Andrew Watson, Vice President of AI en R & D bij Healx – Interview Series

Andrew Watson is Vice President of AI en R & D bij Healx.

Healx is een technologiebedrijf dat door AI wordt aangedreven en door patiënten wordt geïnspireerd, dat zich inzet om zeldzame ziektepatiënten over de hele wereld te helpen toegang te krijgen tot levensverbeterende therapieën. Er zijn 7.000 bekende zeldzame ziekten die 400 miljoen mensen over de hele wereld treffen, maar slechts 5% van deze aandoeningen heeft goedgekeurde behandelingen. Healx gebruikt kunstmatige intelligentie (AI) om nieuwe behandelingen voor zeldzame ziekten te identificeren uit bestaande verbindingen en deze naar patiënten in nood te laten progresseren. Hun innovatieve aanpak betekent dat ze het tempo, de omvang en de kans op succes van de ontwikkeling van zeldzame ziektebehandelingen kunnen versnellen.

Wat trok je aanvankelijk aan tot het vakgebied van machine learning?

Mijn eerste kennismaking met machine learning was tijdens een lezing over ‘Evolutionaire Algoritmen’ tijdens mijn eerste studie aan de Universiteit van Exeter. We leerden een algoritme te programmeren dat tweedimensionale speelgoedauto’s ontwierp, beginnend met een willekeurige verzameling wielen en componenten, voordat we de prestaties beoordeelden en iterateerden om vervolgens generaties te creëren die beter en beter presteerden tegen een maatstaf die we hadden gedefinieerd. Ik was gefascineerd door het feit dat software zonder enige menselijke tussenkomst duizenden ontwerpitaties kon uitvoeren en vanaf dat moment probeerde ik alles te automatiseren! Deze evolutionaire aanpak was dezelfde die NASA gebruikte om de ST5-antenne te ontwerpen, die niets weg heeft van iets dat een menselijke expert zou hebben gecreëerd.

Je bent altijd gefascineerd geweest door het toepassen van machine learning- en AI-technieken op moeilijke problemen, wat waren enkele van deze uitdagingen die je tegenkwam voordat je bij Healx kwam?

Ik heb het geluk gehad om machine learning en AI in verschillende contexten te kunnen toepassen, van het verstoren van terroristen tot het identificeren en mitigeren van computermalware, tot, direct voorafgaand aan Healx, het combineren van AI met een diep begrip van gebruikersgedrag om intelligente machines te creëren voor gebruik in en om het huis bij Dyson.

Het is gemakkelijk voor AI om een gimmick te worden, maar mijn doel is altijd geweest om betekenisvolle toepassingen te vinden, of het nu gaat om het afleiden van betekenis uit enorme hoeveelheden informatie of het verminderen van de cognitieve belasting van de gebruiker door beslissingsondersteunende systemen. Onze missie bij Healx is om te werken aan een van de ultieme uitdagingen, recht op het snijvlak tussen AI en menselijke biologie, om te helpen bij enkele van de mensen die het het hardst nodig hebben: die met zeldzame ziekten.

Wat zijn enkele van je huidige verantwoordelijkheden bij Healx?

Ik ben verantwoordelijk voor het R & D-team, dat uiteindelijk verantwoordelijk is voor het verstrekken van geneesmiddelvoorspellingen aan onze collega’s in het preklinische team bij Healx. We doen dit door zowel de onderliggende biologie van een ziekte die we bestuderen als de werking van potentiële geneesmiddelen die deze ziekte kunnen helpen behandelen te begrijpen, allemaal draaiend op onze eigen AI-platform, Healnet.

Healnet analyseert bestaande gegevens over geneesmiddelen en ziekten uit biomedisch onderzoek, wetenschappelijke literatuur, patiëntinzichten en Healx’s eigen gecuratede bronnen om een zeldzame ziekte kennisgrafiek te vormen. We gebruiken vervolgens state-of-the-art AI- en NLP-modellen om deze grafiek te mijnen om nieuwe kansen te vinden om geneesmiddelmoleculen opnieuw te ontwikkelen, te combineren en zelfs te verbeteren om een aandoening te behandelen.

Kunt u enkele van de machine learning-technologieën bespreken die door het Healnet-geneesmiddelontdekkingsplatform worden gebruikt om nieuwe therapieën voor zeldzame ziekten te identificeren uit reeds bestaande geneesmiddelen?

