Ofer Haviv, President og CEO av Evogene – Intervju-serie

Ofer Haviv er CEO og President i Evogene. Før han hadde denne rollen, var han COO og CFO i selskapet fra 2002 til 2004 og spilte en nøkkelrolle i Evogenes spin-off fra Compugen i 2002. Hos Compugen hadde han stillingen som Director of Finance og Treasurer i fire år, hvor selskapet fullførte to private plasseringer og en IPO på NASDAQ.

Noen bidrag til disse svarene ble også gjort av:

• Gabi Tarcic VP Product
• Ilia Zhidkov VP of Computational Technologies
• Ruth Gross, VP Business Development

Evogene (NASDAQ:EVGN, TASE: EVGN.TA) er et selskap som driver med computasjonell biologi og spesialiserer seg på å transformere produktutvikling og oppdagelse innenfor ulike livsvitenskapelige industrier, inkludert menneskets helse og landbruk. Selskapet utnytter sin fleksible Computational Predictive Biology (CPB)-plattform for å drive innovasjon i disse feltene.

Siden du ble CEO i 2004, har du overvåket Evogenes overgang fra spin-off til en Nasdaq-notert leder innen computasjonell biologi. Hva har vært de mest avgjørende øyeblikkene eller beslutningene som har formet selskapets nåværende retning?

Tre strategiske beslutninger har formet Evogene til det det er i dag:

1. Beslutningen i 2013 om å gå offentlig på NASDAQ.
2. Beslutningen i 2016 om å utvikle seg fra et enkelt computasjonelt system (CPB) som hovedsakelig støttet utviklingen av produkter basert på genetiske elementer for landbruksindustrien, til tre separate teknologimotorer som kombinerer unik data, computasjonssystemer og en dyp forståelse av livsvitenskap:

• GeneRator: Støtter Evogenes opprinnelige aktivitet på området for produkter basert på en dyp forståelse av genomik.
• MicroBoost: Dirigerer og akselererer utviklingen av mikrobaserte produkter.
• ChemPass: Dirigerer og akselererer utviklingen av kjemibaserte produkter.

3. Beslutningen om å bruke disse unike teknologimotorene med Evogenes egne forskere til å utvikle produkter i ulike felt. Denne aktiviteten, som startet som avdelinger innen selskapet, ble senere grunnlaget for å bygge Evogenes datterselskaper, inkludert:

• Biomica: Bruker MicroBoost-teknologimotoren til å utvikle humant mikrobiom-baserte legemidler.
• Lavie Bio: Bruker MicroBoost til å utvikle biologiske produkter basert på mikrober for landbruk, beskytte planter mot skadedyr og forbedre avlinger.
• AgPlenus: Bruker ChemPass-teknologimotoren til å utvikle kjemiske produkter for beskyttelse av avlinger mot skadedyr.
• Casterra: Bruker GeneRator til å utvikle unike castor-varianter for dyrking av castor-planter til å produsere olje for de voksende industriene av biologiske produkter og alternative drivstoff.

Computasjonell biologi krever toppkvalifisert talent innen biologi, AI og datavitenskap. Hvordan tiltrekker Evogene seg og beholder eksperter i disse feltene, og hva slags ferdigheter eller bakgrunn prioriterer du?

Ved Evogene tiltrekker vi oss toppkvalifisert talent ved å fremme en samarbeidsorientert miljø som integrerer biologi, kunstig intelligens og computasjonell ekspertise. Vi setter pris på individer med multidisiplinær erfaring, særlig de som har arbeidet på tvers av ulike fagfelt og bringer “ekte” innsikt. Kreativitet og problemløsning er i kjernen av hva vi søker, og muliggjør at vårt team kan takle komplekse utfordringer med innovative løsninger.

At vi har hovedkontor i Israel – en global leder i høyteknologisk innovasjon med et økosystem som fremmer smidighet og fremtidsrettede tanker – forbedrer vår evne til å tiltrekke oss unik talent.

Evogenes nærhet til verdensledende akademiske institusjoner, som Weizmann-instituttet, spiller en betydelig rolle i å tiltrekke seg kvalifiserte fagfolk innen biologi, AI og datavitenskap.

