Andrew Watson, visepresident for AI og R&D i Healx – Intervju-serie

Andrew Watson er visepresident for AI og R&D i Healx.

Healx er et AI-drevet, pasient-inspirert teknologiselskap, som er dedikert til å hjelpe pasienter med sjeldne sykdommer verden over til å få tilgang til livsforbedrende behandlinger. Det finnes 7 000 kjente sjeldne sykdommer som rammer 400 millioner mennesker over hele verden, men bare 5 % av disse tilstandene har godkjente behandlinger. Healx bruker kunstig intelligens (AI) til å identifisere nye behandlinger for sjeldne sykdommer fra eksisterende stoffer og fremme dem mot pasienter som trenger dem. Deres innovative tilnærming gjør at de kan påskynde tempoet, øke skalaen og forbedre sjansen for suksess i utviklingen av behandlinger for sjeldne sykdommer.

Hva var det som først tiltalte deg til feltet maskinlæring?

Min første introduksjon til maskinlæring var under en forelesning om «Evolutionære algoritmer» under min første grad ved University of Exeter. Vi lærte å programmere en algoritme som designet to-dimensjonale leker, starting fra en tilfeldig samling av hjul og komponenter, før vi vurderte deres ytelse og itererte for å skape påfølgende generasjoner som fungerte bedre og bedre mot en måling vi definerte. Jeg var fascinert over at programvaren kunne utføre tusenvis av design-iterasjoner uten noen menneskelig inngripen, og fra da av prøvde jeg å automatisere alt mulig! Denne evolusjonære tilnærmingen var den samme som NASA brukte til å designe sin ST5-antenne som ser ut som noe en menneskelig ekspert ville ha skapt.

Du har alltid vært fascinert av å bruke maskinlæring og AI-teknikker på vanskelige problemer, hva var noen av disse utfordringene du møtte før du begynte i Healx?

Jeg har vært heldig å ha muligheten til å bruke maskinlæring og AI i en rekke sammenhenger, fra å forstyrre terrorister til å identifisere og mitigere datamaskin-malware, til, rett før Healx, å kombinere AI med en dyp forståelse av bruker-atferd for å skape intelligente maskiner for bruk hjemme og ellers hos Dyson.

Det er lett for AI å bli en gimmick, men min mål har alltid vært å finne meningsfulle anvendelser, enten det er å utlede mening fra store mengder informasjon eller å redusere en brukers kognitive belastning gjennom beslutningsstøttesystemer. Vår misjon i Healx er å arbeide med en av de ultimate utfordringene, rett på sammenhengen mellom AI og menneskelig biologi, for å hjelpe noen av de menneskene som trenger det mest: de med sjeldne sykdommer.

Hva er noen av dine nåværende ansvarsområder i Healx?

Jeg overvåker R&D-avdelingen, som er ansvarlig for å levere legemiddel-forutsigelser til våre kolleger i for-kliniske teamet i Healx. Vi gjør dette ved å forstå både den underliggende biologien til en sykdom vi arbeider med og virkningsmekanismen til potensielle legemidler som kan hjelpe til å behandle den, alt kjører på toppen av vår proprietære AI-plattform, Healnet.

Healnet analyserer eksisterende legemiddel- og sykdomsdata fra biomedisinsk forskning, vitenskapelig litteratur, pasientinnsikt og Healx’ egne kurerte kilder for å danne en sjeldens sykdoms-kunnskapsgraf. Vi bruker så fremtredende AI- og NLP-modeller til å utvinne denne grafen for å finne nye muligheter til å omutvikle, kombinere og sogar forbedre legemiddel-molekyler for å behandle en tilstand.

Kunne du diskutere noen av maskinlæringsteknologiene som brukes av Healnet-legemiddelfunn-plattformen for å identifisere nye behandlinger for sjeldne sykdommer fra legemidler som allerede eksisterer?

Sikkert! Healx bruker en rekke AI- og NLP-metoder til å spore ikke-åpenbare sykdom-legemiddel-forhold med den høyeste sannsynligheten for suksess.

En av våre vanligste metoder er kalt Sykdom-Gene-uttrykk-matching, eller DGEM. Denne metoden sammenligner gen-uttrykk-profilen for en bestemt sykdom med gen-uttrykk-profiler fra Healx’ kurerte legemiddeldatabase, som inneholder tusenvis av legemiddelsignaturer fra offentlige og private kilder og dekker en rekke farmakologiske klasser, inkludert en blanding av godkjente og undersøkende stoffer. DGEM forutsier så hvilke legemidler som sannsynligvis vil være effektive behandlinger basert på de mest differensiert uttrykte genene i gen-uttrykk-profilene. Metoden fungerer på premisset at en legemiddel-mekanisme med den motsatte mekanismen til en sykdom ville være en sterk kandidat for en effektiv behandling. Vi brukte faktisk denne metoden til å finne de ledende stoffene vi nå undersøker som en del av vår IMPACT-FXS-studie på Fragile X-syndrom – verdens ledende genetiske årsak til lærevansker.

En annen metode er Forutsigelse av gjenbrukte indikasjoner med likhetsmatriser (PRISM), som bruker prinsippet at hvis et legemiddel behandler en bestemt sykdom, så kan et lignende legemiddel behandle en lignende sykdom. For å bestemme likheten mellom legemidler, tar PRISM hensyn til målproteiner, struktur-lignende og bivirkninger, og for å bestemme likheten mellom sykdommer, tar PRISM hensyn til målgener, ontologisk struktur og fenotyper. En maskinlæring-algoritme brukes så til å kombinere disse likhetene for å forutsi nye behandlingsmuligheter.

