Jinhan Kim, CEO da Standigm – Série de Entrevistas

Jinhan Kim é o CEO da Standigm, uma empresa de descoberta de drogas com inteligência artificial de workflow.

Desde a identificação personalizada de alvos até a geração de leads, a plataforma de inteligência artificial de workflow da Standigm gera insights para cada etapa do desenvolvimento de drogas comercialmente valiosas a partir de projetos internos e de parceria. ​

Você começou a programar quando estava na 6ª série, pode compartilhar como se interessou e no que trabalhou inicialmente?

Ah, sim – no meu Apple II Plus. Isso foi o catalisador para me transformar de um bookworm em um criador. Eu comecei a programar, começando com a programação em C, por curiosidade. Me interessei pelos princípios e aspectos teóricos do meu computador. A partir daí, me tornei um aprendiz de longa data no campo da tecnologia.

O que o atraiu inicialmente para a aprendizagem de máquina?

Eu obtive meus diplomas em química aplicada e inteligência artificial na Universidade de Edimburgo, sob a orientação de Geoffrey Hinton. Ele é o neurocientista e cientista da computação que basicamente criou o aprendizado profundo. Hinton trabalhou em redes neurais artificiais e projetou máquinas autônomas e inteligentes – e, posteriormente, algoritmos de aprendizagem de máquina. O Google o contratou há dez anos para criar sua IA e o resto é história.

Quando você se envolveu inicialmente na interseção da biologia e da aprendizagem de máquina?

Eu costumava trabalhar no Instituto Avançado de Tecnologia da Samsung, onde estava desenvolvendo algoritmos. Um dos algoritmos que desenvolvi foi um mecanismo para reparar danos no DNA. Eu queria perseguir trabalhos no campo da biologia e resolver os problemas mais difíceis para atingir. Tanto o corpo humano quanto os computadores que pensam como humanos são tão complexos, e você precisa trabalhar para entender um para compreender o outro. Os sistemas de IA podem não apenas escavar dados científicos extensivos publicados ao longo de décadas de todo o mundo, mas também processar as complexidades do corpo humano e rapidamente e coerentemente capturar os padrões de mecanismos biológicos. Foi fácil ver a biologia e a aprendizagem de máquina andando de mãos dadas.

Pode compartilhar a história de gênese por trás da Standigm?

Meu trabalho em saúde e ciência revelou o que, para mim, era um grande problema na descoberta tradicional de drogas: o tempo e o dinheiro que levavam para escanear artigos de pesquisa científica e testes clínicos ou as dicas que fornecem o ponto de partida para a criação potencial de novas drogas. Cientistas humanos estavam fazendo essa pesquisa intensiva. Eu e dois colegas da Samsung, Sang Ok Song e So Jeong Yun, vimos uma oportunidade de transferir o trabalho de humanos para uma máquina inteligente e projetar um novo fluxo de trabalho. Além disso, eu não queria trabalhar por um salário; eu queria trabalhar por mim mesmo, para levar os métodos de descoberta de drogas a um novo padrão de paradigma, que é a gênese do trabalho e o nome de “Standigm”, a empresa que os três co-fundamos. Nosso modelo de aprendizagem de máquina agora alcança alta precisão de previsão e sua tecnologia de IA atinge o ROI máximo.

O que é o problema de acessibilidade sintética e como a Standigm trabalha para resolvê-lo?

Modelos gerativos podem projetar novas estruturas moleculares sem a ajuda de químicos medicinais bem treinados, o que é uma das razões mais críticas para a adoção entusiástica dessa tecnologia pelas comunidades de descoberta de drogas. O maior obstáculo aqui é a diferença de velocidade entre o design de moléculas e suas sínteses experimentais, onde o design de milhões de compostos leva apenas horas e a síntese de apenas dez moléculas leva semanas ou meses. Como apenas uma fração minúscula dos compostos projetados será sintetizada por especialistas humanos, é essencial ter boas medidas de propriedades moleculares.

Os modelos de IA de primeira geração eram crus, e os químicos sintéticos recusaram a maioria das moléculas projetadas devido à dificuldade do plano sintético. Algumas empresas de pesquisa e desenvolvimento (CRO) até recusaram-se a preparar uma proposta para essa campanha sintética.