Evogene tilbyr fagfolk fra teknologiverden en unik mulighet til å anvende sin ekspertise i utviklingen av produkter for livsvitenskapelige sektorer – felt som dypt påvirker livskvalitet og maten vi spiser. Dette snittet mellom teknologi og livsvitenskap er ulikt noe funnet i tradisjonelle høyteknologiske industrier. For biologer tilbyr vi avanserte teknologiske verktøy som muliggjør at de kan realisere sine produktvisjoner på et nivå uten sidestykke noen andre steder.

Kunne du utdype på de grunnleggende prinsippene bak Evogenes Computational Predictive Biology (CPB)-plattform med sine AI-teknologimotorer, og hvordan den skilles fra andre prediktive AI-modeller i livsvitenskap?

Evogenes Computational Predictive Biology (CPB)-plattform integrerer en dyp forståelse av biologi og kjemi med AI, maskinlæring, computasjonelle modeller og biologiske data for å utføre analyser på millioner av datapunkter. Disse etablerte AI-teknologimotorene er designet for å assistere forskere i produktutvikling, strømlinje produktutviklingen og har vært en drivkraft i våre mange samarbeid.

Vår unikhet kan karakteriseres av tre parametre:

1. Den sterke koblingen mellom dyp kjennskap til biologi og kjemi og den computasjonelle verden i utviklingsprosessen av applikasjonene selv, samt applikasjonenes fleksibilitet til å tilpasse seg definisjonen av ulike produkter.
2. Vårt forsøk på å forutsi, allerede i oppdagelsesstadiet, sannsynligheten for at en kandidat med hell kan møte kriteriene for et kommersielt produkt – kriterier som vanligvis undersøkes i mye senere stadier av produktutvikling.
3. Evogene opererer samtidig i tre domener – genomik, kjemi og mikrober – og gir en mer omfattende forståelse av utviklingsprosessen.

Gitt selskapets fokus på å revolusjonere produktutvikling over helse, landbruk og industrielle anvendelser, hva er Evogenes langsiktige mål for å utvide sin innvirkning i disse sektorene?

Våre langsiktige mål kan deles inn i tre:

1. Investere i våre teknologimotorer til fordel for våre eksisterende partnere, slik at vi kan bedre forutsi de riktige kandidatene for validering og kan inkludere flere kriterier for produktutvikling tidlig på.
2. Utvide variasjonen av bruksområder for våre teknologimotorer til ytterligere segmenter som ikke nå er dekket av Evogenes eksisterende datterselskaper, som vår nåværende strategiske fokus på legemiddeloppdagelse gjennom ChemPass-AI-motoren.
3. Fremme verdien av våre datterselskaper og nyte godt av å være aksjonærer gjennom salg av noen av våre eierandeler eller ved å motta utbytte.

Hvordan har CPB-plattformen utviklet seg siden dens opprinnelse, og hva er noen nylige fremgang eller utfordringer du har møtt i utviklingen av nye teknologimotorer som ChemPass AI og MicroBoost AI?

Computational Predictive Biology (CPB)-plattformen ble opprinnelig utviklet med en monolittisk arkitektur, som integrerte en samling bioinformatikk-applikasjoner primært fokusert på plantegenomik. Ved å erkjenne behovet for større fleksibilitet og skalerbarhet, ble plattformen overført til en mikrotjenestearkitektur, som muliggjorde betydelige forbedringer både i brukergrensesnittet (UI) og brukeropplevelsen (UX). Denne arkitektoniske utviklingen har støttet plattformens utvidelse inn i nye domener innen livsvitenskap, utenfor genomik, inkludert mikrobiologi og kjemi, og har ført til utviklingen av innovative teknologimotorer som ChemPass AI for småmolekyl-oppdagelse og MicroBoost AI for mikrobiom-baserte anvendelser. Mens skaleringen av disse teknologiene har presentert utfordringer, sikrer plattformens tverrfaglige tilnærming fortsatt fremgang og betydelige fremgang innen ulike vitenskapelige disipliner.

Hvordan kom samarbeidet med Google Cloud i stand, og hva var de viktigste faktorene som gjorde Google Cloud til den foretrukne partnern for Evogene?

