Jinhan Kim, CEO Standigm – Seria wywiadów

Jinhan Kim jest dyrektorem generalnym Standigm, firmy zajmującej się odkrywaniem leków z wykorzystaniem sztucznej inteligencji.

Od identyfikacji celów po generowanie potencjalnych leków, platforma Standigm wykorzystuje sztuczną inteligencję do generowania wglądu w każdy etap rozwoju leków o wartości handlowej, zarówno z projektów wewnętrznych, jak i partnerskich. ​

Zacząłeś programować, gdy byłeś w 6. klasie, możesz opowiedzieć, jak zainteresowałeś się tym i na czym początkowo pracowałeś?

Tak, na moim Apple (AAPL ) II Plus. To był katalizator, który zmienił mnie z czytelnika książek w twórcę. Zacząłem programować, zaczynając od języka C, z ciekawości. Zainteresowałem się zasadami i teoretycznymi aspektami mojego komputera. Stąd zostałem uczniem na całe życie w dziedzinie technologii.

Czym początkowo zainteresowałeś się maszynowym uczeniem się?

Ukończyłem studia z dziedziny chemii stosowanej i sztucznej inteligencji na Uniwersytecie w Edynburgu pod kierunkiem Geoffreya Hintona. Jest to neurobiolog i informatyk, który właściwie stworzył głębokie uczenie się. Hinton pracował nad sztucznymi sieciami neuronowymi i projektował autonomiczne, inteligentne maszyny – a później algorytmy maszynowego uczenia się. Google (GOOGL ) zatrudnił go dziesięć lat temu, aby stworzyć ich sztuczną inteligencję, a reszta jest już historią.

Kiedy po raz pierwszy zaangażowałeś się w przecięcie biologii i maszynowego uczenia się?

Pracowałem w Samsung Advanced Institute of Technology, gdzie rozwijałem algorytmy. Jednym z algorytmów, które opracowałem, był mechanizm naprawy uszkodzeń DNA. Chciałem kontynuować pracę w dziedzinie biologii i rozwiązywać najtrudniejsze problemy. Zarówno ludzkie ciało, jak i komputery, które myślą jak ludzie, są równie złożone, a aby zrozumieć jedno, trzeba pracować nad drugim. Systemy sztucznej inteligencji nie tylko mogą przeszukiwać ogromne ilości danych naukowych opublikowanych na przestrzeni dziesięcioleci z całego świata, ale także przetwarzać złożoności ludzkiego ciała i szybko oraz spójnie wykrywać wzorce mechanizmów biologicznych. Łatwo było zauważyć, że biologia i maszynowe uczenie się idą w parze.

Czy możesz opowiedzieć o historii powstania Standigm?

Moja praca w dziedzinie zdrowia i nauki ujawniła mi duży problem w tradycyjnym odkrywaniu leków: czas i pieniądze potrzebne do przeszukania badań naukowych i badań klinicznych lub wskazówek, które stanowią punkt wyjścia dla potencjalnego tworzenia nowych leków. Ludzcy naukowcy prowadzili te intensywne badania. Ja i dwóch moich kolegów z Samsunga, Sang Ok Song i So Jeong Yun, zobaczyliśmy okazję do przeniesienia pracy z ludzi na inteligentną maszynę i stworzenia nowego workflow. Nie chciałem także pracować za pensję; chciałem pracować dla siebie, aby wprowadzić metody odkrywania leków do nowego standardu, co jest genezą pracy i nazwą „Standigm”, firmy, którą założyliśmy we trzech. Nasz model maszynowego uczenia się osiąga teraz wysoką dokładność predykcji, a jego technologia sztucznej inteligencji zapewnia maksymalny zwrot z inwestycji.

Co to jest problem syntetycznej dostępności i jak Standigm próbuje go rozwiązać?

Modele generatywne mogą projektować nowe struktury molekularne bez pomocy dobrze wyszkolonych chemików medycznych, co jest jednym z najważniejszych powodów entuzjastycznego przyjęcia tej technologii przez społeczność odkrywania leków. Największą przeszkodą jest tutaj różnica w szybkości pomiędzy projektem molekuł a ich syntezą eksperymentalną, gdzie projektowanie milionów związków zajmuje tylko kilka godzin, a synteza tylko dziesięciu molekuł zajmuje tygodnie lub miesiące. Ponieważ tylko niewielki ułamek zaprojektowanych związków zostanie zsyntetyzowany przez ludzkich ekspertów, istotne jest posiadanie dobrych miar właściwości molekularnych.

Pierwsze generacje modeli sztucznej inteligencji były prymitywne, a chemicy syntetyczni odrzucali większość zaprojektowanych molekuł ze względu na trudności w planie syntetycznym. Niektóre firmy CRO odmawiały nawet przygotowania oferty na tę kampanię syntetyczną.

