Leland Hyman, Kierownik Zespołu Data Science w Sherlock Biosciences – Wywiad

Leland Hyman jest Kierownikiem Zespołu Data Science w Sherlock Biosciences. Jest doświadczonym informatykiem i badaczem z wykształceniem w dziedzinie sztucznej inteligencji i diagnostyki molekularnej.

Sherlock Biosciences to firma biotechnologiczna z siedzibą w Cambridge, Massachusetts, która rozwija testy diagnostyczne z wykorzystaniem CRISPR. Ich celem jest zmiana diagnostyki molekularnej poprzez lepsze, szybsze i bardziej przystępne testy.

Czym pierwotnie zainteresował Cię się informatyka?

Zacząłem programować w bardzo młodym wieku, ale głównie interesowałem się tworzeniem gier wideo z przyjaciółmi. Moje zainteresowanie innymi zastosowaniami informatyki rosło w czasie studiów i w szkole doktorskiej, szczególnie wraz z pojawieniem się przełomowych prac z dziedziny sztucznej inteligencji na początku lat 2010. Cała ta dziedzina wydawała się tak ekscytującą nową granicą, która mogłaby bezpośrednio wpłynąć na badania naukowe i nasze codzienne życie — nie mogłem się od niej oderwać.

Również uzyskałeś tytuł doktora w dziedzinie Biologii Komórkowej i Molekularnej, kiedy po raz pierwszy zrozumiałeś, że te dwie dziedziny się przecinają?

Zacząłem pracę na styku informatyki i biologii na początku studiów doktorskich. Moje laboratorium zajmowało się rozwiązywaniem problemów inżynierii białek poprzez współpracę między biochemikami, informatykami i wszystkimi, którzy byli pomiędzy. Szybko zrozumiałem, że sztuczna inteligencja może dostarczyć cennych informacji o systemach biologicznych i ułatwić eksperymenty. Z drugiej strony, również doceniłem wartość intuicji biologicznej przy konstruowaniu modeli sztucznej inteligencji. Moim zdaniem, właściwe sformułowanie problemu jest kluczowym elementem w sztucznej inteligencji. Dlatego uważam, że współpraca między różnymi dziedzinami może mieć głęboki wpływ.

Od 2022 roku pracujesz w Sherlock Biosciences, możesz podzielić się szczegółami na temat Twojej roli?

Obecnie kieruję zespołem komputacyjnym w Sherlock Biosciences. Nasz zespół jest odpowiedzialny za projektowanie składników, które wchodzą w skład naszych testów diagnostycznych, współpracę z eksperymentatorami, którzy testują te projekty w laboratorium, oraz budowę nowych możliwości komputacyjnych w celu poprawy projektów. Poza koordynowaniem tych działań, pracuję nad częściami sztucznej inteligencji naszego kodu, eksperymentując z nowymi architekturami modeli i nowymi sposobami symulacji fizyki DNA i RNA w naszych testach.

Sztuczna inteligencja jest rdzeniem Sherlock Biosciences, możesz opisać typ danych i objętość danych, które są zbierane, oraz jak sztuczna inteligencja parsuje te dane?

Podczas rozwoju testów diagnostycznych testujemy dziesiątki do setek kandydatów na każdy nowy patogen. Chociaż większość z tych kandydatów nie wejdzie do testu komercyjnego, widzimy je jako okazję do nauki z naszych błędów. W tych eksperymentach mierzymy dwie kluczowe rzeczy: czułość i szybkość. Nasze modele pobierają sekwencje DNA i RNA w każdym teście jako dane wejściowe, a następnie uczą się przewidywać czułość i szybkość testu.

Jak sztuczna inteligencja przewiduje, które składniki diagnostyki molekularnej będą działać z największą szybkością i dokładnością?