Vårt samarbeid med Google Cloud ble drevet av en felles visjon om å utnytte avanserte AI-teknologier for å transformere småmolekyl-legemiddeloppdagelse og -utvikling. Google Clouds robuste Vertex AI-plattform, banebrytende GPU-er og omfattende lagringskapasitet tilbyr den computasjonelle kraften som trengs for å trene vår grunnmodell på ~40 milliarder molekylstrukturer. Deres ekspertise i AI og maskinlæring, kombinert med Evogenes styrke i computasjonell kjemi, skaper en synergien som muliggjør rask innovasjon, skalerbarhet og utenforliggende mangfold i molekyl-design. Dette samarbeidet akselererer vår evne til å bringe transformative løsninger til legemiddeloppdagelse og potensielt andre livsvitenskapelige produkter.

Grunnmodellen har som mål å generere og evaluere nye småmolekyler. Hva slags umiddelbar og langsiktig innvirkning forventer du at dette vil ha på hastigheten og nøyaktigheten av legemiddel- og produktutvikling?

Grunnmodell-tilnærmingen representerer en banebrytende innovasjon i legemiddel- og produktutvikling, og muliggjør forutrening på betydelig større datasett enn tradisjonelle AI-metoder. Denne kapasiteten tillater dypere innsikt og forbedret nøyaktighet, og markerer en transformasjon i legemiddeloppdagelse og -utvikling. På kort sikt vil modellen revolusjonere oppdagelsesstadiet ved å raskt generere nye småmolekyler med ønskede forhåndsdefinerte egenskaper, og utvide den kjemiske mangfoldet ved å bryte ut av det meget smale kjemiske rommet som er utforsket, og avdekke nye, høy-potensielle kjemiske forbindelser. På lang sikt kan integreringen av AI i oppdagelsesstadiet potensielt bénéfite senere stadier av legemiddelutvikling, potensielt så langt som til kliniske stadier av utvikling.

Hvordan forventer du at denne teknologien vil påvirke farmasøytisk R&D? Hva er noen av de mest presserende utfordringene i dette feltet som du tror denne modellen kan hjelpe med å løse?

Grunnmodeller for småmolekyl-legemiddeloppdagelse har enormt potensial for å revolusjonere farmasøytisk R&D ved å betydelig kutte ned tiden og kostnadene for utvikling og øke sannsynligheten for suksess. Denne teknologien muliggjør rask og nøyaktig generering av lovende legemiddelkandidater, potensielt reduserer den 12-15 år lange utviklingstiden og de enorme kostnadene, ofte over 2 milliarder dollar per legemiddel. Ved å strømlinje prosessen og øke sannsynligheten for suksess i å nå produktkommersialisering, kan grunnmodeller fremme fremtidige innovative terapier og tilby bedre behandlingsalternativer for pasienter med livstruende sykdommer.

Med økende konkurranse i AI for livsvitenskap, hvordan planlegger Evogene å opprettholde en konkurransefordel i computasjonell biologi og molekyl-design?

Evogenes konkurransefordel stammer fra ekspertisen til det multidisiplinære teamet (algoritmutviklere, programvareingeniører, kjemikere og biologer), integreringen av proprietære algoritmer for å forbedre skjerming og optimalisering, og smidigheten i å tilpasse løsninger til markedets behov. Vårt samarbeid med Google Cloud spiller en avgjørende rolle i å fremme våre evner, ved å utnytte banebrytende AI-verktøy for å finjustere og akselerere de novo småmolekyl-design. Fleksible samarbeidsmodeller sikrer videre at våre proprietære teknologier leverer innvirkningsfulle, markedssammenfallende løsninger.

Ser du fremover, hva er din langsiktige visjon for Evogenes rolle i å forme fremtiden for computasjonell biologi, og hvordan ser du at selskapet vil påvirke livsvitenskapsindustrien over de neste ti årene?

Evogenes visjon er å fortsette å være i fremkant av computasjonell biologi og kjemi, og å forme fremtiden for livsvitenskapelig produktutvikling. Over de neste ti årene ser vi for oss å utvide vår teknologiske rekkevidde gjennom strategiske partnerskap, og å drive fremgang i menneskets helse, landbruk og bærekraft for å møte kritiske globale utfordringer. Vårt ultimate mål er å transformere disse fremgangene til innovative produkter – banebrytende terapier, bærekraftige landbruksløsninger og miljøvennlige teknologier.