Charles Fisher, Ph.D., CEO e Fundador da Unlearn – Série de Entrevistas

Charles Fisher, Ph.D., é o CEO e Fundador da Unlearn, uma plataforma que utiliza inteligência artificial para lidar com alguns dos principais gargalos no desenvolvimento clínico: longos prazos de teste, altos custos e resultados incertos. Seus modelos de IA inovadores analisam vastas quantidades de dados de pacientes para prever os resultados de saúde dos pacientes. Ao integrar gêmeos digitais em testes clínicos, a Unlearn consegue acelerar a pesquisa clínica e ajudar a trazer tratamentos inovadores e salvadores para os pacientes que precisam.

Charles é um cientista com interesses na interseção da física, aprendizado de máquina e biologia computacional. Anteriormente, Charles trabalhou como engenheiro de aprendizado de máquina na Leap Motion e como biólogo computacional na Pfizer. Ele foi um fellow Philippe Meyer em física teórica na École Normale Supérieure em Paris, França, e um cientista pós-doutorado em biofísica na Universidade de Boston. Charles possui um Ph.D. em biofísica pela Universidade de Harvard e um B.S. em biofísica pela Universidade de Michigan.

Você está atualmente na minoria em sua crença fundamental de que a matemática e a computação devem ser a base da biologia. Como você chegou originalmente a essas conclusões?

Isso provavelmente ocorre porque a matemática e os métodos computacionais não foram enfatizados o suficiente na educação em biologia nos últimos anos, mas, do meu ponto de vista, as pessoas estão começando a mudar de ideia e concordar comigo. Redes neurais profundas nos deram um novo conjunto de ferramentas para sistemas complexos, e a automação está ajudando a criar grandes conjuntos de dados biológicos necessários. Acho que é inevitável que a biologia se torne mais uma ciência computacional na próxima década.

Como essa crença se transformou no lançamento da Unlearn?

No passado, muitos métodos computacionais em biologia foram vistos como resolvendo problemas de brinquedo ou problemas longe de aplicações em medicina, o que tornou difícil demonstrar valor real. Nosso objetivo é inventar novos métodos de IA para resolver problemas em medicina, mas também estamos focados em encontrar áreas, como em testes clínicos, onde possamos demonstrar valor real.

Pode explicar a missão da Unlearn para eliminar o ensaio e erro na medicina por meio da IA?

É comum na engenharia projetar e testar um dispositivo usando um modelo de computador antes de construir o dispositivo real. Gostaríamos de permitir algo semelhante na medicina. Podemos simular o efeito que um tratamento terá em um paciente antes de administrá-lo? Embora eu acredite que o campo esteja muito longe disso hoje, nosso objetivo é inventar a tecnologia para tornar isso possível.

Como o uso de gêmeos digitais da Unlearn em testes clínicos acelera o processo de pesquisa e melhora os resultados?

A Unlearn inventa modelos de IA chamados geradores de gêmeos digitais (DTGs) que geram gêmeos digitais dos participantes dos testes clínicos. Cada gêmeo digital de um participante prevê qual seria o resultado se ele recebesse o placebo em um teste clínico. Se nossos DTGs fossem perfeitamente precisos, então, em princípio, os testes clínicos poderiam ser realizados sem grupos de placebo. Mas, na prática, todos os modelos cometem erros, então nosso objetivo é projetar testes randomizados que usem grupos de placebo menores do que os testes tradicionais. Isso torna mais fácil se inscrever no estudo, acelerando os prazos dos testes.

Pode elaborar com precisão sobre o que é a metodologia de Ajuste de Covariante Prognóstico Regulatório-Qualificado (PROCOVA) da Unlearn?

PROCOVA é o primeiro método que desenvolvemos que permite que os gêmeos digitais dos participantes sejam usados em testes clínicos de forma que os resultados do teste sejam robustos para erros que o modelo pode cometer em suas previsões. Basicamente, PROCOVA usa o fato de que alguns participantes de um estudo são aleatoriamente designados para o grupo de placebo para corrigir as previsões dos gêmeos digitais usando um método estatístico chamado ajuste de covariante. Isso permite que projetemos estudos que usem grupos de controle menores do que o normal ou que tenham maior poder estatístico, garantindo que esses estudos forneçam avaliações rigorosas da eficácia do tratamento. Também estamos continuando o desenvolvimento para expandir essa linha de soluções e fornecer estudos ainda mais poderosos para o futuro.

Como a Unlearn equilibra a inovação com a conformidade regulatória no desenvolvimento de suas soluções de IA?

Soluções destinadas a testes clínicos são geralmente regulamentadas com base em seu contexto de uso, o que significa que podemos desenvolver múltiplas soluções com diferentes perfis de risco que visam diferentes casos de uso. Por exemplo, desenvolvemos PROCOVA porque é de muito baixo risco, o que nos permitiu buscar uma opinião de qualificação da Agência Europeia de Medicamentos (EMA) para uso como análise principal em testes clínicos de fase 2 e 3 com resultados contínuos. Mas PROCOVA não aproveita todas as informações fornecidas pelos gêmeos digitais que criamos para os participantes do teste – deixa algum desempenho na mesa para alinhar com as diretrizes regulatórias. É claro, a Unlearn existe para empurrar os limites, então podemos lançar soluções mais inovadoras destinadas a aplicações em estágios de estudo anteriores ou análises pós-hoc, onde podemos usar outros tipos de métodos (por exemplo, análises bayesianas) que fornecem muito mais eficiência do que podemos com PROCOVA.

Quais foram alguns dos principais desafios e avanços para a Unlearn ao utilizar IA na medicina?

O maior desafio para nós e para qualquer outra pessoa envolvida na aplicação de IA a problemas em medicina é cultural. Atualmente, a vasta maioria dos pesquisadores em medicina não é extremamente familiarizada com IA e geralmente está mal informada sobre como as tecnologias subjacentes realmente funcionam. Como resultado, a maioria das pessoas é muito cética de que a IA será útil no curto prazo. Acho que isso inevitavelmente mudará nos próximos anos, mas a biologia e a medicina geralmente ficam atrás da maioria dos outros campos quando se trata da adoção de novas tecnologias de computador. Tivemos muitos avanços tecnológicos, mas as coisas mais importantes para ganhar adoção são provavelmente pontos de prova de reguladores ou clientes.

Qual é sua visão geral para o uso de matemática e computação em biologia?

 Na minha opinião, só podemos chamar algo de “ciência” se seu objetivo for fazer previsões precisas e quantitativas sobre os resultados de futuros experimentos. Atualmente, cerca de 90% dos medicamentos que entram em testes clínicos em humanos falham, geralmente porque não funcionam de fato. Então, estamos realmente longe de fazer previsões precisas e quantitativas agora, quando se trata da maioria das áreas da biologia e medicina. Não acho que isso muda até que o núcleo dessas disciplinas mude – até que a matemática e os métodos computacionais se tornem as principais ferramentas de raciocínio da biologia. Minha esperança é que o trabalho que estamos fazendo na Unlearn destaque o valor de adotar uma abordagem “IA-first” para resolver um problema prático importante na pesquisa médica, e que futuros pesquisadores possam pegar essa cultura e aplicá-la a um conjunto mais amplo de problemas.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Unlearn.