Jinhan Kim, CEO av Standigm – Intervju-serie

Jinhan Kim er CEO av Standigm, et selskap som jobber med arbeidsflyt AI-legemiddelforskning.

Fra tilpasset målidentifikasjon til ledningsgenerering, genererer Standigm arbeidsflyt AI-plattformen innsikt for hver trinn til å utvikle kommersielt verdifulle legemidler fra interne og partnerskapsprosjekter. ​

Du begynte å kode da du var i 6. klasse, kan du dele hvordan du ble interessert og hva du først jobbet med?

Ah, ja – på min Apple 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 jobbet med kunstige neurale nett og designet autonome, intelligente maskiner – og, senere, maskinlæringsalgoritmer. Google ansatte ham for ti år siden for å skape deres AI og resten er historie.

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

Jeg jobbet tidligere ved Samsung Advanced Institute of Technology, hvor jeg utviklet algoritmer. En av algoritmene jeg utviklet var en mekanisme for å reparere DNA-skader. Jeg ønsket å jobbe med biologi og løse de mest vanskelige problemene for å målrette. Begge menneskekroppen og datamaskiner som tenker som mennesker er 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 publisert over tiår fra hele verden, men de kan også prosessere 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 opphavsfortellingen bak Standigm?

Mitt arbeid i helse og vitenskap avdekket hva som for meg var et stort problem i tradisjonell legemiddelforskning: tiden og pengene det tok å skanne vitenskapelige forskningspapirer og screening-forsøk eller ledetrådene som gir utgangspunktet for potensiell ny-legemiddel-skaping. Menneskelige forskere gjorde denne intense 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 heller ikke å jobbe for en lønn; jeg ønsket å jobbe for meg selv, å bringe legemiddelforskning til en ny standard-paradigme, 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 jobber 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 tilpasningen av denne teknologien av legemiddelforskningssamfunn. Det høyeste hindret her er forskjellen i hastighet mellom design av molekyler og deres eksperimentelle synteser, hvor 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 for molekylæregenskaper.

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

Standigm har jobbet 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 designet av menneskelige eksperter. Standigm har nå flere forskjellige generative modeller som kan håndtere forskjellige legemiddelforskningstrinn: hit-identifikasjon, hit-til-ledning og led-optimering. Dette viser viktigheten av å ha diversifisert ekspertise for noen AI-legemiddelforskningsselskaper hvor 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 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 upartisk 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 flere 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 den syntetiske tilgjengeligheten og nyskapningen) 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 gjelder 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 adoptere 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 prosjektene. Nå kan de første ja/nei-beslutningene tas i en gjennomsnittlig tid på syv måneder i stedet for tre til fire år.

Hva er noen av Standigm-suksesshistoriene 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 for en sjelden pediatrisk sykdom, validert av en forsker fra ett av de beste barnehospitale i USA. Dette viser at AI-teknologi kan hjelpe med sjeldne sykdoms-legemiddelforskning, en vanskelig oppgave for selskaper av alle størrelser 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 forneglede sykdommer.

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

Suksessen med 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 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 åpenbar bevis, fra pasient-avledede data til molekylærbiologi; og så Standigm BEST AI-modellene kan være på toppnivå ved å mate høykvalitetsdata fra interne automatiserte lab 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 nettverk og transformasjonen av Standigm til et mer internasjonalt selskap.

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