Alan Murray, medgrunnlegger og CEO av Conceivable Life Sciences – Intervju-serie

Alan Murray, medgrunnlegger og CEO, Conceivable Life Sciences – er en ingeniør og serial entrepreneur med mer enn tre tiår med erfaring innen teknologi, maskinlæring, hardware, logistikk og selskapsbygging. Før han startet Conceivable, var han medgrunnlegger av TMRW Life Sciences, hvor han hjalp til å utvikle en automatisert plattform for å håndtere og sikre frosne egg og embryoner brukt i in vitro fertilisering (IVF). Murray er også medgrunnlegger og partner i Coriolis Ventures og har hjulpet til å etablere selskaper innen digital annonsering, hotell og life sciences, inkludert Integral Ad Science , Dstillery og NeueHouse. Hos Conceivable fungerer han som både en strategisk leder og hovedarkitekt for AURA, og overvåker integreringen av robotikk, avansert bildebehandling og maskinlæring i fertilitetslaboratoriearbeidsflyten.

Conceivable Life Sciences er et bioteknologiselskap som utvikler AURA, en automatiseringsassisterende IVF-laboratorium designet for å koordinere de komplekse prosessene involvert i å skape, dyrke og bevare embryoner. I stedet for å automatisere en enkelt prosess, integrerer plattformen robotikk, programvare, avansert optikk, kunstig intelligens og laboratorieutstyr på tvers av IVF-arbeidsflyten, samtidig som den opprettholder digital sporbarhet og lar embryologer beholde kontroll over kliniske beslutninger. Conceivable har som mål å bruke denne standardiserte tilnærmingen til å redusere variasjon, utvide laboratoriekapasitet og gjøre fertilitetsbehandling mer tilgjengelig og rimelig for familier som i dag står overfor høye kostnader eller begrensede muligheter for spesialisert omsorg.

Tidligere var du medgrunnlegger av TMRW Life Sciences, hvor du hjalp til å introdusere automatisering i lagring og håndtering av frosne egg og embryoner. Hva lærte denne erfaringen deg om begrensningene i dagens fertilitetsinfrastruktur, og hva overbeviste deg til å grunnlegge Conceivable Life Sciences og å ta på seg den mer komplekse utfordringen med å automatisere embryorskaping?

Hos TMRW automatiserte vi hvordan egg og embryoner lagres og spores når de en gang er skapt. Det løste et virkelig problem, og å få riktig kjede av besittelse i kryokonservasjon er uforsonlig, og å få det riktige er enormt viktig for pasientene. Men det viste også begrensningene i hva lagringsautomatisering alene kunne fikse. Flaskehalsen i IVF var aldri virkelig hva som skjer etter at embryonet er skapt. Det er skapingen av det som fortsatt avhenger av en liten gruppe høyt trente embryologer som utfører manuelle, repetitive, sub-mikron presisjonsoppgaver for hånd, og resultatet varierer med hvem som holder pipetten den dagen.

Når jeg startet TMRW, ble fertilitetslagringsmarkedet fortsatt behandlet som en nisjekjører av reproduktiv medisin. Jeg så det ikke på den måten. Forsinket foreldreblivning ble mer og mer vanlig, flere mennesker fryset egg og sperm tidligere, arbeidsgivere begynte å legge til fertilitetsbevaring i fordelspakker, og LHBT+- og enkeltforeldre-samfunn bygget familier gjennom egg- og sperm-banking i en skala industrien ikke hadde planlagt for. Alt dette pekte på et lagrings- og sporingsproblem som skulle bli mye større, mye raskere enn de fleste i bransjen hadde forventet. Det er en del av hvorfor kjede av besittelse var så viktig for meg hos TMRW. Hvis du bygger for et marked som er på vei mot en slik skala, kan du ikke bare stole på manuell sporings- og menneskelige minne for å holde egg, sperm og embryoner rett. Automatisering av lagring og sporings var ikke bare om å gjøre dagens jobb bedre, men om å bygge infrastruktur som kunne holde til når antallet pasienter, sykluser og prøver økte med en størrelsesorden.

