Charles Fisher, Ph.D., CEO og grunnlegger av Unlearn – Intervju-serie

Charles Fisher, Ph.D., er CEO og grunnlegger av Unlearn, en plattform som utnytter AI for å løse noen av de største flaskleneckene i klinisk utvikling: lange forsøksperioder, høye kostnader og usikre resultater. Deres nye AI-modeller analyserer enorme mengder pasientnivådata for å forutsi pasientenes helsemessige resultater. Ved å integrere digitale tvillinger i kliniske forsøk kan Unlearn akselerere klinisk forskning og hjelpe med å bringe livreddende nye behandlinger til pasienter som trenger dem.

Charles er en vitenskapsmann med interesser på grensen mellom fysikk, maskinlæring og komputasjonsbiologi. Tidligere arbeidet Charles som maskinlæringsingeniør hos Leap Motion og som komputasjonsbiolog hos Pfizer. Han var en Philippe Meyer-stipendiat i teoretisk fysikk ved École Normale Supérieure i Paris, Frankrike, og en postdoktorand i biofysikk ved Boston University. Charles har en Ph.D. i biofysikk fra Harvard University og en B.S. i biofysikk fra University of Michigan.

Du er for tiden i mindretall i din grunnleggende tro på at matematikk og beregning bør være grunnlaget for biologi. Hvordan kom du til denne konklusjonen?

Dette er sannsynligvis bare fordi matematikk og beregningsmetoder ikke har vært tilstrekkelig fremhevet i biologiutdanningen de siste årene, men fra der jeg sitter, begynner folk å endre mening og enes med meg. Dybe neurale nettverk har gitt oss et nytt sett med verktøy for komplekse systemer, og automatisering hjelper med å skape de store biologiske datasettene som er nødvendige. Jeg tror det er uunngåelig at biologi går over til å bli mer en beregningsvitenskap i løpet av de neste ti årene.

Hvordan gikk denne overbevisningen over til å starte Unlearn?

I fortiden har mange beregningsmetoder i biologi blitt sett på som løsninger av “lekeproblemer” eller problemer som er langt fjernet fra anvendelser i medisin, noe som har gjort det vanskelig å demonstrere virkelig verdi. Vårt mål er å finne opp nye metoder i AI for å løse problemer i medisin, men vi fokuserer også på å finne områder, som i kliniske forsøk, hvor vi kan demonstrere virkelig verdi.

Kan du forklare Unlearns misjon om å eliminere prøving og feil i medisin gjennom AI?

Det er vanlig i ingeniørarbeid å designe og teste en enhet ved hjelp av en datamodell før man bygger den virkelige ting. Vi ønsker å muliggjøre noe lignende i medisin. Kan vi simulere effekten en behandling vil ha på en pasient før vi gir det til dem? Selv om jeg tror feltet er ganske langt ifra dette i dag, er vårt mål å finne opp teknologien for å gjøre det mulig.

Hvordan bidrar Unlearns bruk av digitale tvillinger i kliniske forsøk til å akselerere forskningsprosessen og forbedre resultater?

Unlearn finner opp AI-modeller kalt digitale tvilling-generatore (DTG) som genererer digitale tvillinger av kliniske forsøksdeltagere. Hver deltager sin digitale tvilling forutsier hva deres resultat ville være hvis de fikk placebo i et klinisk forsøk. Hvis våre DTG var fullstendig nøyaktige, kunne kliniske forsøk i praksis kjøres uten placebo-grupper. Men i praksis gjør alle modeller feil, så vårt mål er å designe randomiserte forsøk som bruker mindre placebo-grupper enn tradisjonelle forsøk. Dette gjør det lettere å melde seg til studien og akselerer forsøksperioden.

Kunne du forklare nøyaktig hva Unlearns reguleringsgodkjente Prognostic Covariate Adjustment (PROCOVA™) metode er?

PROCOVA er den første metoden vi utviklet som tillater deltagerens digitale tvillinger å brukes i kliniske forsøk så at forsøksresultatene er robuste til feil modellen kan gjøre i sine forutsigelser. I essensen bruker PROCOVA det faktum at noen av deltagerne i en studie er tilfeldig tildelt placebo-gruppen til å korrigere de digitale tvillingenes forutsigelser ved hjelp av en statistisk metode kalt kovariatanpassning. Dette tillater oss å designe studier som bruker mindre kontrollgrupper enn vanlig eller som har høyere statistisk styrke samtidig som vi sikrer at studiene fortsatt gir strenge vurderinger av behandlingseffekten. Vi fortsetter også FoU for å utvide denne løsningsserien og gi enda kraftigere studier fremover.

Hvordan balanserer Unlearn innovasjon med regulatorisk overholdelse i utviklingen av sine AI-løsninger?

Løsninger rettet mot kliniske forsøk reguleres vanligvis basert på deres kontekst for bruk, noe som betyr at vi kan utvikle flere løsninger med forskjellige risikoprofiler som er rettet mot forskjellige bruksområder. For eksempel utviklet vi PROCOVA fordi det er ekstremt lavt risiko, noe som tillot oss å søke om en kvalifisert mening fra den europeiske legemiddelmyndigheten (EMA) for bruk som primær analyse i fase 2- og 3-kliniske forsøk med kontinuerlige resultater. Men PROCOVA utnytter ikke all informasjonen som de digitale tvillingene vi lager for forsøksdeltagerne gir – det lar noen ytelse ligge på hyllen for å møte regulatoriske retningslinjer. Selvfølgelig eksisterer Unlearn for å skyve grensene, så vi kan lansere mer innovative løsninger rettet mot anvendelser i tidligere studier eller post-hoc-analyser hvor vi kan bruke andre typer metoder (for eksempel bayesianske analyser) som gir mye mer effisiens enn vi kan med PROCOVA.

Hva har vært noen av de største utfordringene og gjennombruddene for Unlearn i å bruke AI i medisin?

Den største utfordringen for oss og andre som er involvert i å anvende AI på problemer i medisin er kulturell. For tiden er det største flertallet av forskere i medisin ikke ekstremt kjent med AI, og de er vanligvis misinformatert om hvordan de underliggende teknologiene faktisk fungerer. Som et resultat er de fleste menneskene svært skeptiske til at AI vil være nyttig i nær fremtid. Jeg tror det vil uunngåelig endre seg i de kommende årene, men biologi og medisin generelt ligger bak andre felt når det gjelder innføring av nye datateknologier. Vi har hatt mange tekniske gjennombrudd, men de viktigste tingene for å få adopsjon er sannsynligvis bevis fra regulatorer eller kunder.

Hva er din overordnede visjon for å bruke matematikk og beregning i biologi?

 I min mening kan vi bare kalle noe “en vitenskap” hvis målet er å lage nøyaktige, kvantitative forutsigelser om resultatene av fremtidige eksperimenter. For tiden er omtrent 90% av legemidlene som går inn i menneskelige kliniske forsøk mislykkede, vanligvis fordi de ikke virker. Så, vi er virkelig langt ifra å lage nøyaktige, kvantitative forutsigelser nå når det gjelder de fleste områdene i biologi og medisin. Jeg tror ikke det endrer seg før kjerneområdene i disse disiplinene endrer seg – før matematikk og beregningsmetoder blir de grunnleggende resoneringsteknikkene i biologi. Min håp er at arbeidet vi gjør i Unlearn fremhever verdien av å ta en “AI-først”-tilnærming til å løse et viktig praktisk problem i medisinsk forskning, og fremtidige forskere kan ta den kulturen og anvende den på et bredere sett av problemer.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke Unlearn.