Thomas Clozel, M.D., mede-oprichter en CEO van Owkin – Interviewreeks

Thomas Clozel, M.D. is de mede-oprichter en CEO van Owkin, een AI-biotechbedrijf dat de gezondheidszorg revolutioneert. Met een achtergrond in klinisch onderzoek is Clozel sinds de oprichting in 2016 een drijvende kracht geweest in de leiding van Owkin. Onder zijn leiding heeft het bedrijf belangrijke mijlpalen bereikt, waaronder het aantrekken van substantiële financiering en het vormen van strategische partnerschappen met grote farmaceutische bedrijven. Hij is voormalig assistent‑professor klinische onco‑hematologie aan het Hôpital Henri Mondor in Parijs en voormalig lid van het oncologielab van Dr. Ari Melnick aan het Weill Cornell Medical College.

Owkin is een AI-biotechnologiebedrijf dat autonome AI‑systemen ontwikkelt om biomedisch onderzoek en geneesmiddelenontdekking te versnellen. Opgericht in 2016 door oncoloog Thomas Clozel en machine‑learning‑onderzoeker Gilles Wainrib, combineert het bedrijf geavanceerde AI‑modellen met multimodale patiëntgegevens, biologisch onderzoek en klinische expertise om farmaceutische teams beter te laten begrijpen wat een ziekte veroorzaakt, therapeutische doelen te identificeren, biomarkers te ontdekken en beter onderbouwde R&D‑beslissingen te nemen. Het vlaggenschip‑platform, K Pro, fungeert als een AI‑wetenschapper die gespecialiseerde modellen en onderzoekstools kan orkestreren om complexe biologische vraagstukken te analyseren, waarbij Owkin uiteindelijk werkt aan wat het Biological Artificial SuperIntelligence: noemt: een zelfverbeterend AI‑systeem dat steeds grotere delen van het geneesmiddelenontdekkingsproces autonoom kan uitvoeren.

Owkin heeft strategische relaties opgezet met grote biofarmaceutische bedrijven, waaronder Sanofi, Bristol Myers Squibb en MSD, en heeft een wereldwijd netwerk opgebouwd dat academische onderzoekers, clinici, partners voor patiëntgegevens en laboratoriuminfrastructuur omvat.

Uw carrière omvat klinische hematologie, oncologisch onderzoek en computationele biologie. Toen u in 2016 Owkin oprichtte, welke beperkingen zag u in conventioneel medisch onderzoek die u ervan overtuigden dat AI wetenschappers zou kunnen helpen ziektes anders te begrijpen?

Ik was oncoloog en zag patiënten van 35 met kanker, maar niets in hun geschiedenis verklaarde waarom ze de ziekte hadden of waarom ze terugvielen. En we hadden geen degelijke wetenschap om dat te verklaren — zelfs niet met al het onderzoek van de afgelopen honderd jaar. Dat deed me denken: biologie is geen probleem op menselijk schaalniveau. Het vereist redeneren over verschillende schalen, van moleculen tot volledige organismen, en over veel verschillende soorten gegevens tegelijk — van weefselbiopten tot de behandelgeschiedenis van een patiënt. Hiervoor hebben we AI nodig. En ik dacht dat de enige gegevens die ons het dichtst bij dat begrip bij mensen konden brengen, patiëntgegevens waren. Dus in 2016 richtte ik samen met Gilles Wainrib Owkin op, en we begonnen met federated learning — een methode waarmee AI‑modellen kunnen leren van ziekenhuisgegevens zonder dat die gegevens het ziekenhuis verlaten — om die data te ontsluiten en die antwoorden te vinden.

Generatieve AI kan grote aantallen plausibele biologische hypothesen produceren. Hoe moeten onderzoekers een werkelijk nieuwe ontdekking onderscheiden van een overtuigende maar uiteindelijk onjuiste AI‑gegenereerde correlatie?

