Thomas Clozel, M.D., Co-Fundador e CEO da Owkin – Série de Entrevistas

Thomas Clozel, M.D. é co-fundador e CEO da Owkin, uma empresa de biotecnologia de IA que está revolucionando a indústria da saúde. Com formação em pesquisa clínica, Clozel tem sido fundamental na liderança da Owkin desde sua criação em 2016. Sob sua liderança, a empresa alcançou marcos significativos, incluindo a captação de recursos substanciais e a formação de parcerias estratégicas com grandes empresas farmacêuticas. Ele foi professor assistente de Onco-Hematologia Clínica no Hospital Henri Mondor, em Paris, e membro anterior do laboratório de oncologia do Dr. Ari Melnick na Weill Cornell Medical College.

Owkin é uma empresa de biotecnologia de IA que desenvolve sistemas autônomos de IA projetados para acelerar a pesquisa biomédica e a descoberta de medicamentos. Fundada em 2016 pelo oncologista Thomas Clozel e pelo pesquisador de aprendizado de máquina Gilles Wainrib, a empresa combina modelos avançados de IA com dados multimodais de pacientes, pesquisa biológica e expertise clínica para ajudar equipes farmacêuticas a compreender melhor doenças, identificar alvos terapêuticos, descobrir biomarcadores e tomar decisões de P&D mais informadas. Sua plataforma principal, K Pro, funciona como um cientista de IA que pode orquestrar modelos especializados e ferramentas de pesquisa para analisar questões biológicas complexas, com a Owkin trabalhando, em última instância, rumo ao que chama de Superinteligência Artificial Biológica: um sistema de IA auto‑melhorável capaz de conduzir porções cada vez maiores do processo de descoberta de medicamentos de forma autônoma.

A Owkin estabeleceu relações estratégicas com grandes empresas biofarmacêuticas, incluindo Sanofi, Bristol Myers Squibb e MSD, e construiu uma rede global que abrange pesquisadores acadêmicos, clínicos, parceiros de dados de pacientes e infraestrutura de laboratórios.

Sua carreira abrangeu hematologia clínica, pesquisa oncológica e biologia computacional. Quando você co‑fundou a Owkin em 2016, quais limitações você observou na pesquisa médica convencional que o convenceram de que a IA poderia ajudar os cientistas a entender a doença de forma diferente?

Eu era oncologista e atendia pacientes de 35 anos com câncer, mas nada em seu histórico explicava por que eles tinham a doença ou por que recaíam. Não dispúnhamos de ciência adequada para explicá‑la — mesmo com toda a pesquisa dos últimos cem anos. Isso me fez pensar: a biologia não é um problema em escala humana. Ela requer raciocínio em múltiplas escalas, de moléculas a organismos inteiros, e em muitos tipos diferentes de dados simultaneamente — de biópsias de tecido ao histórico de tratamento de um paciente. Para isso, precisaríamos de IA. E eu acreditava que os únicos dados que poderiam nos aproximar desse entendimento em humanos eram os dados de pacientes. Assim, em 2016 co‑fundei a Owkin com Gilles Wainrib, e começamos com aprendizado federado — um método que permite que modelos de IA aprendam a partir de dados hospitalares sem que esses dados jamais deixem o hospital — para desbloquear esses dados e alcançar essas respostas.

A IA generativa pode produzir um grande número de hipóteses biológicas plausíveis. Como os pesquisadores devem distinguir uma descoberta genuinamente nova de uma correlação convincente, porém finalmente falsa, gerada por IA?

Você deve considerar todas as suas hipóteses como erradas até provar o contrário. Isso é intencional. Acredito que agentes de IA de fronteira — sistemas avançados e autônomos de IA —, quando têm acesso às ferramentas e dados corretos, serão melhores em gerar hipóteses precisas do que somos atualmente. E na Owkin, nossos modelos classificam hipóteses de acordo com a probabilidade de se sustentarem, com base em padrões aprendidos dos dados.

Mas ainda precisamos testá‑las, primeiro no laboratório e depois em ensaios clínicos, antes de depositarmos total confiança nelas. Na Owkin fazemos isso por meio do que chamamos de “laboratório no loop” — testando cada previsão de IA em amostras biológicas reais antes de confiar nelas — e depois em ensaios clínicos. Portanto, ainda precisamos testar experimentalmente cada hipótese, como sempre fizemos. Contudo, a IA nos ajuda a usar os recursos de forma mais eficiente, direcionando‑nos para as rotas de teste com maior probabilidade de sucesso.

K Pro combina patologia, genômica, biologia espacial e desfechos clínicos. Como a integração desses diferentes tipos de dados produz evidências biológicas mais robustas do que confiar em um único conjunto de dados ou modalidade?

Estamos tentando ver o quadro completo do que causou a doença de uma pessoa. Cada um desses tipos de dados fornece uma visão parcial — mas nenhum único pode oferecer a explicação causal completa.