I 2018 begynte jeg å designe hva som ble AURA fra bunnen av, fra mikrofluidikk til robot-integrasjon til injeksjonsteknikk. Hva overbeviste meg til å skape Conceivable var ganske enkelt: hvis vi kunne bringe samme rigor til embryorskaping som produksjon og robotikk har bragt til andre presisjonsindustrier, kunne vi gjøre IVF mer konsistent og mer tilgjengelig samtidig. Det var det vanskeligere problemet, men det var det som var verdt å løse.

AURA koordinerer over 200 trinn på sammenkoblede systemer for skåleforberedelse, spermbehandling, eggidentifikasjon, intracytoplasmisk sperm-injeksjon, inkubasjon, robot-transport og vitrifisering. Hvordan fungerer programvaren, robotikk, bilde-systemer og laboratorieutstyr som en samlet plattform mens de opprettholder sporbarhet for hver egg, sperm-celle og embryo?

AURA kjører disse over 200 trinnene som ett sammenhengende system fremfor en rekke separate maskiner. Programvarelaget er det som gjør det mulig. Hver handling, hver bilde, hver måling er knyttet til en bestemt egg, sperm-celle eller embryo gjennom hele syklusen, så det finnes en fullstendig digital rekord av nøyaktig hva som skjer og når.

Denne sporbarheten er det folk underskattar. I en konvensjonell laboratorium lever mye av denne historien i en embryologs notater og minne. I AURA er det strukturert data fra første trinn til siste, som er det som lar robotikk, bildebehandling og laboratorieutstyr koordinere i sanntid og lar en embryolog gå inn på et hvilket som helst tidspunkt med full kontekst, ikke en delvis bilde.

Din tekniske stakke inkluderer en Detection Transformer for å hjelpe med sperm-identifikasjon, avansert bildebehandling for å finne egg, og visjon-språk-handlingsmodeller designet for å guide delikate fysiske prosedyrer. Hvordan er disse modellene trenet, hva signaler de vurderer, og hvordan bestemmer systemet når en embryolog må gripe inn?

Vi bruker datamaskinmodeller (inkludert YOLO og RT-DETR) for å: fokusere mikroskoper, kalibrere robot-posisjoner, identifisere og spore sperm, finne og vurdere egg, og for å guide robotikk under prosedyrer som ICSI (kombinasjon av sperm og egg for å skape et embryo).

Disse modellene er trenet på en stadig økende bibliotek av høyoppløselige, merkte bilder tatt fra tidligere tilfeller. Våre AI-ingeniør-utfordringer inkluderer å oppnå ultralav latency-inferens for å koordinere lasere og robot-bevegelser nøyaktig.

Du har funnet inspirasjon fra halvlederproduksjon og autonome kjøretøy, industrier som kombinerer persepsjon, planlegging og presis fysisk eksekvering. Hvilke ingeniør-prinsipper overføres vellykket til embryologi, og hvilke måtte redesignes fordi AURA håndterer levende celler fremfor produserte komponenter?

Ingeniør-prinsippene som overføres vel var rundt presisjonsproduksjon i stor skala: streng prosesskontroll, sensor-fusjon, å behandle variasjon som noe å måle og designe ut fremfor å akseptere. Autonome kjøretøy ga oss en god modell for hvordan persepsjon, planlegging og eksekvering må fungere sammen i sanntid, og hvordan et system skal oppføre seg når det ikke er sikker på hva det ser.

Hva som måtte redesignes nesten fullstendig var vår toleranse for det uventede. En halvleder-plate oppfører seg på samme måte hver gang. En levende celle gjør ikke det. To egg fra samme pasient kan se forskjellig ut, oppføre seg forskjelligt og reagere forskjelligt på samme prosedyre. Så i stedet for å bygge mot en enkelt “korrekt” utgang, måtte vi bygge et system som kan gjenkjenne en bred rekke biologisk variasjon og kjenner forskjellen mellom normal variasjon og noe som trenger en person å se på det. Det er et fundamentalt annet ingeniør-problem enn noe i chip-produksjon eller kjøring.

Conceivable beskriver hver AURA-syklus som en bidragsyter til en data-hjul av standardisert prosessinformasjon som konvensjonelle laboratorier ikke lett kan samle inn. Hva data samles inn under en syklus, hvordan kan det forbedre fremtidige modeller, og hvordan håndterer dere pasient-privatliv, demografisk bias, forskjeller mellom klinikker og risikoen for å oppdatere kliniske AI-systemer?

