Stefano Pacifico, i David Heeger, założyciele Epistemic AI – seria wywiadów

Epistemic AI wykorzystuje najnowocześniejsze technologie przetwarzania języka naturalnego (NLP), uczenia maszynowego i głębokiego uczenia, aby mapować relacje w rosnącej bazie wiedzy biomedycznej, pochodzącej z wielu publicznych i prywatnych źródeł, w tym dokumentów i baz danych. Poprzez proces mapowania wiedzy, użytkownicy współpracują z platformą, aby mapować i rozumieć podzbiory wiedzy biomedycznej, co ujawnia pojęcia i relacje, które w przeciwnym razie byłyby pomijane przy użyciu tradycyjnych wyszukiwań.

Przeprowadziliśmy wywiad z oboma założycielami Epistemic AI, aby omówić najnowsze postępy.

Stefano Pacifico ma ponad 10-letnie doświadczenie w rozwoju sztucznej inteligencji i NLP. Przedtem pracował w Bloombergu, gdzie spędził 7 lat, a wcześniej był w Elemental Cognition, zanim założył Epistemic.

David Heeger jest profesorem nauk o danych i neurobiologii na NYU i spędził swoją karierę łącząc nauki komputerowe, sztuczną inteligencję i biologię. Jest członkiem Narodowej Akademii Nauk. Jako założyciele łączą swoją wiedzę z budowy zastosowanych, dużych systemów AI i NLP do zrozumienia dużych zbiorów wiedzy, z wiedzą z dziedziny biologii obliczeniowej i biomedycznej, wynikającej z lat badań w tej dziedzinie.

Co było tym, co wprowadziło i przyciągnęło Was do sztucznej inteligencji i przetwarzania języka naturalnego (NLP)?

Stefano Pacifico: Kiedy byłem na studiach w Rzymie, a sztuczna inteligencja nie była popularna (w rzeczywistości była bardzo marginalna), zapytałem swojego doradcę, jaki kierunek powinienem wybrać spośród dostępnych. Powiedział: “Jeśli chcesz zarobić pieniądze, inżynieria oprogramowania i bazy danych, ale jeśli chcesz być dziwny, ale bardzo zaawansowany, to wybierz sztuczną inteligencję”. Byłem przekonany przez “dziwny”. Następnie zacząłem pracować nad reprezentacją wiedzy i rozumowaniem, aby studiować, jak autonomiczne agenty mogą grać w piłkę nożną lub ratować ludzi. Potem dwie rzeczy sprawiły, że zakochałem się w NLP: po pierwsze, autonomiczne agenty mogą komunikować się ze sobą przy użyciu języka naturalnego! Po drugie, budowanie formalnych baz wiedzy ręcznie jest trudne, podczas gdy język naturalny (w tekście) już dostarcza największą bazę wiedzy wszystkich. Wiem, że dzisiaj te obserwacje mogą wydawać się oczywiste, ale nie były one wcześniej tak powszechne.

Jaki był pomysł założenia Epistemic AI?

Stefano Pacifico: Zróbmy śmiałe twierdzenie. Nikt dzisiaj nie ma odpowiednich narzędzi, aby zrozumieć i połączyć wiedzę obecną w dużych, stale rosnących zbiorach dokumentów i danych. Pracowałem wcześniej nad tym problemem w świecie finansów. Pomyśl o wiadomościach, sprawozdaniach finansowych, danych o cenach, działaniach korporacyjnych, składaniu wniosków itp. Stwierdziłem, że to problem uzależniający; i ważny! Kiedy spotkałem swojego współzałożyciela, dr. Davida Heegera, spędziliśmy sporo czasu na ocenianiu możliwości startupów w branży biomedycznej. Kiedy zrealizowaliśmy ogromną ilość informacji generowanych w tej dziedzinie, wszystko wypadło na swoje miejsce. Badacze w dziedzinie biomedycznej zmagają się z przeładowaniem informacjami, próbując jednocześnie ogarnąć ogromną i szybko rosnącą bazę wiedzy biomedycznej, w tym dokumenty (np. artykuły, patenty, badania kliniczne) i bazy danych (np. geny, białka, ścieżki, leki, choroby, terminy medyczne). To jest duży problem dla badaczy, a ponieważ nie ma odpowiedniego rozwiązania, są zmuszeni używać podstawowych narzędzi wyszukiwania (PubMed i Google (GOOGL ) Scholar) i ręcznie kuratorowanych baz danych. Te narzędzia są odpowiednie do znajdowania dokumentów pasujących do słów kluczowych (np. pojedynczego genu lub opublikowanego artykułu), ale nie do zdobycia kompleksowej wiedzy na temat określonej dziedziny lub poddziedziny (np. COVID-19), ani do interpretacji wyników eksperymentów biologicznych o wysokiej wydajności, takich jak sekwencjonowanie genów, ekspresja białek lub przesiewanie związków chemicznych. Założyliśmy Epistemic AI z pomysłem, aby rozwiązać ten problem za pomocą platformy, która pozwala im na:

