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

Ofer Haviv er CEO og President i Evogene. Før denne rollen var han CFO og COO 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 komputasjonsbiologi og spesialiserer seg på å transformere produktutvikling og oppdagelse i ulike livsvitenskapelige industrier, inkludert menneskets helse og landbruk. Selskapet utnytter sin fleksible Computational Predictive Biology (CPB)-plattform til å drive innovasjon i disse feltene.

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

Tre strategiske beslutninger har formet Evogene som 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 komputasjonssystem (CPB) som hovedsakelig støttet utviklingen av produkter basert på genetiske elementer for landbruksindustrien, til tre separate teknologimotorer som kombinerer unik data, komputasjonssystemer og en dyp forståelse av livsvitenskap:

• GeneRator: Støtter Evogenes opprinnelige aktivitet i feltet produkter basert på en dyp forståelse av genomik.
• MicroBoost: Retter og akselerer utviklingen av mikrobaserte produkter.
• ChemPass: Retter og akselerer 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 divisjoner innen selskapet, ble senere grunnlaget for å bygge Evogenes datterselskaper, inkludert:

• Biomica: Bruker MicroBoost-teknologimotoren til å utvikle menneskelige mikrobiom-baserte legemidler.
• Lavie Bio: Bruker MicroBoost til å utvikle biologiske produkter basert på mikrober for landbruk, beskyttelse av planter mot skadedyr og forbedring av avlinger.
• AgPlenus: Bruker ChemPass-teknologimotoren til å utvikle kjemiske produkter for avlingsbeskyttelse mot skadedyr.
• Casterra: Bruker GeneRator til å utvikle unike ricinus-arter for dyrking av ricinus-planter til produksjon av olje for voksende industrier av biologiske produkter og alternative drivstoff.

Komputasjonsbiologi krever topp-kompetanse i biologi, AI og datavitenskap. Hvordan tiltrekker og beholder Evogene eksperter i disse feltene, og hva er de ferdighetene eller bakgrunnene du prioriterer?

Hos Evogene tiltrekker vi oss topp-kompetanse ved å fremme en samarbeidsorientert miljø som integrerer biologi, kunstig intelligens og komputasjonsekspertise. Vi setter pris på individer med multidisiplinær erfaring, særlig de som har arbeidet over ulike fagfelt og bringer “virkelige” innsikter. Kreativitet og problemløsning er i kjernen av hva vi søker, og dette muliggjør at vårt team kan takle komplekse utfordringer med innovative løsninger.

At være hovedkontor i Israel – en global leder i høyteknologi med et økosystem som fremmer smidighet og fremtidsrettede tanker – forbedrer vår evne til å tiltrekke oss unike talenter.

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

Evogene tilbyr profesjonelle fra teknologiverden en unik mulighet til å bruke sin ekspertise i utvikling av produkter for livsvitenskapelige sektorer – felt som dypt påvirker livskvaliteten 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 andre steder.

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

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

Vår unikhet kan karakteriseres av tre parametre:

1. Den sterke koblingen mellom dyp kunnskap i biologi og kjemi og den komputasjonelle verden i utviklingsprosessen av applikasjonene selv, samt fleksibiliteten i applikasjonene til å tilpasse seg definisjonene av ulike produkter.
2. Vårt arbeid med å forutsi, allerede på oppdagelsesstadiet, sannsynligheten for at en kandidat skal møte kriteriene for et kommersielt produkt – kriterier som vanligvis undersøkes på 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 påvirkning i disse sektorene?

Våre langsiktige mål kan deles inn i tre:

1. Investere i våre teknologimotorer for å forbedre 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 håndteres av Evogenes eksisterende datterselskaper, som vår nåværende strategiske fokus på legemiddelutvikling gjennom ChemPass-AI-motoren.
3. Fremme verdien av våre datterselskaper og forbedre som aksjonærer gjennom salg av noen av våre eierandeler eller ved å motta utbytte.

Hvordan har CPB-plattformen utviklet seg siden den ble etablert, 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 monolitisk arkitektur, som integrerte en samling av bioinformatikk-applikasjoner hovedsakelig 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-opptreden og MicroBoost AI for mikrobiom-baserte anvendelser. Mens skaleringen av disse teknologiene har presentert utfordringer, sikrer plattformens multidisiplinære tilnærming fortsatt fremgang og betydelige fremsteg over ulike vitenskapelige disipliner.

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

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

Grunnmodellen har som mål å generere og evaluere nye småmolekyler. Hva er de umiddelbare og langsiktige virkningene du forutser dette vil ha på hastigheten og nøyaktigheten av legemiddel- og produktutvikling?

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

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

Grundmodeller for småmolekyl-legemiddelutvikling har stor potensial til å revolusjonere legemiddel-R&D ved å 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 produkt-kommersialiseringstadiet, kan grundmodeller 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 komputasjonsbiologi 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 dens smidighet i tilpasning av løsninger til markedets behov. Vårt samarbeid med Google Cloud spiller en avgjørende rolle i å fremme våre evner, ved å bruke banebrytende AI-verktøy til å forfine og akselerere de novo småmolekyl-design. Fleksible samarbeidsmodeller sikrer videre at våre proprietære teknologier leverer innvirkende, markedssammenfallende løsninger.

Ser du for deg Evogenes rolle i å forme fremtiden for komputasjonsbiologi, og hvordan ser du selskapet påvirke livsvitenskapsindustrien over de neste ti årene?

Evogenes visjon er å fortsette å være i forkant av komputasjonsbiologi 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 samarbeid, 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 som når gjennom strategiske partnerskap, driver 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.