Jinhan Kim, CEO da Standigm – Série de Entrevistas

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

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

Você começou a programar quando estava na 6ª série, pode compartilhar como você se interessou e o que você trabalhou inicialmente?

Ah, sim – no meu Apple (AAPL ) II Plus. Isso foi o catalisador para me transformar de um bookworm em um criador. Eu comecei a programar, começando com a linguagem C, por curiosidade. Eu me interessei pelos princípios e aspectos teóricos do meu computador. A partir daí, eu me tornei um aprendiz de vida toda na área de tecnologia.

O que inicialmente o atraiu 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 aprendizado de máquina. O Google (GOOGL ) o contratou há dez anos para criar sua inteligência artificial e o resto é história.

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

Eu costumava trabalhar no Instituto Avançado de Tecnologia da Samsung, onde eu estava desenvolvendo algoritmos. Um dos algoritmos que eu 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 quanto as coisas podem ser, e você precisa trabalhar para entender um para compreender o outro. Os sistemas de inteligência artificial não apenas podem vasculhar dados científicos extensivos publicados ao longo de décadas de todo o mundo, mas também podem 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 criação da Standigm?

Meu trabalho em saúde e ciência revelou o que, para mim, era um grande problema na descoberta tradicional de medicamentos: o tempo e o dinheiro que levavam para varrer pesquisas científicas e triais de screening ou as pistas que fornecem o ponto de partida para a criação de novos medicamentos. Cientistas humanos estavam fazendo essa pesquisa intensiva. Eu e dois colegas da Samsung, Sang Ok Song e So Jeong Yun, vimos uma oportunidade de mudar 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 trazer métodos de descoberta de medicamentos para um novo padrão de paradigma, que é a gênese do trabalho e o nome de “Standigm”, a empresa que os três fundamos. Nosso modelo de aprendizado de máquina agora alcança alta precisão de previsão e sua tecnologia de inteligência artificial atinge o máximo de ROI.

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 medicamentos. 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 inteligência artificial de primeira geração eram grosseiros, e os químicos sintéticos recusaram a maioria dos compostos projetados 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 medicamentos: identificação de leads, lead-to-lead e otimização de leads. Isso mostra a importância de ter expertise diversificada para qualquer empresa de descoberta de medicamentos com inteligência artificial, onde a experiência e a expertise humanas são principalmente usadas para melhorar os modelos de inteligência artificial e para garantir os melhores fluxos de trabalho em vez de cada projeto.

Pode discutir os tipos de algoritmos usados pela Standigm para facilitar a descoberta de medicamentos?

Nós 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 um dos problemas mais críticos na descoberta de medicamentos. O Standigm ASK ajuda especialistas em doenças a fornecer múltiplas hipóteses de MOA (mecanismo de ação).

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

Quanto tempo é economizado em média quando se trata da geração de compostos novos em comparação com os procedimentos de descoberta de medicamentos 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 e recursos comerciais baseados em inteligência artificial, 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/parar 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 medicamentos?

Usando o Standigm Insight, que compartilha o mesmo fundamento técnico que o Standigm ASK, encontramos uma molécula de medicamento 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 inteligência artificial pode ajudar na descoberta de medicamentos 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 inteligência artificial pode promover o desenvolvimento de produtos em doenças raras e negligenciadas.

Qual é sua visão para o futuro da aprendizagem profunda e da inteligência artificial gerativa na área de saúde?

O sucesso da tecnologia de inteligência artificial 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 de descoberta de medicamentos precoces, os dados de química e biologia são caros e requerem um longo tempo para alcançar o status de alta qualidade. Portanto, o laboratório automatizado será o futuro para o campo de descoberta de medicamentos com inteligência artificial, pois pode reduzir o custo de dados de alta qualidade – o combustível para a tecnologia de inteligência artificial. Estamos impulsionando nossas plataformas de tecnologia para o próximo nível para que o Standigm ASK possa fornecer mais evidências aparentes, desde dados de pacientes até biologia molecular; e para que os modelos de inteligência artificial 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.

Nós 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.