Jinhan Kim, CEO van Standigm – Interviewreeks

Jinhan Kim is de CEO van Standigm, een workflow AI-drugontdekkingsbedrijf.

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

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

Ah, ja – op mijn Apple (AAPL ) II Plus. Dat was de katalysator die me van een boekenworm tot een maker veranderde. 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 technologieveld.

Wat trok u aanvankelijk aan bij machine learning?

Ik heb mijn diploma’s in toegepaste chemie en kunstmatige intelligentie behaald aan de Universiteit van Edinburgh onder Geoffrey Hinton. Hij is de neuroscientist en computerwetenschapper die diep leren heeft gecreëerd. Hinton werkte aan kunstmatige neurale netwerken en ontwierp autonome, intelligente machines – en later machine learning-algoritmen. Google (GOOGL ) heeft hem tien jaar geleden aangenomen 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 eerder 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 als mensen denken, zijn zo complex als het maar kan zijn, en je moet één ervan begrijpen om de ander 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 herkennen. Het was gemakkelijk om biologie en machine learning met elkaar in verband te brengen.

Kunt u het verhaal achter Standigm delen?

Mijn werk in gezondheid en wetenschap onthulde een groot probleem in de traditionele drugontdekking: de tijd en het geld die nodig waren om wetenschappelijke onderzoeksartikelen en screeningtests te scannen of de aanwijzingen die het startpunt vormen voor de creatie van nieuwe geneesmiddelen. 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 nieuwe workflow te ontwerpen. Bovendien wilde ik niet voor een salaris werken; ik wilde voor mezelf werken, om drugontdekkingsmethoden 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 een maximum 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 drugontdekkingsgemeenschappen. 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 deel van de ontworpen verbindingen door menselijke experts wordt gesynthetiseerd, is het essentieel om goede maatstaven voor moleculaire eigenschappen te hebben.

Eerstegeneratie 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 voor te bereiden.

Standigm heeft aan dit probleem gewerkt 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-naar-leidoptimalisatie en leidoptimalisatie. Dit toont de belangrijkheid van het hebben van diverse expertise voor elk AI-drugontdekkingsbedrijf, 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 behulp van 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 enz. 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 beschermingsomvang te waarborgen, voert Standigm BEST verschillende taken uit, waaronder het suggereren van hit-verbindingen (effectieve exploratie), scaffold-hopping (rekening houdend met 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-doelwit-interactie), AI-geassisteerde moleculaire simulaties, selectiviteitsvoorspelling en multi-parameter-optimalisatie.

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

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

Wat zijn enkele van de successen van Standigm voor potentiële drugcommercialisatie?

Met behulp van Standigm Insight, dat dezelfde technische achtergrond deelt als Standigm ASK, vonden we een geneesmiddelmolecuul 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 zeldzame ziektes, een moeilijke taak voor een bedrijf van elke omvang vanwege de noodzaak van meer commerciële waarde. Vooral in deze recessie, wanneer farmaceutische bedrijven proberen conservatiever te zijn, kan AI de R&D in zeldzame en verwaarloosde ziektes bevorderen.

Wat is uw visie voor de toekomst van deep learning 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 veel tijd om een hoogwaardige status te bereiken. Daarom zal de geautomatiseerde laboratorium een toekomst zijn voor het AI-drugontdekkingsveld, omdat het de kosten van hoogwaardige gegevens kan verlagen – de brandstof voor AI-technologie. We brengen onze technologieplatforms naar het volgende niveau, zodat Standigm ASK meer evidentie kan bieden, van patiënt-afgeleide gegevens tot moleculaire biologie; en zodat Standigm BEST AI-modellen state-of-the-art kunnen zijn door hoogwaardige gegevens van in-house geautomatiseerde laboratoria en samenwerkingsverbanden te voeden.

Is er nog iets anders dat u over Standigm wilt delen?

Als de balans van onderscheiden expertise belangrijk is voor Standigm, is de balans van etniciteiten 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 in een meer internationaal bedrijf te omvatten.

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