Peter Ellman, President og CEO av Certis Oncology Solutions – Intervju-serie

Certis Oncology Solutions, ledet av Peter Ellman, President og CEO, er et livsvitenskaps-teknologiselskap som er dedikert til å realisere løftet om presisjons-onkologi. Selskapets produkt er Oncology Intelligence® — høyt prediktive terapeutiske responsdata avledet fra avanserte kreftmodeller. Certis samarbeider med lege-vitenskapsmenn og industri-forskere for å utvide tilgangen til presisjons-onkologi og å løse den kritiske oversettelsesgapet mellom prekliniske studier og kliniske forsøk.

Kan du beskrive det bredere problemet i onkologi-forskning som CertisOI Assistant løser?

Feil-raten for onkologi-etterforskning-kandidater er høy. Det ble nylig rapportert at i 2023, 90% av onkologi-programmene til slutt feilet. Denne tall er en bemerkelsesverdig forbedring over den historiske trenden, som svingte rundt 96% inntil 2022. Med tanke på kostnadene ved å utvikle legemidler, er en feil-rate på 90% ikke bærekraftig. Tenk hvordan pasienter ville bli bedre hvis suksess-raten var så høy som 50%.

CertisOI Assistant løser to viktige problemer som bidrar til denne feil-raten:

• Forbedret preklinisk modell-valg: Mange stoffer viser løfterike resultater i prekliniske studier, men feiler i å vise en tilstrekkelig terapeutisk effekt på mennesker. De fleste medlemmene av det vitenskapelige samfunnet peker på prekliniske modeller som en del av problemet. Å velge prekliniske modeller med riktig gen-uttrykk-signatur (og å bruke ortotopiske innplantinger for avgjørende studier) kan forbedre “oversettelsen” til kliniske studier.
• Tidligere og bedre biomarkør-identifisering: Å stole på biomarkører som ikke nøyaktig forutsier terapeutisk respons kan føre til feilede kliniske forsøk. CertisOI Assistant er integrert med CertisAI, vår patent-pendinge prediktive AI/ML-plattform, som muliggjør identifisering av prediktive biomarkører tidlig i legemiddel-utviklingsprosessen.

Hvordan bruker CertisOI Assistant AI til å forbedre tilgangen til onkologi-data, og hva skiller det fra andre AI-verktøy i feltet?

CertisOI Assistant tilbyr avanserte data-analyse- og prediksjonsmuligheter gjennom en enkel og naturlig språk-grensesnitt. Det skiller seg ut på flere måter:

• Komprehensivt datasett-integrering: Assistenten integrerer et bredt spekter av onkologi-data, inkludert pasientinformasjon, svulst-karakteristika, genetiske profiler og legemiddel-respons-prediksjoner. Denne helhetlige tilnærmingen tillater en mer komprehensiv analyse enn verktøy som fokuserer på isolerte data-typer.
• AI-basert prediksjon: Assistenten bruker AI-algoritmer til å prediktere legemiddel-respons og -resistens, og tilbyr innsikt i hvilke behandlinger som sannsynligvis vil være effektive for bestemte kreft-modeller. Denne prediktive evnen er avgjørende for personlig medisin og skiller det fra verktøy som bare baserer seg på historiske data.
• Bruker-vennlig grensesnitt: Ved å tilby et intuitivt grensesnitt for å spørre og analysere komplekse datasett, gjør assistenten det enklere for forskere å få tilgang til og tolke onkologi-data uten å måtte ha avanserte tekniske ferdigheter.
• Fokus på pre-kliniske modeller: Assistenten spesialiserer seg på pre-klinisk onkologi-forskning, særlig PDX og cellelinje-modeller, og tilbyr unike innsikt i tidlig fase legemiddel-utvikling og svulst-biologi.
• Interaktive visualiseringer: Assistenten støtter interaktive visualiseringer, som farmakologi- og svulst-vækst-studier, som muliggjør at forskere kan utforske data på en mer engasjerende og informativ måte.

Hvordan transformerer verktøyet komplekse data til handlebare innsikt, særlig for forskere som arbeider med legemiddel-sensitivitet eller genomisk data?

CertisOI Assistant utnytter en strukturert arbeidsflyt til å transformere rådata til meningsfulle innsikt. Det innebærer å spørre et komprehensivt onkologi-datasett, å analysere dataene og å presentere resultater i en klar og tolkbar format. Her er hvordan det fungerer:

