Jinhan Kim, CEO av Standigm – Intervju-serie

Jinhan Kim er CEO av Standigm, et selskap som arbeider med AI-drevet legemiddelforskning.

Fra tilpasset målidentifikasjon til ledgenerering, genererer Standigms AI-plattform innsikt for hver trinn til å utvikle kommersielt verdifulle legemidler fra interne og samarbeidsprosjekter. ​

Hva var det som først interesserte deg for programmering, og hva jobbet du med da du først begynte?

Ja, på min Apple (AAPL ) II Plus. Det var katalysatoren for å gjøre meg fra en bokorm til en skaper. Jeg begynte å programmere, starting med C-programmering, av nysgjerrighet. Jeg ble interessert i prinsippene og de teoretiske aspektene ved min datamaskin. Derfra ble jeg en livslang lærer i teknologifeltet.

Hva var det som først tiltalte deg til maskinlæring?

Jeg tok mine grader i anvendt kjemi og kunstig intelligens ved University of Edinburgh under Geoffrey Hinton. Han er nevroforsker og datavitenskapsmann som i hovedsak skapte dypt læring. Hinton arbeidet med kunstige nevralt nett og designet autonome, intelligente maskiner – og senere, maskinlæringsalgoritmer. Google (GOOGL ) ansatte ham for ti år siden for å skape deres AI, og resten er historie.

Når ble du først involvert i sammenhengen mellom biologi og maskinlæring?

Jeg jobbet tidligere ved Samsung Advanced Institute of Technology, der jeg utviklet algoritmer. En av algoritmene jeg utviklet var en mekanisme for å reparere DNA-skader. Jeg ønsket å drive arbeid i biologifeltet og løse de vanskeligste problemene. Så vel menneskekroppen som datamaskiner som tenker som mennesker, er omtrent like komplekse, og du må jobbe for å forstå den ene for å fatte den andre. AI-systemer kan ikke bare grave gjennom omfattende vitenskapelige data som er publisert over flere tiår fra hele verden, men de kan også håndtere kompleksiteten i menneskekroppen og raskt og sammenhengende fange mønsterene i biologiske mekanismer. Det var lett å se at biologi og maskinlæring gikk hånd i hånd.

Kan du dele historien bak Standigm?

Mitt arbeid i helse og vitenskap avdekket et stort problem i tradisjonell legemiddelforskning: tiden og pengene det tok å skanne vitenskapelige forskningspapirer og screeningforsøk eller ledetrådene som gir utgangspunktet for potensiell ny legemiddelutvikling. Menneskelige forskere gjorde denne intensive forskningen. Jeg og to Samsung-kollegaer, Sang Ok Song og So Jeong Yun, så en mulighet til å flytte arbeidet fra mennesker til en intelligent maskin og designe en ny arbeidsflyt. Jeg ønsket ikke å jobbe for en lønn; jeg ønsket å jobbe for meg selv, å bringe legemiddelforskning til en ny standard, som er opphavet til arbeidet og navnet på “Standigm”, selskapet som de tre av oss grunnla. Vår maskinlæringsmodell oppnår nå høy prediksjonsnøyaktighet, og dens AI-teknologi oppnår maksimal ROI.

Hva er det syntetiske tilgjengelighetsproblemet, og hvordan arbeider Standigm for å løse dette?

Generative modeller kan designe nye molekylærstrukturer uten hjelp fra godt trente medisinske kjemikere, som er en av de viktigste grunnene til den entusiastiske tilgangen til denne teknologien i legemiddelforskningssamfunnet. Det største hindret her er forskjellen i hastighet mellom design av molekyler og deres eksperimentelle syntese, der design av millioner av forbindelser tar bare timer, og syntesen av bare ti molekyler tar uker eller måneder. Da bare en liten brøkdel av designede forbindelser vil bli syntetisert av menneskelige eksperter, er det essensielt å ha gode mål på molekylære egenskaper.

Første-generasjons AI-modeller var grove, og syntetiske kjemikere avviste de fleste av de designede molekylene på grunn av vanskelighetene med den syntetiske planen. Noen CRO-selskaper avviste sogar å forberede et forslag for denne syntetiske kampanjen.