Hver AURA-syklus genererer en standardisert datasett: bilder, sensor-data, tid og resultater knyttet til hver trinn, på et nivå av detalj som manuelle IVF-laboratorier ikke produserer i dag fordi så mye av prosessen ikke blir systematisk registrert. Denne dataene føder tilbake til å forbedre våre modeller over tid, som er en av de virkelige fordelen med automatisering. Systemet blir bedre med volum i en måte manuelle prosesser ikke kan.

På privatliv, håndteres pasient-data som de-identifisert for modell-trening og håndteres under samme reguleringstandarder som styrer klinisk data generelt. På bias, er vi bevisste på å trene på data over ulike pasient-populasjoner og kliniske steder så modellene ikke bare fungerer godt for de demografiene som er best representert i tidlige data. Forskjeller mellom klinikker er en virkelig variabel vi sporer for, siden laboratorieforhold og pasient-populasjoner varierer. Og på å oppdatere kliniske AI-systemer trygt, går hver modell-oppdatering gjennom validering før deploy, og vi er ikke mer enn bevisene støtter på den fronten. Vi foretrekker å være korrekte fremfor å være først.

Conceivable har gjennomført pilotstudier som omfatter over 100 pasienter og over 1 000 egg. Hvilke kliniske endepunkter vil være mest viktige i å bevise at automatisering kan forbedre konsistens, sikkerhet, embryoutvikling, graviditetsrater eller fødselsresultater sammenlignet med konvensjonell manuell IVF?

Med over 100 pasienter og over 1 000 egg i våre pilotstudier, er endepunktene som betyr mest de som faktisk forutsier en sunn utgang for en pasient, ikke bare prosess-målinger. Befruktning-rate, embryoutvikling til blastocyst, og euploidi-rater forteller oss om biologien oppfører seg som den skal. Deretter forteller implantasjon- og graviditets-rater oss om det oversettes til en virkelig sjanse for et barn. Fødsel er endepunktet som betyr mest, og det er også det som tar lengst å akkumulere, siden det tar måneder etter overføring å vite.

Hva vi er mest fokusert på å bevise er konsistens: at AURA produserer samme kvalitetsresultat uavhengig av hvilket laboratorium, hvilken dag eller hvilken pasient-populasjon det betjener. Det er det stykket manuell IVF aldri har kunnet garantere, og det er det stykket automatisering er bygget for å løse.

C:VIT er designet for å kjøle ned embryoner opptil 50 ganger raskere enn konvensjonelle vitrifiseringsmetoder mens de standardiserer kryoprotektant-eksponering og reduserer iskrystall-dannelse. Hvordan oversetter raskere kjøling til klinisk meningsfulle fordeler, og hva bevis er nødvendig for å demonstrere forbedringer i embryo-overlevelse, implantasjon og fødselsrater?

Den kliniske logikken er rett frem: saktere kjøling gir iskrystaller mer tid til å danne seg, og iskrystaller skader celle-struktur. Raskere, mer standardisert kjøling reduserer den risikoen og gir hvert embryo samme kryoprotektant-eksponering, fremfor eksponering som varierer med hvilken embryolog som utfører prosedyren og hvor raskt de arbeider.

Vi designet C:VIT for å forbedre embryo-overlevelse gjennom frys-til-tørke-syklusen, som er det første og mest umiddelbare å måle. Deretter er bevisene som betyr noe implantasjon- og fødselsrater i embryoner vitrifisert med C:VIT sammenlignet med konvensjonelle metoder. Vi bygger opp dette beviset bevisst, gjennom kontrollerte studier, før vi gjør krav på resultater i stor skala.

Conceivable understreker at AURA er automatiserings-assistert og at kliniske beslutninger forblir hos embryologer. Hvilke beslutninger må alltid forbli under menneskelig kontroll, hva sikkerhetstiltak lar en embryolog stoppe eller overstyre systemet, og hvordan håndteres ansvar når en AI-anbefaling eller robot-handling påvirker et egg eller embryo?

