Jinhan Kim, CEO van Standigm – Interviewreeks

Jinhan Kim is de CEO van Standigm, een workflow AI drug discovery bedrijf.

Van aangepaste doelwitidentificatie tot leadgeneratie, genereert het Standigm workflow AI-platform inzichten voor elke stap om commercieel waardevolle medicijnen te ontwikkelen vanuit in-house en partnershipprojecten. ​

U bent begonnen met coderen toen u in de 6e klas zat, kunt u vertellen hoe u geïnteresseerd raakte en waar u eerst aan werkte?

Ah, ja – op mijn Apple II Plus. Dat was de katalysator voor het veranderen van mij van een boekenwurm in een maker. Ik begon te programmeren, beginnend met C-programmeren, uit nieuwsgierigheid. Ik werd geïnteresseerd in de principes en theoretische aspecten van mijn computer. Van daaruit werd ik een levenslange leerling in het technologiegebied.

Wat trok u aanvankelijk aan bij machine learning?

Ik heb mijn diploma’s behaald in toegepaste chemie en kunstmatige intelligentie aan de Universiteit van Edinburgh onder Geoffrey Hinton. Hij is de neuroscientist en computerwetenschapper die in wezen diepe leerlingen creëerde. Hinton werkte aan kunstmatige neurale netwerken en ontwierp autonome, intelligente machines – en later machine learning-algoritmen. Google huurde hem tien jaar geleden in om hun AI te creëren en de rest is geschiedenis.

Wanneer raakte u voor het eerst betrokken bij de kruispunt van biologie en machine learning?

Ik werkte bij het Samsung Advanced Institute of Technology, waar ik algoritmen ontwikkelde. Een van de algoritmen die ik ontwikkelde, was een mechanisme voor het repareren van DNA-schade. Ik wilde werken in het veld van biologie en de moeilijkste problemen aanpakken. Zowel het menselijk lichaam als computers die denken als mensen zijn net zo complex als dingen kunnen worden, en je moet werken om er een te begrijpen om de andere te begrijpen. AI-systemen kunnen niet alleen uitgebreide wetenschappelijke gegevens doorzoeken die over decennia zijn gepubliceerd van over de hele wereld, maar ze kunnen ook de complexiteit van het menselijk lichaam verwerken en snel en coherent patronen van biologische mechanismen oppikken. Het was gemakkelijk te zien dat biologie en machine learning hand in hand gaan.

Kunt u het verhaal achter Standigm delen?

Mijn werk in gezondheid en wetenschap onthulde wat voor mij een groot probleem was in traditionele drugontdekking: de tijd en het geld dat het kostte om wetenschappelijke onderzoeksartikelen en screeningsonderzoeken te scannen of de aanwijzingen die het startpunt vormen voor potentieel nieuwe medicijncreatie. Menselijke wetenschappers deden dit intensieve onderzoek. Ik en twee Samsung-collega’s, Sang Ok Song en So Jeong Yun, zagen een kans om het werk van mensen over te dragen aan een intelligente machine en een nieuw werkproces te ontwerpen. Ook wilde ik niet voor een salaris werken; ik wilde voor mezelf werken, om drugontdekkingmethoden naar een nieuw standaardparadigma te brengen, wat de oorsprong is van het werk en de naam van “Standigm”, het bedrijf dat de drie van ons hebben opgericht. Ons machine learning-model bereikt nu een hoge voorspellingsnauwkeurigheid en de AI-technologie bereikt de maximale ROI.

Wat is het synthetische toegankelijkheidsprobleem en hoe lost Standigm dit op?

Generatieve modellen kunnen nieuwe moleculaire structuren ontwerpen zonder de hulp van goed opgeleide medicinale chemici, wat een van de meest kritieke redenen is voor de enthousiaste adoptie van deze technologie door drugontdekkinggemeenschappen. De hoogste drempel hier is het verschil in snelheid tussen het ontwerp van moleculen en hun experimentele synthese, waarbij het ontwerp van miljoenen verbindingen slechts enkele uren duurt en de synthese van slechts tien moleculen weken of maanden duurt. Aangezien slechts een klein fractie van de ontworpen verbindingen wordt gesynthetiseerd door menselijke experts, is het essentieel om goede maatregelen te hebben voor moleculaire eigenschappen.

Eerste generatie AI-modellen waren grof, en synthetische chemici weigerden de meeste van de ontworpen moleculen vanwege de moeilijkheid van het synthetische plan. Sommige CRO-bedrijven weigerden zelfs om een voorstel voor deze synthetische campagne te doen.