Zeker! Healx gebruikt een reeks AI- en NLP-methoden om niet-voor-de-hand-liggende ziekte-stofrelaties te identificeren met de hoogste kans op succes.

Een van onze meest voorkomende methoden heet Disease-Gene Expression Matching, of DGEM. Deze methode vergelijkt het genexpressieprofiel voor een bepaalde ziekte met genexpressieprofielen uit de door Healx gecuratede geneesmiddeldatabase, die duizenden geneesmiddelensignaturen bevat uit openbare en particuliere bronnen en een reeks farmacologische klassen omvat, waaronder een mengsel van goedgekeurde en onderzoeksgebonden verbindingen. DGEM voorspelt vervolgens welke geneesmiddelen waarschijnlijk effectieve therapieën zullen zijn op basis van de meest differentieel geëxprimeerde genen in de genexpressieprofielen. De methode werkt op basis van de veronderstelling dat een geneesmiddelenmechanisme met het tegenovergestelde mechanismeprofiel van een ziekte een sterke kandidaat zou zijn voor een effectieve behandeling. We hebben deze methode daadwerkelijk gebruikt om de leidende verbindingen te vinden die we nu onderzoeken als onderdeel van onze IMPACT-FXS-studie naar het fragiele X-syndroom – de belangrijkste genetische oorzaak van leerproblemen ter wereld.

Een andere methode is Prediction of Repurposed Indications with Similarity Matrices (PRISM), die het principe gebruikt dat als een geneesmiddel een specifieke ziekte behandelt, een soortgelijk geneesmiddel dan een soortgelijke ziekte kan behandelen. Om de gelijkenis van geneesmiddelen te bepalen, houdt PRISM rekening met doelproteïnen, structurele gelijkenis en bijwerkingen, en om de gelijkenis van ziekten te bepalen, houdt PRISM rekening met doelgenen, ontologische structuur en fenotypen. Een machine learning-algoritme wordt vervolgens gebruikt om deze gelijkenissen te combineren om nieuwe behandelingstoepassingen te voorspellen.

We hebben nu meer dan 10 monotherapie- en combinatietherapievoorspellingsmodules ontwikkeld om meer nieuwe therapeutische kansen voor zeldzame aandoeningen te identificeren en, kritisch, worden deze modellen getraind om nieuwe ziektebiologie en werkingsmechanismen te ontdekken, zonder te worden beperkt tot één biologisch doelwit (wat een probleem is met traditionele geneesmiddelontdekkingsmethoden).

Als een geneesmiddel eenmaal is geïdentificeerd als een mogelijke kandidaat, hoe beslist het systeem dan of het moet doorgaan naar klinische proeven?

Dankzij onze AI-algoritmen en onze eigen datasources kunnen we een lijst van ongeveer 15.000 mogelijke geneesmiddelen terugbrengen tot 100 of zo’n waarschijnlijke behandelingen.

Zodra we deze lijst hebben, wordt deze doorgegeven aan ons preklinische team – bestaande uit deskundige farmacologen en geneesmiddelontdekkingsdeskundigen – die hun aanzienlijke wetenschappelijke en medische kennis over de ziekte en de geneesmiddelen gebruiken om de voorspellingen te beoordelen en de meest waarschijnlijke geneesmiddelkandidaten te selecteren om een bepaalde ziekte te behandelen. We verstrekken het preklinische team ook AI-gegenereerde argumenten die de voorspellingen ondersteunen, waarin wordt uitgelegd waarom een verbinding die aanvankelijk onlogisch lijkt, de moeite waard is om aandacht aan te besteden.

Zodra ze de lijst hebben teruggebracht tot ongeveer 10-20 kandidaten, worden deze verbindingen doorgestuurd naar preklinische validatie, wat het testen van een geneesmiddel in celculturen en modellen inhoudt voordat het wordt getest bij mensen tijdens de klinische proef fase. Deze studies zullen onthullen of een verbinding waarschijnlijk effectief, veilig zal zijn en welke (indien aanwezig) bijwerkingen het kan hebben. Ze beslissen ook welke geneesmiddelen kunnen worden gecombineerd of verbeterd voor een effectievere behandeling.

Kunt u meer vertellen over het fragiele X-syndroom en enkele van de recente successen bij het ontdekken van potentiële geneesmiddelkandidaten?