Hver beslutning som påvirker klinisk dømmekraft, om et egg er livskraftig, om et embryo er egnet for overføring, om å fortsette med en prosedyre, forblir hos embryologen. AURA er automatiserings-assistert. Det er designet for å utføre fysiske oppgaver med presisjon og konsistens og for å flagge noe utenfor forventede parametre, men det tar ikke kliniske beslutninger på egen hånd.

Embryologer kan stoppe eller overstyre systemet på et hvilket som helst tidspunkt i en syklus, og systemet er designet for å gjøre det enkelt, ikke noe du må kjempe mot grensesnittet for å gjøre. På ansvar, er hver handling AURA tar logget og knyttet til embryologen som overvåker den syklusen, så det finnes en klar rekord av hva systemet gjorde, hva det flagget, og hva beslutning en menneske tok i respons. Denne sporbarheten er det som gjør ansvar mulig fra første sted.

Conceivable og IVI RMA planlegger å deployere det første AURA-systemet på en amerikansk klinik i 2027. Hvilke regulatoriske, kliniske-validerings-, infrastruktur- og arbeidsflyt-utfordringer må løses før plattformen kan flyttes fra kontrollerte studier til rutinemessig pasient-omsorg?

Det er virkelig arbeid foran på fire fronter. Regulatorisk: å arbeide gjennom den riktige veien med FDA for et system som kombinerer robotikk, programvare og reproduktiv medisin, som ikke har mye precedens å følge. Klinisk validering: å bygge bevisbasen i den skalaen som er nødvendig for et amerikansk klinisk miljø, utover hva pilotstudier kan vise. Infrastruktur: å sette opp den fysiske deployeringen på en amerikansk klinik med IVIRMA, som er en betydelig oppgave i seg selv. Og arbeidsflyt: å sikre at embryologer og klinisk personale på det første stedet er trent og komfortable med systemet før det berører pasient-omsorg.

Ingen av disse er små, og vi behandler ikke 2027 som en dato vi må nå uansett hvor bevisene ender. Det er datoen vi arbeider mot når valideringen støtter det.

IVF forblir dyrt, geografisk begrenset og avhengig av en relativt liten gruppe høyt trente spesialister. Hva må endre seg i økonomien og driftsmodellen for fertilitets-omsorg for at automatisering skal gjøre IVF mer tilgjengelig, og hvordan vil dere måle om AURA faktisk reduserer kostnaden per vellykket fødsel?

Kjernen i problemet er at IVF har avhengt av en liten gruppe høyt trente spesialister som utfører manuelle oppgaver som ikke skalerer. Det er det som gjør det dyrt og geografisk begrenset. Det er ikke en mangel på etterspørsel, det er en flaskehals i tilbud.

Vi har nylig co-utgitt en studie som ser på kostnad-til-baby som en andel av husholdningsinntekt over 25 land, og mønsteret er tydelig. Land hvor den netto-kostnaden en pasient betaler er under omtrent halvparten av median husholdningsinntekt, Israel, Japan, Spania, Taiwan, ser IVF stå for omtrent 9 til 12 prosent av alle fødsler. I USA, hvor netto-kostnader vanligvis løper over 75 prosent av husholdningsinntekt, er det omtrent 2,5 prosent. Tilgjengelighet er ikke ett av flere faktorer. Det ser ut til å være den primære barrieren. Hvis USA så lignende gevinster som studien fant andre steder, kunne det bety noe på størrelsesorden 140 000 til 160 000 ekstra fødsler årlig. Bak denne tallet er familier som ønsker et barn og ikke kan det nå på grunn av kostnad.

Automatisering adresseer denne flaskehalsen direkte: en standardisert plattform kan bringe laboratorie- presisjon til flere steder uten å kreve samme konsentrasjon av sjeldne, høyt trente talent i hver klinik, og færre sykluser per vellykket resultat er den faktoren som faktisk flytter kostnaden. For å måle om AURA faktisk reduserer kostnaden per vellykket fødsel, er tallet som betyr noe ikke kostnad per syklus. Det er kostnad per fødsel, siden en billigere syklus som ikke fungerer ikke er mer rimelig for en familie. Vi sporer dette målet direkte mens vi skalerer, og vi foretrekker å være konservative om hva vi hevder før dataene støtter det.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Conceivable Life Sciences.