Vi har nå utviklet over 10 monoterapi- og kombinasjonsbehandling-forutsigelsesmoduler for å identifisere flere nye terapeutiske muligheter for sjeldne tilstander, og kritisk, disse modellene er trent til å oppdage nye sykdomsbiologier og virkningsmekanismer, uten å være begrenset til ett enkelt biologisk mål (som er et problem med tradisjonelle legemiddelfunn-metoder).

Når et legemiddel er identifisert som en mulig kandidat, hvordan bestemmer systemet så om å gå videre til kliniske prøver?

Takk til våre AI-algoritmer og våre proprietære datakilder, er vi i stand til å redusere en liste på rundt 15 000 mulige legemidler til 100 eller så likende behandlingskandidater.

Når vi har denne listen, blir den overført til vårt for-kliniske team – bestående av ekspert-farmakologer og legemiddelforskere – som anvender sin betydelige vitenskapelige og medisinske kunnskap om sykdommen og legemidlene til å gjennomgå forutsigelsene og velge de mest sannsynlige legemiddel-kandidatene til å behandle en bestemt sykdom. Vi gir også det for-kliniske teamet AI-generert rasjonalitet som støtter forutsigelsene, og forklarer hvorfor et stoff som kan synes uvant på første hånd er verd å merke seg.

Når de har snevret listen inn til rundt 10-20 kandidater, blir disse stoffene fremmet til for-klinisk validering, som innebærer testing av et legemiddel i cellekulturer og modeller før det testes i mennesker under kliniske prøver. Disse studiene vil avsløre om et stoff sannsynligvis vil være effektivt, trygt og avdekke hva (hvis noen) bivirkninger det kan ha. De bestemmer også hvilke legemidler kan kombineres eller forbedres for en mer effektiv behandling.

Kunne du utdype hva Fragile X-syndrom er, og noen av de nylige suksessene med å avdekke potensielle legemiddel-kandidater?

Fragile X-syndrom er en sjelden nevrologisk tilstand som forårsaker en rekke intellektuelle og kognitive svekkelser. Den rammer omtrent 1 av 4 000 menn og 1 av 8 000 kvinner – men det finnes for tiden ingen effektive eller godkjente behandlinger for tilstanden tilgjengelig.

Healx’ mål er å endre dette, ved å forsøke å bringe minst en ny og effektiv kombinasjonsbehandling for tilstanden til markedet i de neste årene.

Vi har gjort fantastisk fremgang på dette målet så langt, og har avdekket flere kandidater for tilstanden gjennom våre AI- og omisk-baserte legemiddel-sammenligningsmetoder (inkludert DGEM, som jeg nevnte tidligere). HLX-0201, som opprinnelig ble godkjent som et ikke-steroidalt anti-inflammatorisk legemiddel, er vår mest lovende kandidat, og spennende, har vi nå mottatt godkjenning fra USAs mat- og legemiddeladministrasjon (FDA) for fase 2a-klinisk studie av stoffet sammen med HLX-0206, som ble identifisert som en potensiell kombinasjonspartner ved hjelp av Healx’ proprietære kombinasjonsforutsigelsesmetoder.

IMPACT-FXS-studien er nå i gang på flere steder i USA, som er virkelig spennende, og vi håper å ha mer å dele om det snart!

Det er verdt å nevne også at, gjennom hele prosjektet, har Healx arbeidet tett med FRAXA Research Foundation, en ledende forsknings- og støtteorganisasjon for Fragile X i USA, og andre organisasjoner for å hjelpe oss med å forstå mer om tilstanden og få tilgang til for-kliniske data og modeller som har tillatt oss å raskt fremme våre forutsigelser til klinisk studie.

Hva ser du for seg som fremtiden for AI i målet på sjeldne sykdommer?

Jeg tror det er potensialet for å se AI og andre grense-teknologier utbredt over hele legemiddelfunn- og utviklings-pipeline, og hjelpe til å overvinne noen av de konvensjonelle utfordringene rundt tid, kostnad og risiko.

Vi ser allerede en utbredelse av selskaper i det videre legemiddelfunn-rommet som bruker AI til å gjøre alt fra å analysere sykdomsdata og etablere biomarkører, til å syntetisere proteiner og designe nye legemidler, helt opp til å analysere virkelige bevis og kjøre kliniske prøver støttet av «digital tvilling»-kontrollarm.

Alt dette vil være enormt nyttig for oppdagelsen av behandlinger for sjeldne sykdommer hvor det finnes hindringer rundt mangel på relevant sykdomskunnskap eller små pasienttall. NLP kan hjelpe til å fylle hullene i forståelsen ved å aggregere oppdatert data, mens ML kan forutsi hvilke eksisterende behandlinger som kan gjenutvikles og hvorfor. Kanskje mest spennende er at AI kan gi oss den automatiseringen vi trenger for å finne og utvikle behandlinger i skala. Og når datamaskinkraft og fremgang blir gjort i AI, kan vi skalerer det opp raskt.

Er det noe annet du ville like å dele om Healx?

Dette er en virkelig god tid å være i rommet, og det er en ære å arbeide med disse grense-teknologiene for å løse noen av de mest komplekse problemene som finnes. Vi er alltid på utkikk etter mennesker som er lidenskapelige om vår misjon til å slutte seg til teamet, og jeg anbefaler sterkt de som er interesserte å sjekke ut våre ledige stillinger.

Vi har også noen spennende utviklinger og prosjekter i pipelinen i Healx, som du kan holde deg oppdatert om via vår nettside, og vi håper å kunne dele noen av disse med deg snart.

Takk for det flotte intervjuet, jeg ser frem til å følge fremgangen til Healx, et selskap som uten tvil vil ha en positiv innvirkning på mange. Lesere som ønsker å lære mer bør besøke Healx.