1. Zmniejszenie czasu potrzebnego do zebrania informacji i budowy kompleksowych map wiedzy
2. Ujawnienie międzydyscyplinarnych informacji, które mogą być trudne do znalezienia (rzeczywiste odkrycia często pochodzą z patrzenia na białe przestrzenie między dyscyplinami);
3. Identyfikację hipotez przyczynowych poprzez znalezienie ścieżek i brakujących linków w mapie wiedzy.

Jakie są niektóre z publicznych i prywatnych źródeł, które są używane do mapowania tych relacji?

Stefano Pacifico: W tym momencie ingerujemy wszystkie publicznie dostępne źródła, które możemy uzyskać, w tym Pubmed i clinicaltrials.gov. Ingerujemy również bazy danych genów, leków, chorób i ich interakcji. Dodatkowo uwzględniamy prywatne źródła danych dla wybranych klientów, ale nie możemy ujawnić żadnych szczegółów na razie.

Jakie rodzaje technologii uczenia maszynowego są używane do mapowania wiedzy?

Stefano Pacifico: Jednym z głęboko utrwalonych przekonań w Epistemic AI jest to, że fanatyzm nie jest pomocny w budowaniu produktów. Budowanie architektury łączącej wiele technik uczenia maszynowego było decyzją podjętą na wczesnym etapie, a te techniki obejmują reprezentację wiedzy, modele transformatorowe, osadzanie grafów, a także prostsze modele, takie jak regresje i lasy losowe. Każdy komponent jest tak prosty, jak to tylko możliwe, ale nie prostszy. Chociaż uważamy, że już zbudowaliśmy składniki NLP, które są najnowocześniejsze dla pewnych zadań, nie boimy się prostszych modeli bazowych, gdy jest to możliwe.

Czy możesz wymienić niektóre z firm, organizacji non-profit lub instytucji akademickich, które używają platformy Epistemic?

Stefano Pacifico: Chociaż bardzo chciałbym, nie uzgodniliśmy z naszymi użytkownikami, aby to zrobić. Mogę powiedzieć, że mieliśmy osoby rejestrujące się z bardzo renomowanych instytucji we wszystkich trzech sektorach (firmy, organizacje non-profit i instytucje akademickie). Dodatkowo zamierzamy utrzymać platformę bezpłatną dla celów akademickich i non-profit.

Jak Epistemic pomaga badaczom w identyfikowaniu biomarkerów układu nerwowego (CNS) i innych chorób?

Dr David Heeger: Neurobiologia jest bardzo wysoko interdyscyplinarną dziedziną, obejmującą biologię molekularną i komórkową oraz genetykę, ale także psychologię, chemię i zasady fizyki, inżynierii i matematyki. Jest to tak szeroka dziedzina, że nikt nie może być ekspertem we wszystkim. Badacze w instytucjach akademickich i firmach farmaceutycznych/biotechnologicznych są zmuszeni specjalizować się. Ale wiemy, że ważne spostrzeżenia są międzydyscyplinarne, łącząc wiedzę z podspecjalności. Oprogramowanie zasilane sztuczną inteligencją, które budujemy, umożliwia każdemu być bardziej międzydyscyplinarnym, widzieć połączenia między ich indywidualnymi obszarami specjalizacji i innymi tematami, oraz identyfikować nowe hipotezy. Jest to szczególnie ważne w neurobiologii, ponieważ jest to tak wysoko interdyscyplinarna dziedzina. Funkcja i dysfunkcja ludzkiego mózgu jest najtrudniejszym problemem, jaki kiedykolwiek spotkała nauka. Jesteśmy na misji, aby zmienić sposób, w jaki naukowcy biomedyczni pracują i myślą.

