက် Standigm အောင်မြင်မှု ဇာတ်လမ်းအချို့ကား အဘယ်နည်း။

Standigm Insight သည် Standigm ASK ကဲ့သို့ တူညီသော နည်းပညာဆိုင်ရာ နောက်ခံကို အသုံးပြု၍ ရှားပါး ကလေးရောဂါအတွက် အသုံးပြုနိုင်သည့် ဆေးမော်လီကျူးကို US ရှိ အကောင်းဆုံး ကလေးဆေးရုံများထဲမှ သိပ္ပံပညာရှင်တစ်ဦးမှ အတည်ပြုထားသော ဤကိစ္စရပ်တွင် AI နည်းပညာသည် စွမ်းဆောင်နိုင်ကြောင်း ပြသပါသည်။ ရှားပါးသောရောဂါဆေးဝါးရှာဖွေတွေ့ရှိမှုအား ကူညီရန်၊ စီးပွားဖြစ်တန်ဖိုးပိုမိုလိုအပ်ခြင်းကြောင့် မည်သည့်အရွယ်အစားကုမ္ပဏီအတွက်မဆို ခက်ခဲသောအလုပ်ဖြစ်သည်။ အထူးသဖြင့် ဤစီးပွားရေးကျဆင်းမှုတွင်၊ ဆေးဝါးကုမ္ပဏီများသည် ရှေးရိုးစွဲဆန်ရန်ကြိုးစားသောအခါ AI သည် ရှားပါးပြီး လျစ်လျူရှုထားသောရောဂါများတွင် R&D ကိုမြှင့်တင်နိုင်သည်။

ကျန်းမာရေးစောင့်ရှောက်မှုတွင် နက်နဲသောသင်ယူမှုနှင့် မျိုးဆက်သစ် AI ၏အနာဂတ်အတွက် သင့်မျှော်မှန်းချက်ကဘာလဲ။

AI နည်းပညာ၏အောင်မြင်မှုသည် အရည်အသွေးမြင့်ဒေတာရရှိနိုင်မှုအပေါ် မူတည်ပါသည်။ ကျန်းမာရေးစောင့်ရှောက်မှုကဏ္ဍတွင် အရည်အသွေးမြင့်ဒေတာ အများအပြားရရှိရေးနှင့်ပတ်သက်၍ ကြီးကျယ်သောပြိုင်ဆိုင်မှုများမှာ မလွဲမသွေရှိနေမည်ဖြစ်သည်။ ဆေးဝါးရှာဖွေတွေ့ရှိမှု၏ ကျဉ်းမြောင်းသော ရှုထောင့်မှကြည့်လျှင် ဓာတုဗေဒနှင့် ဇီဝဗေဒဆိုင်ရာ အချက်အလက်များသည် စျေးကြီးပြီး အရည်အသွေးမြင့် အဆင့်အတန်းကို လုံခြုံစေရန် အချိန်ကြာမြင့်စွာ လိုအပ်ပါသည်။ ထို့ကြောင့်၊ အလိုအလျောက်ဓာတ်ခွဲခန်းသည် AI နည်းပညာအတွက် လောင်စာဖြစ်သော အရည်အသွေးမြင့်ဒေတာကုန်ကျစရိတ်ကို လျှော့ချနိုင်သောကြောင့် AI ဆေးဝါးရှာဖွေမှုနယ်ပယ်အတွက် အနာဂတ်ဖြစ်လာမည်ဖြစ်သည်။ Standigm ASK သည် လူနာမှရရှိသော အချက်အလက်မှ မော်လီကျူးဇီဝဗေဒအထိ ပိုမိုထင်ရှားသော သက်သေအထောက်အထားများ ပေးနိုင်စေရန် ကျွန်ုပ်တို့၏နည်းပညာပလက်ဖောင်းများကို နောက်တစ်ဆင့်သို့ တွန်းအားပေးလျက်ရှိသည်။ ထို့ကြောင့် Standigm အကောင်းဆုံး AI မော်ဒယ်များသည် အိမ်တွင်းရှိ အလိုအလျောက် ဓာတ်ခွဲခန်းများနှင့် ပူးပေါင်းလုပ်ဆောင်သူများထံမှ အရည်အသွေးမြင့် ဒေတာကို ကျွေးမွေးခြင်းဖြင့် ခေတ်မီနိုင်သည် ။

Standigm အကြောင်း သင်မျှဝေလိုသည့် အခြားအရာများ ရှိပါသလား။

မတူညီသောကျွမ်းကျင်မှုချိန်ခွင်လျှာသည် Standigm အတွက်အရေးကြီးသောကြောင့်၊ လူမျိုးစုများ၏ချိန်ခွင်လျှာသည်လည်းအရေးကြီးပါသည်။ ကွန်ရက်များတည်ရှိမှုနှင့် Standigm တို့ကို ပိုမိုနိုင်ငံတကာကုမ္ပဏီအဖြစ်သို့ အသွင်ပြောင်းရန် UK (Cambridge) နှင့် US (Cambridge, MA) ရုံးများကို တည်ထောင်ခြင်းဖြင့် ကမ္ဘာ့ပတ်ဝန်းကျင်တွင် ကျွန်ုပ်တို့၏တည်ရှိမှုကို တိုးချဲ့လုပ်ဆောင်နေပါသည်။

အင်တာဗျူးကောင်းအတွက် ကျေးဇူးတင်ပါသည်၊ ပိုမိုလေ့လာလိုသော စာဖတ်သူများ လာရောက်လေ့လာသင့်ပါသည်။ Standigm.