Standigm pracuje nad tym problemem, zatrudniając doświadczonych chemików medycznych i dodając ich ekspertyzy do modeli generatywnych, aby mogły one projektować związki, które nie mogą być odróżnione od tych zaprojektowanych przez ludzkich ekspertów. Standigm ma teraz kilka różnych modeli generatywnych, które mogą zarządzać różnymi etapami odkrywania leków: identyfikacją trafień, przekształceniem trafień w potencjalne leki i optymalizacją potencjalnych leków. To pokazuje, jak ważne jest posiadanie zróżnicowanej ekspertyzy dla każdej firmy odkrywania leków z wykorzystaniem sztucznej inteligencji, gdzie ludzkie doświadczenie i ekspertyza są głównie wykorzystywane do udoskonalenia modeli sztucznej inteligencji i zapewnienia najlepszych workflow.

Czy możesz omówić rodzaje algorytmów wykorzystywanych przez Standigm do ułatwienia odkrywania leków?

Zwykle zaczynamy każdy projekt eksploracyjny, priorytetyzując obiecujące i nowe białka docelowe za pomocą Standigm ASK; nasza platforma biologiczna składa się z odrębnych algorytmów do szkolenia ogromnych sieci biologicznych, wykorzystania różnych rodzajów niezależnych danych omics, wprowadzenia konkretnych kontekstów systemów biologicznych itp. Wybór odpowiedniego białka docelowego jest jednym z najważniejszych problemów w odkrywaniu leków. Standigm ASK pomaga ekspertom chorób, dostarczając wiele hipotez dotyczących mechanizmu działania.

Aby zapewnić patenty z wysoko chronionymi zakresami, Standigm BEST wykonuje różne zadania, w tym sugerowanie związków trafień (skuteczne eksplorowanie), hopping szkieletu (uwzględniając dostępność syntetyczną i nowość) oraz różne modele predykcyjne dotyczące właściwości leków (aktywność, właściwości ADME/Tox i właściwości fizykochemiczne). Wiele mniejszych zadań jest związanych z tymi większymi, takimi jak interakcja leku z celem, symulacje molekularne wspomagane przez sztuczną inteligencję, predykcja wybiórczości i optymalizacja wieloparametryczna.

Ile czasu oszczędza się średnio przy generowaniu nowych związków w porównaniu z tradycyjnymi procedurami odkrywania leków?

Naukowcy z Standigm zsyntetyzowali setki nowych molekuł dla projektów, z których wiele zostało wyznaczonych jako molekuły trafień i potencjalne leki w różnych kontekstach. Dzięki przyjęciu modeli opartych na sztucznej inteligencji i komercyjnych zasobach, Standigm zmniejszył czas pierwszej rundy generowania nowych związków z sześciu miesięcy do średnio dwóch miesięcy dla większości projektów. Teraz pierwsze decyzje dotyczące kontynuowania lub zaprzestania prac można podjąć średnio w ciągu siedmiu miesięcy zamiast trzech lub czterech lat.

Jakie są niektóre historie sukcesu Standigm dotyczące potencjalnej komercjalizacji leków?

Wykorzystując Standigm Insight, który dzieli ten sam techniczny rodowód co Standigm ASK, znaleźliśmy molekułę leku, która może być wykorzystana do rzadkiej choroby pediatrycznej, zwalidowanej przez naukowca z jednego z najlepszych szpitali dziecięcych w USA. Ten przypadek pokazuje, że technologia sztucznej inteligencji może pomóc w odkrywaniu leków na rzadkie choroby, co jest trudnym zadaniem dla firmy jakiegokolwiek rozmiaru ze względu na potrzebę większej wartości handlowej. Szczególnie w tym okresie recesji, gdy firmy farmaceutyczne starają się być bardziej konserwatywne, sztuczna inteligencja może promować badania i rozwój w dziedzinie rzadkich i zaniedbanych chorób.

Jakie jest Twoje wizja przyszłości głębokiego uczenia się i generatywnej sztucznej inteligencji w ochronie zdrowia?

Sukces technologii sztucznej inteligencji zależy od dostępności wysokiej jakości danych. Nieuniknione będzie wielkie współzawodnictwo wokół zabezpieczenia dużej ilości wysokiej jakości danych w sektorze ochrony zdrowia. Z węższej perspektywy wczesnego odkrywania leków, dane chemiczne i biologiczne są drogie i wymagają długiego czasu, aby osiągnąć wysoką jakość. Dlatego też laboratorium zautomatyzowane będzie przyszłością w dziedzinie odkrywania leków z wykorzystaniem sztucznej inteligencji, ponieważ może ono zmniejszyć koszt wysokiej jakości danych – paliwa dla technologii sztucznej inteligencji. Pchamy nasze platformy technologiczne do następnego poziomu, aby Standigm ASK mogło dostarczyć bardziej widoczne dowody, od danych pochodzących od pacjentów do biologii molekularnej; i aby modele sztucznej inteligencji Standigm BEST były na najwyższym poziomie, karmione wysokiej jakości danymi z laboratoriów wewnętrznych i od współpracowników.

Czy jest coś jeszcze, co chciałbyś podzielić się na temat Standigm?

Jako że równowaga zróżnicowanej ekspertyzy jest ważna dla Standigm, równowaga etniczna jest również krytyczna. Zwiększaliśmy naszą obecność w środowisku globalnym, zakładając biura w Wielkiej Brytanii (Cambridge) i w USA (Cambridge, MA), aby uwzględnić obecność sieci i przekształcić Standigm w bardziej międzynarodową firmę.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Standigm.