A Standigm tem trabalhado nessa questão, contratando químicos medicinais experientes e adicionando sua expertise aos modelos gerativos para que possam projetar compostos que não podem ser distinguidos daqueles projetados por especialistas humanos. A Standigm agora tem vários modelos gerativos diferentes que podem gerenciar diferentes estágios de descoberta de drogas: identificação de leads, lead-to-lead e otimização de lead. Isso mostra a importância de ter expertise diversificada para qualquer empresa de descoberta de drogas com IA, onde a experiência e a expertise humanas são principalmente usadas para melhorar os modelos de IA e garantir os melhores fluxos de trabalho para cada projeto.

Pode discutir os tipos de algoritmos utilizados pela Standigm para facilitar a descoberta de drogas?

Normalmente, começamos qualquer projeto exploratório priorizando proteínas-alvo promissoras e novas usando o Standigm ASK; nossa plataforma de biologia consiste em algoritmos distintos para treinar redes biológicas massivas, utilizar vários tipos de dados omics não tendenciosos, introduzir contextos específicos de sistemas biológicos e assim por diante. Selecionar a proteína-alvo certa é uma das questões mais críticas na descoberta de drogas. O Standigm ASK ajuda especialistas em doenças, fornecendo múltiplas hipóteses de MOA (mecanismo de ação).

Para garantir patentes com faixas de proteção altamente eficazes, o Standigm BEST executa várias tarefas, incluindo a sugestão de compostos de lead (exploração eficaz), salto de scaffold (considerando a acessibilidade sintética e a novidade) e vários modelos preditivos para capacidades de drogas (atividade, propriedades ADME/Tox e propriedades físico-químicas). Muitas tarefas menores estão relacionadas a essas tarefas maiores, como DTI (interação droga-alvo), simulações moleculares assistidas por IA, previsão de seletividade e otimização de multiparâmetros.

Quanto tempo é economizado em média quando se trata da geração de compostos novos versus procedimentos de descoberta de drogas legados?

Pesquisadores da Standigm sintetizaram centenas de moléculas novas para projetos, muitas das quais são designadas como moléculas de lead e lead em diferentes contextos. Ao adotar modelos baseados em IA e recursos comerciais, a Standigm reduziu o tempo para a primeira rodada de geração de compostos novos de seis meses para uma média de dois meses para a maioria dos projetos. Agora, as primeiras decisões de ir ou não ir podem ser tomadas em uma média de sete meses, em vez de três a quatro anos.

Quais são algumas das histórias de sucesso da Standigm para a comercialização potencial de drogas?

Usando o Standigm Insight, que compartilha o mesmo fundamento técnico do Standigm ASK, encontramos uma molécula de droga que pode ser usada para uma doença pediátrica rara, validada por um cientista de um dos melhores hospitais infantis dos EUA. Esse caso mostra que a tecnologia de IA pode ajudar na descoberta de drogas para doenças raras, uma tarefa difícil para uma empresa de qualquer tamanho devido à necessidade de mais valor comercial. Especialmente nessa recessão, quando as empresas farmacêuticas tentam ser mais conservadoras, a IA pode promover o desenvolvimento de produtos em doenças raras e negligenciadas.

Qual é sua visão para o futuro da aprendizagem profunda e da IA gerativa na saúde?

O sucesso da tecnologia de IA depende da disponibilidade de dados de alta qualidade. Haverá inevitavelmente uma grande competição em torno da segurança de uma grande quantidade de dados de alta qualidade no setor de saúde. De uma perspectiva mais estreita da descoberta de drogas iniciais, os dados de química e biologia são caros e requerem um longo tempo para obter status de alta qualidade. Portanto, o laboratório automatizado será o futuro para o campo de descoberta de drogas com IA, pois pode reduzir o custo de dados de alta qualidade – o combustível para a tecnologia de IA. Estamos impulsionando nossas plataformas de tecnologia para o próximo nível, para que o Standigm ASK possa fornecer evidências mais aparentes, desde dados de pacientes até biologia molecular; e para que os modelos de IA do Standigm BEST possam ser de ponta, alimentados por dados de alta qualidade de laboratórios automatizados internos e colaboradores.

Há algo mais que você gostaria de compartilhar sobre a Standigm?

Como o equilíbrio de expertise diferenciada é importante para a Standigm, o equilíbrio de etnias também é crítico. Temos expandido nossa presença no ambiente global, fundando escritórios no Reino Unido (Cambridge) e nos EUA (Cambridge, MA) para incluir a presença de redes e a transformação da Standigm em uma empresa mais internacional.

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