• Data-spørring: CertisOI Assistant kan få tilgang til en relasjonsdatabase som inneholder detaljert informasjon om onkologi-modeller, inkludert pasientdata, svulst-karakteristika, genomisk data og legemiddel-respons-prediksjoner. Det bruker SQL-lignende spørringer til å hente relevante data basert på forskerens spesifikke behov.
• Data-analyse: Når dataene er hentet, kan CertisOI Assistant utføre ulike analyser, som å identifisere vanlige mutasjoner, å korrelere gen-uttrykk med legemiddel-sensitivitet eller å evaluere farmakologi-studie-resultater. Det kan også rangere og filtere data for å høydeppe de viktigste funn.
• Visualisering: Assistenten kan presentere data i tabell-formater, generere interaktive diagrammer for farmakologi- og svulst-vækst-studier og vise histologi-bilder. Denne visualiseringen hjelper forskere å raskt forstå komplekse data-mønster og -relasjoner.
• Tolkning og innsikt: Ved å gi en klar tolkning av dataene, inkludert prediksjoner for legemiddel-sensitivitet eller -resistens, hjelper CertisOI Assistant forskere å ta informerte beslutninger om potensielle terapeutiske strategier eller videre eksperimentelle retninger.
• Tilpassing og fleksibilitet: Forskere kan tilpasse sine spørringer til å fokusere på bestemte kreft-typer, genetiske markører eller behandlings-responser, og tillate en høyt tilpasset analyse som samsvare med deres forsknings-objektiver.

Hvordan forbedrer CertisOI Assistant forskernes evne til å velge kreft-modeller, designe biomarkør-strategier eller utføre in silico-valideringer?

Jeg dekket de to første områdene – kreft-modell-delen og biomarkør-strategi-design – tidligere i dette intervjuet, så jeg vil fokusere på å utføre in silico-valideringer. CertisOI Assistant tilbyr en virtuell miljø til å teste og validere hypoteser relatert til legemiddel-effektivitet, mål-engasjement og biomarkør-oppdagelse uten å måtte utføre laboratorie-eksperimenter med en gang. Dette tillater dem å raskt finjustere sine hypoteser og fokusere eksperimentelle anstrengelser på de mest lovende retningene.

Her er noen eksempler:

• Legemiddel-respons-prediksjoner: Bruk AI-basert prediksjon for legemiddel-respons og -resistens til å vurdere hvordan ulike modeller sannsynligvis vil reagere på bestemte legemidler. Dette kan hjelpe til å validere den potensielle effekten av et legemiddel in silico før man går over til in vitro eller in vivo-studier.
• Genomisk og molekylær profilering: Analyser genomisk data, inkludert mutasjoner, gen-uttrykk og kopi-nummer-variabler, for å identifisere potensielle mål og validere deres relevans for legemidlets virkningsmekanisme. Dette kan hjelpe til å forstå den molekylære grunnlaget for legemiddel-sensitivitet eller -resistens.
• Biomarkør-oppdagelse: Korrelere molekylære egenskaper med legemiddel-respons-prediksjoner for å identifisere potensielle prediktive biomarkører. Dette kan guide valget av pasient-populasjoner som er mer sannsynlig å dra nytte av en bestemt terapi.
• Kombinasjons-terapi-utforskning: Utforsk legemiddel-synergi-prediksjoner for å identifisere lovende legemiddel-kombinasjoner som kan forbedre terapeutiske resultater. Dette kan gi innsikt i potensielle kombinasjons-strategier som kan bli videre validert eksperimentelt.
• Histologisk analyse: Bruk histologi-bilder til å validere de morfologiske effektene av legemidler på svulst-væv, og gi ytterligere bevis for legemidlets virkningsmekanisme og potensiell effektivitet.
• Modell-sammenligninger: Sammenlign ulike modeller for å forstå hvordan ulike genetiske bakgrunner påvirker legemiddel-respons, og validere hypoteser om rollen til bestemte gener eller signalveier in silico.
• Virtual skjerming: Utfør virtuell skjerming av legemidler mot et bredt spekter av modeller for å prioritere kandidater for videre eksperimentell validering.

Kan du dele eksempler på hvordan forskere forventes å bruke dette verktøyet til å forbedre sine arbeidsflyter eller oppnå gjennombrudd?

Det enkleste eksemplet er preklinisk modell-valg. Hver preklinisk studie begynner med valget av svulst-modeller. CertisOI Assistant fjerner den manuelle anstrengelsen fra denne prosessen og bringer stor presisjon til valget av de optimale modellene for en bestemt studie.

Et annet eksempel er utvikling av en biomarkør-strategi. Den tradisjonelle tilnærmingen er å hypotesere hva biomarkør eller biomarkører som kan være koblet til legemidlets virkningsmekanisme, og deretter teste disse hypotesene i prekliniske studier, som vanligvis er en iterativ prosess. Hvis prekliniske data er lovende, må forskere validere prediktive biomarkører i menneskelige kliniske forsøk — og som diskutert, er feil-raten høy.

CertisOI Assistant hjelper forskere å identifisere og validere mer presise, prediktive gen-uttrykk-biomarkører tidligere i utviklingsprosessen og med mindre iterasjon enn den tradisjonelle arbeidsflyten — og sparer tid, penger og forbedrer sjansene for kommersiell suksess.

Hvilke kreft-modeller eller datasett støtter verktøyet, og hvordan kan denne bredde være til nytte for forsknings-samfunnet?

Den nåværende versjonen av CertisOI gir forskere tilgang til Certis’ raskt voksende bibliotek av PDX og PDX-avlede svulst-modeller og hele Cancer Cell Line Encyclopedia (CCLE) av modeller. Plattformens algoritmer trekker også på data fra Genomics of Drug Sensitivity in Cancer (GDSC), International Cancer Genome Consortium (ICGC), CI ALMANAC, O’Neil og andre datasett. Denne helhetlige tilnærmingen til data-integrering tillater en mer komprehensiv analyse enn verktøy som fokuserer på isolerte data-typer.