Kiedy myślimy o tym, jak człowiek uczy się, istnieją dwie główne strategie. Z jednej strony, osoba może nauczyć się wykonywać zadanie poprzez czysty prób i błąd. Mogłaby powtarzać zadanie, a po wielu niepowodzeniach, w końcu odkryłaby reguły zadania sama. Ta strategia była dość popularna przed internetem. Jednak moglibyśmy zapewnić tej osobie nauczyciela, który powie jej reguły zadania od razu. Uczeń z nauczycielem mógłby uczyć się znacznie szybciej niż z prób i błędów, ale tylko wtedy, gdy ma dobrego nauczyciela, który w pełni rozumie zadanie.

Nasze podejście do szkolenia modeli sztucznej inteligencji jest pośrednie między tymi dwiema strategiami. Chociaż nie mamy idealnego “nauczyciela” dla naszych modeli sztucznej inteligencji, możemy zacząć je od pewnej wiedzy o fizyce DNA i RNA w naszych testach. To pomaga im uczyć się lepszych predykcji z mniejszą ilością danych. Aby to zrobić, uruchamiamy kilka symulacji biofizycznych na sekwencjach DNA i RNA w naszych testach. Następnie podajemy wyniki do modelu i prosimy go o przewidzenie szybkości i czułości testu. Powtarzamy ten proces dla wszystkich eksperymentów, które przeprowadziliśmy w laboratorium, a model pokazuje różnicę między swoimi predykcjami a tym, co naprawdę się wydarzyło. Przez wystarczającą ilość powtórzeń, w końcu uczy się, jak fizyka DNA i RNA wiąże się z szybkością i czułością każdego testu.

Jakie są inne sposoby, w jakie algorytmy sztucznej inteligencji są wykorzystywane przez Sherlock Biosciences?

Wykorzystaliśmy algorytmy sztucznej inteligencji do rozwiązania szerokiej gamy problemów. Kilka przykładów, które mi przychodzą do głowy, dotyczą badań rynkowych i analizy obrazów. W przypadku badań rynkowych, byliśmy w stanie wyszkolić modele, które uczą się o różnych typach klientów i o tym, jak wielu ludzi może mieć niespełnione potrzeby w zakresie testowania chorób. Zbudowaliśmy również modele do analizy zdjęć pasków przepływowych (typ testu, który jest powszechnie używany w testach COVID-19), i automatycznie przewidywali, czy jest obecna pozytywna banda. Chociaż to wydaje się trywialnym zadaniem dla człowieka, mogę powiedzieć z pierwszej ręki, że jest to niezwykle wygodna alternatywa dla ręcznego adnotowania tysięcy zdjęć.

Jakie są niektóre z wyzwań związanych z budowaniem modeli sztucznej inteligencji, które współpracują z technologiami bioscience, takimi jak CRISPR?

Dostępność danych jest głównym wyzwaniem w stosowaniu modeli sztucznej inteligencji do technologii bioscience. CRISPR i technologie oparte na DNA i RNA napotykają wyjątkowe wyzwanie, głównie ze względu na znacznie mniejsze zestawy danych strukturalnych dostępnych dla kwasów nukleinowych w porównaniu z białkami. Dlatego widzieliśmy ogromne postępy w dziedzinie białek ML w ostatnich latach (z AlphaFold2 i innymi), ale postępy w dziedzinie DNA i RNA ML są nadal w tyle.

Jakie jest Twoje wizja przyszłości integracji sztucznej inteligencji z CRISPR i bioscience?

Obserwujemy ogromny boom sztucznej inteligencji w dziedzinie inżynierii białek i odkrywania leków, i spodziewam się, że będzie to przyspieszać rozwój w przemyśle farmaceutycznym. Chciałbym zobaczyć to samo w przypadku CRISPR i innych technologii opartych na DNA i RNA w nadchodzących latach. Mogłoby to mieć ogromny wpływ na diagnostykę, medycynę i biologię syntetyczną. Już widzieliśmy korzyści z narzędzi komputacyjnych w naszym rozwoju diagnostyki i technologii CRISPR tutaj w Sherlock, i mam nadzieję, że ten rodzaj pracy zachęci do “efektu śnieżnej kuli”, który pchnie tę dziedzinę do przodu.

Dziękuję za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Sherlock Biosciences.