Charles Fisher, Ph.D., CEO & Founder 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 novos modelos de inteligência artificial analisam vastas quantidades de dados de nível de paciente 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 de vida 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 é apenas 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 então 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 inteligência artificial 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 método de tentativa e erro em medicina por meio da inteligência artificial?

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

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

A Unlearn inventa modelos de inteligência artificial chamados geradores de gêmeos digitais (DTGs) que geram gêmeos digitais dos participantes dos testes clínicos. Cada gêmeo digital do 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 inscrever-se 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 para que os resultados dos testes sejam robustos para erros que o modelo pode fazer em suas previsões. Basicamente, PROCOVA usa o fato de que alguns dos participantes de um estudo são randomicamente designados para o grupo de placebo para corrigir as previsões dos gêmeos digitais usando um método estatístico chamado ajuste de covariante. Isso nos permite projetar 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 e pesquisa para expandir essa linha de soluções e fornecer estudos ainda mais poderosos em frente.

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

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 extremamente de 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 orientações regulatórias. Claro, a Unlearn existe para empurrar os limites, então podemos lançar soluções mais inovadoras destinadas a aplicações em estágios iniciais de estudo 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 na utilização da inteligência artificial em medicina?

O maior desafio para nós e para qualquer outra pessoa envolvida na aplicação da inteligência artificial a problemas em medicina é cultural. Atualmente, a vasta maioria dos pesquisadores em medicina não é extremamente familiarizada com a inteligência artificial e geralmente está mal informada sobre como as tecnologias subjacentes realmente funcionam. Como resultado, a maioria das pessoas é altamente cética de que a inteligência artificial será útil no curto prazo. Acho que isso inevitavelmente mudará nos próximos anos, mas a biologia e a medicina geralmente ficam atrás de 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 experimentos futuros. Atualmente, cerca de 90% dos medicamentos que entram em testes clínicos em humanos falham, geralmente porque não funcionam realmente. Então, estamos realmente longe de fazer previsões precisas e quantitativas agora, quando se trata da maioria das áreas de 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 ferramentas de raciocínio principais da biologia. Minha esperança é que o trabalho que estamos fazendo na Unlearn destaque o valor de adotar uma abordagem “primeiro a inteligência artificial” para resolver um problema prático importante em 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.