U moet al uw hypothesen als onjuist beschouwen totdat u het tegendeel bewijst. Dat is zo ontworpen. Ik geloof dat grensverleggende AI‑agenten — geavanceerde, autonome AI‑systemen —, wanneer ze toegang hebben tot de juiste tools en gegevens, beter zullen zijn in het genereren van nauwkeurige hypothesen dan wij momenteel. En bij Owkin rangschikken onze modellen hypothesen op basis van hoe waarschijnlijk ze standhouden, gebaseerd op patronen die uit de data zijn geleerd.

Maar we moeten ze nog steeds testen, eerst in het laboratorium en vervolgens via klinische onderzoeken, voordat we er volledig op kunnen vertrouwen. Bij Owkin doen we dat via wat we onze “lab in the loop” noemen — elke AI‑voorspelling testen op echte biologische monsters voordat deze wordt vertrouwd — en daarna in klinische onderzoeken. Dus we moeten elke hypothese nog steeds experimenteel testen, zoals we altijd hebben gedaan. Maar AI helpt ons middelen beter te benutten door ons te wijzen op de testpaden die het meest kansrijk zijn.

K Pro combineert pathologie, genomica, ruimtelijke biologie en klinische uitkomsten. Hoe leidt het samenbrengen van deze verschillende datatypes tot sterkere biologische bewijzen dan het vertrouwen op één enkele dataset of modaliteit?

We proberen het volledige plaatje te zien van wat iemands ziekte heeft veroorzaakt. Elk van deze datatypes geeft u een momentopname van een deel ervan — maar geen enkel type kan u de volledige, causale verklaring geven.

Als u de ziekte vanuit meerdere hoeken tegelijk kunt bekijken, komt u dichter bij het volledige plaatje. Dat is wat we willen doen op elke schaal van de biologie — bijvoorbeeld het koppelen van genactiviteit aan de fysieke structuur van weefsel, en het koppelen van de onderliggende biologie van een patiënt (hun genen en moleculen) aan wat daadwerkelijk in de kliniek wordt waargenomen (weefselbeelden, medische dossiers, hoe ze op behandeling reageerden).

Dat is wat AI zo belangrijk maakt: het kan deze zeer verschillende datatypes combineren en de onderliggende patronen vinden die dichter bij het volledige plaatje komen — iets dat voor een menselijk brein alleen extreem moeilijk is.

Owkin beschrijft AI‑gegenereerde ontdekkingen als hypothesen in plaats van feiten. Door welke fasen moet een K Pro‑hypothese gaan voordat uw team deze biologisch betekenisvol genoeg acht om een besluit over geneesmiddelenontwikkeling te beïnvloeden?

Vier fasen.

Eerst, computationele replicatie: houdt het signaal stand wanneer het wordt gecontroleerd tegen onafhankelijke patiëntdatasets, en over datatypes die niet werden gebruikt om het oorspronkelijk te genereren? Deze stap is goedkoop om uit te voeren en elimineert het merendeel van de kandidaten vroegtijdig.

Ten tweede, mechanistische controle: is er een samenhangende, causale verklaring — een plausibel nieuw biologisch element? En zegt het bewijs daadwerkelijk wat het model beweert? We onderzoeken het onderliggende bewijs, niet alleen de conclusie. Hier is input van ons deskundige biomedische team van groot belang.

Ten derde testen we het in het laboratorium. We controleren de voorspelling met behulp van patiënt‑afgeleide modellen — inclusief organoïden (miniatuur, in het lab gekweekte versies van een tumor van een patiënt) — via medicijntesten en gen‑edit experimenten. Dit is de stap waarin een correlatie al dan niet een echte causale bewering wordt.

Ten vierde, patiënten. We testen momenteel OKN4395 — een geneesmiddelkandidaat waarvan de onderliggende biologie K Pro ons heeft geholpen te begrijpen — in onze INVOKE‑klinische proef. We gebruiken die proef ook om onze AI: te verbeteren; hij verzamelt gedurende de hele proef gedetailleerde patiëntgegevens, zodat we niet alleen een medicijn testen, maar ook of de redenering van het model over het ziekte‑mechanisme en de juiste patiëntpopulatie correct was.