Standigm heeft gewerkt aan dit probleem door ervaren medicinale chemici in dienst te nemen en hun expertise toe te voegen aan generatieve modellen, zodat ze verbindingen kunnen ontwerpen die niet te onderscheiden zijn van die ontworpen door menselijke experts. Standigm heeft nu verschillende generatieve modellen die verschillende stadia van drugontdekking kunnen beheren: hit-identificatie, hit-to-lead en lead-optimalisatie. Dit toont het belang van diverse expertise voor elk AI-drugontdekkingbedrijf waar menselijke ervaring en expertise voornamelijk worden gebruikt om de AI-modellen te verbeteren en de beste workflows te garanderen in plaats van elk project.

Kunt u de soorten algoritmen bespreken die door Standigm worden gebruikt om drugontdekking te faciliteren?

We beginnen typisch elk exploratief project door veelbelovende en nieuwe doelwitproteïnen te prioriteren met Standigm ASK; ons biologieplatform bestaat uit afzonderlijke algoritmen om grote biologische netwerken te trainen, verschillende soorten onbevooroordeelde omics-gegevens te gebruiken, specifieke contexten van biologische systemen in te voeren enzovoort. Het selecteren van het juiste doelwitproteïne is een van de meest kritieke kwesties in drugontdekking. Standigm ASK helpt ziekte-experts door meerdere hypothesen van MOA (mechanisme van actie) te bieden.

Om octrooien met een hoge beschermingsgraad te garanderen, voert Standigm BEST verschillende taken uit, waaronder het suggereren van hit-verbindingen (effectieve exploratie), scaffold hopping (rekening houdend met de synthetische toegankelijkheid en nieuwheid) en verschillende voorspellingsmodellen voor drugabilities (activiteit, ADME/Tox-eigenschappen en fysicochemische eigenschappen). Veel kleinere taken zijn gerelateerd aan deze grotere taken, zoals DTI (drug-doelwitinteractie), AI-geassisteerde moleculaire simulaties, selectiviteitsvoorspelling en multi-parameteroptimalisatie.

Hoeveel tijd wordt er gemiddeld bespaard bij de generatie van nieuwe verbindingen in vergelijking met traditionele drugontdekkingprocedures?

Standigm-onderzoekers hebben honderden nieuwe moleculen gesynthetiseerd voor projecten, waarvan veel zijn aangemerkt als hit- en leadmoleculen in verschillende contexten. Door AI-gebaseerde modellen en commerciële middelen te adopteren, heeft Standigm de tijd voor de eerste ronde van nieuwe verbindingengeneratie teruggebracht van zes maanden tot gemiddeld twee maanden voor de meeste projecten. Nu kunnen de eerste go/no-go-beslissingen worden genomen in gemiddeld zeven maanden in plaats van drie tot vier jaar.

Wat zijn enkele van de successen van Standigm voor potentieel medicijncommercialisatie?

Met behulp van Standigm Insight, die dezelfde technische achtergrond deelt als Standigm ASK, vonden we een medicijnmolecuul dat kan worden gebruikt voor een zeldzame kinderziekte, geverifieerd door een wetenschapper van een van de beste kinderziekenhuizen in de VS. Dit geval toont aan dat AI-technologie kan helpen bij de ontdekking van medicijnen voor zeldzame ziekten, een moeilijke taak voor een bedrijf van elke omvang vanwege de behoefte aan meer commerciële waarde. Vooral in deze recessie, wanneer farmaceutische bedrijven proberen conservatiever te zijn, kan AI R&D in zeldzame en verwaarloosde ziekten bevorderen.

Wat is uw visie op de toekomst van diepe leerlingen en generatieve AI in de gezondheidszorg?

Het succes van AI-technologie hangt af van de beschikbaarheid van hoogwaardige gegevens. Er zal onvermijdelijk grote concurrentie zijn om een grote hoeveelheid hoogwaardige gegevens in de gezondheidszorg te verkrijgen. Vanuit een smallere perspectief van vroege drugontdekking zijn chemie- en biologiegegevens duur en vereisen ze een lange tijd om een hoogwaardige status te verkrijgen. Daarom zal de geautomatiseerde laboratorium een toekomst zijn voor het AI-drugontdekkinggebied, omdat het de kosten van hoogwaardige gegevens kan verlagen – de brandstof voor AI-technologie. We duwen onze technologieplatforms naar het volgende niveau, zodat Standigm ASK meer overtuigend bewijs kan bieden, van patiëntafgeleide gegevens tot moleculaire biologie; en zodat Standigm BEST AI-modellen state-of-the-art kunnen zijn door hoogwaardige gegevens te voeden vanuit in-house geautomatiseerde laboratoria en samenwerkingsverbanden.

Is er nog iets dat u wilt delen over Standigm?

Aangezien de balans van gedifferentieerde expertise belangrijk is voor Standigm, is de balans van etnische achtergronden ook kritiek. We hebben onze aanwezigheid in de mondiale omgeving uitgebreid door kantoren te openen in het VK (Cambridge) en de VS (Cambridge, MA) om de aanwezigheid van netwerken en de transformatie van Standigm naar een meer internationaal bedrijf te omvatten.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten Standigm bezoeken.