Epistemic umożliwia również odkrywanie mechanizmów genetycznych zaburzeń CNS. Czy możesz oprowadzić nas przez to, jak to działa?

Dr David Heeger: Większość chorób neurologicznych, zaburzeń psychiatrycznych i rozwojowych nie ma prostego wyjaśnienia w kategoriach różnic genetycznych. Istnieje garstka zespołów, dla których znana jest konkretna mutacja powodująca zaburzenie. Ale to nie jest zwykle przypadkiem. Istnieją setki różnic genetycznych, na przykład, które zostały powiązane z zaburzeniami spektrum autyzmu (ASD). Istnieje pewne zrozumienie niektórych z tych genów w kategoriach podstawowej biologii. Na przykład niektóre geny związane z ASD utrzymują synapsy w mózgu (zwróć uwagę, że te same geny zwykle pełnią różne funkcje w innych systemach organizmu). Ale jest bardzo mało zrozumienia, jak te różnice genetyczne mogą wyjaśnić złożony zestaw różnic behawioralnych występujących u osób z ASD. To, co jeszcze gorsze, dwie osoby z tą samą różnicą genetyczną mogą mieć całkowicie różne wyniki, jeden zdiagnozowany z ASD, a drugi nie. A dwie osoby z całkowicie różnymi profilami genetycznymi mogą mieć ten sam wynik z bardzo podobnymi deficytami behawioralnymi. Aby zrozumieć wszystko to, konieczne jest nawiązanie połączenia od genetyki i biologii molekularnej do neurobiologii komórkowej (jak różnice genetyczne powodują, że poszczególne neurony funkcjonują inaczej) i do neurobiologii systemów (jak te różnice w funkcjonowaniu komórkowym powodują, że sieci dużych, połączonych neuronów funkcjonują inaczej) i do psychologii (jak te różnice w funkcjonowaniu sieci neuronów powodują różnice w poznawaniu, emocjach i zachowaniu). I wszystko to musi być zrozumiane z perspektywy rozwojowej. Różnica genetyczna może powodować deficyt w określonym aspekcie funkcji neuronalnej. Ale mózg nie po prostu siedzi i akceptuje to. Mózgi są bardzo adaptacyjne. Jeśli istnieje brakujący lub uszkodzony mechanizm, to mózg będzie się rozwijał inaczej, aby zrekompensować to, na ile to możliwe. Ta rekompensata może być molekularna, na przykład, zwiększając ekspresję innego receptora synaptycznego, aby zastąpić funkcję uszkodzonego receptora synaptycznego. Albo rekompensata może być behawioralna. Ostateczny wynik zależy nie tylko od początkowej różnicy genetycznej, ale także od różnych prób rekompensaty, opierających się na innych molekularnych, komórkowych, obwodowych, systemowych i behawioralnych mechanizmach.

Żadna osoba nie ma wiedzy, aby zrozumieć wszystko to. Wszyscy potrzebujemy pomocy. Oprogramowanie zasilane sztuczną inteligencją, które budujemy, umożliwia każdemu zbierać i łączyć wszystkie istotne biomedyczne informacje, widzieć połączenia i identyfikować nowe hipotezy.

Jak biotechnologia i instytucje akademickie używają Epistemic, aby rozwiązać wyzwanie COVID-19?

Stefano Pacifico: Wypuściliśmy publiczną wersję naszej platformy, która zawiera zestawy danych specyficznych dla COVID i jest bezpłatnie dostępna dla wszystkich osób prowadzących badania nad COVID-19. Jest dostępna pod adresem https://covid.epistemic.ai

Jakie są inne choroby lub problemy genetyczne, dla których Epistemic został użyty?

Stefano Pacifico: Współpracowaliśmy z badaczami autyzmu i obecnie łączymy się w nowym wysiłku badawczym dotyczącym mukowiscydozy. Ale jesteśmy szczęśliwi, aby współpracować z innymi badaczami lub instytucjami, które mogą potrzebować pomocy w swoich badaniach.

Czy jest coś jeszcze, co chcielibyście podzielić się na temat Epistemic?

Stefano Pacifico: Budujemy ruch ludzi, którzy chcą zmienić sposób, w jaki badacze biomedyczni pracują i myślą. Szczególnie mamy nadzieję, że wielu z Waszych czytelników będzie chciało do nas dołączyć!

Dziękujemy Wam obu za poświęcony czas, aby odpowiedzieć na nasze pytania. Czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Epistemic AI.