Owkin test geselecteerde K Pro‑voorspellingen in zijn natte laboratorium met benaderingen zoals patiënt‑afgeleide organoïden en genetische perturbatie. Hoe verbetert deze laboratoriumfeedback het systeem, en wat gebeurt er wanneer experimentele resultaten de oorspronkelijke voorspelling tegenspreken?

K Pro voorspelt nieuwe biologie, wij ontwerpen het experiment en testen het met behulp van patiënt‑afgeleide labmodellen — inclusief organoïden, co‑culturen (verschillende celtypen samen laten groeien om hun interactie te zien) en modellen waarbij specifieke genen aan of uit zijn geschakeld. De resultaten gaan vervolgens terug in het systeem om het te verbeteren. Vandaag worden delen van die lus nog handmatig uitgevoerd; volledige automatisering is onze volgende stap.

We hebben het effect van deze feedback al gemeten. In een studie die we dit jaar op ArXiv (een repository voor wetenschappelijke artikelen) hebben gepubliceerd, waren AI‑agenten die dit soort iteratieve lab‑feedback ontvingen 166–185 % beter dan willekeurige selectie bij het identificeren van genen die de celgedrag wezenlijk veranderen — het type genen dat de moeite waard is om met een medicijn te targeten.

Welke meetwaarden moeten farmaceutische bedrijven gebruiken om een AI‑wetenschapper te evalueren? Moet succes worden gemeten aan de hand van voorspellende nauwkeurigheid, reproduceerbaarheid, het aantal gevalideerde doelen, verbeterde klinische‑proefbeslissingen of een andere norm?

Wij denken dat de belangrijkste maatstaf betrouwbaarheid is. Een AI die af en toe een zeer nauwkeurig antwoord geeft, is interessant, maar AI‑systemen worden pas echt nuttig voor de industrie wanneer ze dezelfde vraag telkens op dezelfde manier, betrouwbaar, kunnen beantwoorden, ongeacht hoe vaak u vraagt.

Dat is wat deze systemen van een opvallende demo naar de basis van een daadwerkelijke workflow verplaatst. Zo hebben we K Pro gebouwd — zodat de AI‑redenering erin elke keer dezelfde reproduceerbare, transparante werkwijze volgt bij het beantwoorden van een vraag.

Wetenschappelijke reproduceerbaarheid is essentieel in geneesmiddelenonderzoek. Hoe toont K Pro onderzoekers welke datasets, analytische workflows en redeneerstappen hebben bijgedragen aan een conclusie zodat de bevindingen onafhankelijk kunnen worden beoordeeld?

K Pro documenteert en toont het redeneerproces dat de AI doorloopt om elke vraag te beantwoorden.

Elke dataset die het gebruikt, wordt geïdentificeerd op bron en versie. U kunt zien hoe de patiëntengroep bij elke filterstap kleiner wordt — bijvoorbeeld hoe vierduizend patiënten driehonderd werden. Elke tool die het aanroept, wordt getoond. Elke “skill” die het gebruikt, wordt getoond. Elke redeneerstap wordt getoond.

Een “skill” is een wetenschappelijke workflow die eenmaal is gecodeerd — de reeks analyses, de drempels, de redenering — die K Pro vervolgens elke keer identiek toepast wanneer deze relevant is. Skills zijn vooral belangrijk voor reproduceerbaarheid, omdat ze een van de manieren zijn waarop K Pro de natuurlijke variabiliteit van AI‑systemen vermindert — dezelfde taak twee keer uitvoeren moet hetzelfde antwoord opleveren. We blijven hierop voortbouwen, omdat het vermogen om het werk van een AI te verifiëren een belangrijk voordeel is in onze sector.

Owkin ontwikkelt op maat gemaakte K Pro‑agenten voor AstraZeneca en Sanofi. Wat hebben deze samenwerkingen u geleerd over het integreren van AI‑wetenschappers in gevestigde farmaceutische workflows zonder de menselijke controle, governance of wetenschappelijke strengheid te verzwakken?