CertisOI Assistant er designet til å være bruker-vennlig. Hvordan sikrer du at det er tilgjengelig for forskere som kanskje ikke har omfattende teknisk ekspertise?

Flere funksjoner gjør CertisOI Assistant tilgjengelig for forskere på alle nivåer:

• Intuitivt grensesnitt: Grensesnittet er designet til å være intuitivt og enkelt å navigere, og tillater brukerne å utføre komplekse spørringer og analyser uten å måtte forstå de underliggende tekniske detaljene.
• Veiledede arbeidsflyter: Assistenten tilbyr veiledede arbeidsflyter for vanlige forsknings-oppdrag, som å spørre legemiddel-respons-prediksjoner, å analysere genomisk data og å utforske farmakologi-studier. Dette hjelper brukerne å fokusere på sine forsknings-spørsmål uten å bli forvirret av tekniske kompleksiteter.
• Naturlig språk-behandling: Brukere kan interagere med assistenten ved å bruke naturlig språk-spørringer, og gjør det enklere for dem å få tilgang til informasjonen de trenger, også for de uten teknisk ekspertise. Assistenten tolker spørringene og oversetter dem til riktige database-spørringer.
• Komprehensiv dokumentasjon: Detaljert dokumentasjon og tutoriale hjelper brukerne å forstå hvordan de kan bruke assistenten effektivt. Dette inkluderer steg-for-steg-veiledninger, eksempler og forklaringer av nøkkel-konsepter.
• Interaktive visualiseringer: Assistenten tilbyr interaktive visualiseringer for data-analyse, som diagrammer og histologi-bilder, og tillater brukerne å utforske og tolke data visuelt uten å måtte skrive kode.
• Responsiv støtte: Brukere kan få tilgang til responsiv støtte for å hjelpe med eventuelle spørsmål eller problemer. Dette sikrer at de kan få hjelp raskt og fortsette sin forskning uten unødvendige forsinkelser.
• Tilpassede spørringer: Selv om assistenten tilbyr standard-arbeidsflyter, tillater den også tilpasning, og muliggjør at brukerne kan tilpasse spørringer til sine spesifikke forsknings-behov uten å måtte ha dypt teknisk kunnskap.

Samarbeid er en nøkkel-aspekt av forskning. Hvordan muliggjør CertisOI Assistant samarbeid blant forskere eller institusjoner?

Med CertisOI Assistant kan forskere fra ulike team eller institusjoner få tilgang til samme datasett og verktøy, og tillate dem å arbeide sammen på felles prosjekter eller forsknings-spørsmål. Plattformen gjør det også enkelt å laste ned og dele data-spørringer, resultater og innsikt blant team-medlemmer, så alle som er involvert i et prosjekt kan bidra effektivt.

Hva er de største utfordringene i å skalerer AI-tilpasning i kreft-forskning, og hvordan kan de løses?

Signifikante utfordringer inkluderer data-sikkerhet, data-integrering og tillit til AI-basert resultat-prediksjon. Jeg er ikke en ekspert på data-sikkerhet eller data-integrering, men store sinn arbeider for å løse disse utfordringene. Med hensyn til å stole på AI-genererte prediksjoner, trenger vi effektive og troverdige måter å validere disse prediksjonene på.

Certis har tatt en to-del approach til dette: in silico-validering via interne, kryss-validerings-studier, og in vivo-validering — utføring av studier i klinisk relevante mus-modeller for å evaluere nøyaktigheten av vår plattforms prediksjoner. Over tid vil disse verktøyene også bli validert klinisk i menneskelige pasienter — men det vil selvsagt ta mye tid og penger, samt vilje til å endre det nåværende kreft-behandlings-paradigmet. Det medisinske og regulatoriske samfunnet må slutte å stole på hvordan ting har vært gjort tidligere og omfavne kraften av komputasjonelle analyser til å informere beslutninger.

Hvordan ser du for deg at verktøy som CertisOI Assistant vil forme fremtiden for kreft-behandling og presisjons-medisin?

Moden medisin har ikke ennå en god måte å matche pasienter med de ideelle behandlinger. Totalt sett, kun 10% av kreft-pasienter opplever en klinisk fordel fra behandlinger som er matchet til svulst-DNA-mutasjoner. Det skader ikke bare pasientenes helse, men også deres økonomi. En estimert 2,5 milliarder — med en B — blir spilt på ineffektive terapier. Det er en svært trist fakt at 42% av kreft-pasienter fullstendig uttømmer sine midler innen det andre året etter diagnose.

Verktøy som CertisOI Assistant og CertisAI vil hjelpe oss å realisere løftet om presisjons-medisin — å gi mennesker den optimale behandlingen for deres unike form for kreft, første gang, hver gang…. Og å demokratisere tilgangen til mer effektive, personlige behandlinger.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, kan besøke Certis Oncology Solutions.