Het fragiele X-syndroom is een zeldzame neurodevelopmentale aandoening die een reeks intellectuele en cognitieve beperkingen veroorzaakt. Het treft ongeveer 1 op de 4.000 mannen en 1 op de 8.000 vrouwen – maar er zijn momenteel geen effectieve of goedgekeurde therapieën voor de aandoening beschikbaar.

Het doel van Healx is om dit te veranderen door ten minste één nieuw en effectief combinatiebehandeling voor de aandoening op de markt te brengen in de komende jaren.

We hebben fantastische vooruitgang geboekt op dit doel tot nu toe en hebben meerdere kandidaten voor de aandoening ontdekt via onze AI- en omische geneesmiddelmatchingsmethoden (inclusief DGEM, die ik eerder noemde). HLX-0201, dat oorspronkelijk werd goedgekeurd als een niet-steroïde anti-inflammatoire, is onze meest veelbelovende kandidaat, en spannend genoeg hebben we onlangs een onderzoeksgeneesmiddel (IND) goedgekeurd van de Amerikaanse Food and Drug Administration (FDA) voor de fase 2a-klinische studie van de verbinding, evenals HLX-0206, die werd geïdentificeerd als een potentiële combinatiepartner met behulp van Healx’s eigen combinatievoorspellingsmethoden.

De IMPACT-FXS-studie is nu gaande op verschillende locaties in de VS, wat echt spannend is, en we hopen binnenkort meer te kunnen delen!

Het is ook de moeite waard om te vermelden dat Healx gedurende dit project nauw heeft samengewerkt met de FRAXA Research Foundation, een toonaangevende onderzoeks- en ondersteuningsorganisatie voor fragiel X in de Verenigde Staten, en andere organisaties om ons te helpen meer te weten te komen over de aandoening en toegang te krijgen tot preklinische gegevens en modellen die ons in staat hebben gesteld om onze voorspellingen snel naar klinische studies te laten progresseren.

Wat zie je als de toekomst van AI bij het targeten van zeldzame ziekten?

Ik denk dat er een potentieel is om AI en andere grensverleggende technologieën te zien worden ingezet in de hele geneesmiddelontdekkings- en ontwikkelingspijplijn, om enkele van de conventionele uitdagingen rondom tijd, kosten en risico te overwinnen.

We zien al een verspreiding van bedrijven in de bredere geneesmiddelontdekkingsruimte die AI gebruiken om alles te doen, van het analyseren van ziektegegevens en het vaststellen van biomarkers, tot het synthetiseren van eiwitten en het ontwerpen van nieuwe geneesmiddelen, helemaal tot het analyseren van real-world evidence en het uitvoeren van klinische proeven met ondersteuning van ‘digitale tweeling’-controlearmen.

Alles dit zal enorm gunstig zijn voor de ontdekking van behandelingen voor zeldzame ziekten waarbij er obstakels zijn rondom een gebrek aan relevante ziektegegevens of kleine patiëntenaantallen. NLP kan helpen om de lacunes in het begrip te vullen door actuele gegevens te aggregeren, terwijl ML kan voorspellen welke bestaande behandelingen opnieuw kunnen worden ontwikkeld en waarom. Misschien wel het meest spannend is dat AI ons kan voorzien van de automatisering die nodig is om behandelingen op grote schaal te vinden en te ontwikkelen. En naarmate de rekenkracht en de vooruitgang in AI toenemen, kunnen we dit snel opschalen.

Is er nog iets anders dat je zou willen delen over Healx?

Dit is een geweldige tijd om in deze branche te zijn, en het is een voorrecht om met deze grensverleggende technologieën te werken om enkele van de meest complexe problemen op te lossen die er zijn. We zijn altijd op zoek naar mensen die passie hebben voor onze missie om zich bij het team aan te sluiten, en ik raad iedereen die geïnteresseerd is aan om onze vacatures te bekijken.

We hebben ook enkele spannende ontwikkelingen en projecten in de pijplijn bij Healx, waar je via onze website op de hoogte van kunt blijven, en we hopen binnenkort enkele van deze met je te kunnen delen.

Bedankt voor het geweldige interview, ik kijk ernaar uit om de voortgang van Healx te volgen, een bedrijf dat ongetwijfeld een positieve invloed zal hebben op velen. Lezers die meer willen weten, moeten Healx bezoeken.