Standigm har arbeidet med dette problemet ved å ansette erfarne medisinske kjemikere og legge til deres ekspertise til generative modeller, så de kan designe forbindelser som ikke kan skilles fra de som er designet av menneskelige eksperter. Standigm har nå flere forskjellige generative modeller som kan håndtere forskjellige legemiddelforskningstrinn: hit-identifikasjon, hit-til-led og led-optimering. Dette viser viktigheten av å ha diversifisert ekspertise for enhver AI-legemiddelforskningsselskap, der menneskelig erfaring og ekspertise i hovedsak brukes til å forbedre AI-modellene og å sikre de beste arbeidsflytene, i stedet for hvert prosjekt.

Kan du diskutere de typene algoritmer som brukes av Standigm for å fasilitere legemiddelforskning?

Vi starter vanligvis ethvert utforskende prosjekt ved å prioritere løftende og nye målproteiner ved hjelp av Standigm ASK; vår biologi-plattform består av distinkte algoritmer for å trene massive biologiske nettverk, bruke ulike typer ubiaserte omics-data, introdusere spesifikke kontekster av biologiske systemer og så videre. Valg av riktig målprotein er ett av de viktigste problemene i legemiddelforskning. Standigm ASK hjelper sykdomsekspertene ved å gi multiple hypoteser om MOA (mekanisme av handling).

For å sikre patenter med høyt beskyttende områder, utfører Standigm BEST ulike oppgaver, inkludert å foreslå hit-forbindelser (effektiv utforskning), skjelett-hopping (vurdere syntetisk tilgjengelighet og nyskaping) og ulike prediktive modeller for legemiddel-egenskaper (aktivitet, ADME/Tox-egenskaper og fysisk-kjemiske egenskaper). Mange mindre oppgaver er relatert til disse større oppgavene, som DTI (legemiddel-mål-interaksjon), AI-assistert molekylærsimulering, selektivitetsprediksjon og multi-parameter-optimering.

Hvor mye tid spares i gjennomsnitt når det kommer til generering av nye forbindelser sammenlignet med legacy legemiddelforskning prosedyrer?

Standigm-forskere har syntetisert hundrevis av nye molekyler for prosjekter, mange av disse er designert som hit- og led-molekyler i forskjellige kontekster. Ved å bruke AI-baserte modeller og kommersielle ressurser, har Standigm redusert tiden for den første runden av ny forbindelse-generering fra seks måneder til en gjennomsnittlig tid på to måneder for de fleste prosjekter. Nå kan de første ja/nei-beslutningene tas på en gjennomsnittlig tid på syv måneder, i stedet for tre til fire år.

Hva er noen av Standigms suksesshistorier for potensiell legemiddel-kommersialisering?

Ved hjelp av Standigm Insight, som deler den samme tekniske bakgrunnen som Standigm ASK, fant vi en legemiddelmolekyl som kan brukes til en sjelden pediatrisk sykdom, validert av en forsker fra et av de beste barnehusene i USA. Dette viser at AI-teknologi kan hjelpe med sjeldne legemiddelforskning, en vanskelig oppgave for selskaper av enhver størrelse, på grunn av behovet for mer kommersiell verdi. Spesielt i denne resesjonen, når legemiddelselskaper prøver å være mer konservative, kan AI fremme FoU i sjeldne og forneglete sykdommer.

Hva er din visjon for fremtiden av dypt læring og generativ AI i helsevesenet?

Suksessen til AI-teknologi avhenger av tilgjengeligheten av høykvalitetsdata. Det vil uunngåelig være stor konkurranse rundt å sikre en stor mengde høykvalitetsdata i helsevesenet. Fra et smalere perspektiv av tidlig legemiddelforskning, er kjemi- og biologidata dyre og krever lang tid for å sikre høykvalitetsstatus. Derfor vil den automatiserte laben være en fremtid for AI-legemiddelforskningfeltet, da den kan redusere kostnadene av høykvalitetsdata – drivstoffet for AI-teknologi. Vi driver våre teknologiplattformer til neste nivå, så Standigm ASK kan gi mer åpenbart bevis, fra pasient-deriverte data til molekylærbiologi; og så Standigm BEST AI-modeller kan være på toppnivå ved å mate høykvalitetsdata fra interne automatiserte laboratorier og samarbeidspartnere.

Er det noe annet du ønsker å dele om Standigm?

Som balansen av differensiert ekspertise er viktig for Standigm, er balansen av etniske grupper også kritisk. Vi har vært i ferd med å utvide vår tilstedeværelse i det globale miljøet ved å etablere kontorer i Storbritannia (Cambridge) og USA (Cambridge, MA) for å inkludere tilstedeværelsen av nettverkene og transformasjonen av Standigm til et mer internasjonalt selskap.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, bør besøke Standigm.