U moet farmaceutische bedrijven ontmoeten waar ze staan. Elk bedrijf heeft een andere opzet, een andere geschiedenis en een andere honger naar AI‑adoptie — en binnen elk bedrijf hebben verschillende teams verschillende behoeften.

Onze ervaring met het samenwerken met farmaceutische bedrijven gedurende bijna het laatste decennium is dat zij altijd toezicht en strengheid prioriteren, en u krijgt de deur niet eens open als u niet aan hun governance‑normen voldoet.

Daarom hebben we K Pro gebouwd als interpreteerbaar — zodat u kunt zien hoe het redeneert, welke tools het selecteert en welke data het oproept — flexibel genoeg om binnen de bestaande systemen van een bedrijf te werken zonder dat zij hun infrastructuur hoeven aan te passen, en in staat om propriëtaire data precies op de plek waar die al is opgeslagen te benaderen, zonder die ooit te verplaatsen of te dupliceren.

Dat draagt sterk bij aan het opbouwen van het vertrouwen dat nodig is voor adoptie door de farmaceutische sector.

Multimodale patiëntgegevens kunnen institutionele vooroordelen, inconsistente annotaties en ondervertegenwoordigde populaties bevatten. Hoe voorkomt Owkin dat deze beperkingen leiden tot misleidende biologische conclusies of tot een beperking van de patiënten die van een ontdekking kunnen profiteren?

Alle data bevat enige vorm van bias, of het nu afkomstig is van het laboratorium of van de patiënten die het vertegenwoordigt. Onze aanpak is om onze datasets zo volledig mogelijk te begrijpen, zodat we kunnen identificeren of er bias bestaat en hoe we hier rekening mee kunnen houden.

We kunnen dit doen omdat we sterke relaties hebben met de onderzoekers die elk dataset oorspronkelijk hebben gegenereerd, en zij helpen ons om het grondig te onderzoeken.

We zijn ervan overtuigd dat als er een relevante dataset bestaat, we die kunnen vinden. Maar als er een gat is — bijvoorbeeld een patiëntpopulatie die niet goed vertegenwoordigd is in bestaande data — dan kunnen we zelf nieuwe data genereren volgens strenge normen, in samenwerking met academische partners, zoals we deden met onze MOSAIC‑dataset.

U heeft Owkin’s langetermijndoel omschreven als Biological Artificial SuperIntelligence. Welke capaciteiten zouden dat onderscheiden van de huidige AI‑onderzoeksinstrumenten, en welk bewijs zou u overtuigen dat een AI‑systeem werkelijk biologie begrijpt in plaats van alleen steeds verfijndere patronen te identificeren?

Biological Artificial SuperIntelligence (BASI) — onze term voor een AI‑systeem dat zelfstandig werkelijk nieuwe, correcte biologie kan voorstellen — ontstaat wanneer een AI‑systeem betrouwbaar nieuwe ziektebiologie suggereert die menselijk onderzoek nog niet heeft ontdekt, en die later blijkt correct te zijn.

We bouwen hierna toe met een systeem dat kan:

• Autonoom werken, zijn eigen hypothesen verfijnen zonder menselijke tussenkomst bij elke stap, inclusief het ontwerpen en uitvoeren van experimenten in geautomatiseerde laboratoria
• Redeneren over oorzaak‑en‑gevolg in biologische systemen, niet alleen correlaties opsporen

Of de AI werkelijk biologie “begrijpt”, is een interessante filosofische vraag. Op welk moment worden de interne representaties van een model complex genoeg om te gelden als echt begrip, in plaats van alleen zeer verfijnde patroon‑matching? Voor nu neem ik genoegen met dat het betrouwbaar nieuwe biologie kan suggereren die uiteindelijk waar blijkt te zijn.

Bedankt voor het geweldige interview, lezers die meer willen weten, kunnen Owkin bezoeken.