Se você puder observar a doença sob múltiplos ângulos simultaneamente, chega mais perto do quadro completo. É isso que queremos fazer em todas as escalas da biologia — por exemplo, vinculando a atividade gênica à estrutura física do tecido, e conectando a biologia subjacente de um paciente (seus genes e moléculas) ao que realmente se observa na clínica (imagens de tecido, prontuários médicos, como responderam ao tratamento).

É isso que torna a IA tão importante: ela pode combinar esses tipos de dados muito diferentes e encontrar os padrões subjacentes que se aproximam do quadro completo — algo extremamente difícil para a mente humana fazer sozinha.

A Owkin descreve as descobertas geradas por IA como hipóteses e não como fatos. Quais etapas uma hipótese do K Pro deve percorrer antes que sua equipe a considere biologicamente significativa o suficiente para influenciar uma decisão de desenvolvimento de fármaco?

Quatro etapas.

Primeiro, replicação computacional: o sinal se mantém ao ser verificado em conjuntos de dados de pacientes independentes e em tipos de dados que não foram usados para gerá‑lo inicialmente? Essa etapa é barata de executar e elimina a maioria dos candidatos precocemente.

Segundo, escrutínio mecanístico: existe uma explicação coerente e causal — uma nova peça plausível de biologia? E as evidências realmente dizem o que o modelo afirma? Investigamos as evidências subjacentes, não apenas a conclusão. Aqui a contribuição da nossa equipe biomédica especializada é extremamente importante.

Terceiro, testamos no laboratório. Verificamos a previsão usando modelos derivados de pacientes — incluindo organoides (versões miniaturizadas, cultivadas em laboratório, do tumor de um paciente) — por meio de testes de fármacos e experimentos de edição gênica. Esta é a etapa em que uma correlação se torna uma afirmação causal real, ou não.

Quarto, pacientes. Atualmente estamos testando o OKN4395 — um candidato a fármaco cuja biologia subjacente o K Pro nos ajudou a compreender — em nosso ensaio clínico INVOKE. Também usamos esse ensaio para aprimorar nossa IA: ele coleta dados detalhados dos pacientes ao longo do tempo, de modo que não estamos apenas testando um fármaco, mas também verificando se o raciocínio da IA sobre o mecanismo da doença e a população de pacientes correta estava correto.

A Owkin testa previsões selecionadas do K Pro em seu laboratório úmido usando abordagens como organoides derivados de pacientes e perturbação genética. Como esse feedback laboratorial melhora o sistema, e o que acontece quando os resultados experimentais contradizem a previsão original?

K Pro prevê nova biologia, nós projetamos o experimento e o testamos usando modelos laboratoriais derivados de pacientes — incluindo organoides, co‑cultura (cultivo de diferentes tipos celulares juntos para observar interações) e modelos nos quais genes específicos foram ativados ou desativados. Os resultados então retornam ao sistema para aprimorá‑lo. Hoje, partes desse ciclo ainda são feitas manualmente; automatizar tudo completamente é nosso próximo passo.

Já medimos o efeito desse feedback. Em um estudo que divulgamos no ArXiv (um repositório de artigos científicos) este ano, agentes de IA que receberam esse tipo de feedback iterativo de laboratório foram 166–185 % melhores que a seleção aleatória na identificação de genes que alteram de forma significativa o comportamento de uma célula — o tipo de genes que vale a pena direcionar com um fármaco.

Quais métricas as empresas farmacêuticas deveriam usar para avaliar um cientista de IA? O sucesso deve ser medido pela precisão preditiva, reproducibilidade, número de alvos validados, decisões de ensaios clínicos aprimoradas ou outro padrão?

Acreditamos que o critério mais importante seja a confiabilidade. Uma IA que ocasionalmente produz uma resposta muito precisa é interessante, mas os sistemas de IA só se tornam realmente úteis para a indústria quando podem responder à mesma pergunta da mesma forma, de maneira confiável, independentemente de quantas vezes sejam solicitados.

É isso que transforma esses sistemas de uma demonstração chamativa para a base de um fluxo de trabalho real. Foi assim que construímos o K Pro — para que o raciocínio de IA dentro dele siga o mesmo processo reproduzível e transparente toda vez que responde a uma pergunta.

A reproducibilidade científica é essencial na pesquisa de fármacos. Como o K Pro mostra aos pesquisadores quais conjuntos de dados, fluxos de trabalho analíticos e etapas de raciocínio contribuíram para uma conclusão, de modo que suas descobertas possam ser revisadas independentemente?

O K Pro documenta e exibe o processo de raciocínio que a IA segue para responder a cada consulta.

Todo conjunto de dados que utiliza é identificado por sua origem e versão. Você pode ver o grupo de pacientes sendo reduzido a cada etapa de filtragem — por exemplo, como quatro mil pacientes se tornaram trezentos. Cada ferramenta que ele invoca é mostrada. Cada “habilidade” que ele utiliza é exibida. Cada passo de raciocínio é apresentado.

Uma “habilidade” é um fluxo de trabalho científico que foi codificado uma vez — a sequência de análises, os limiares, o raciocínio — que o K Pro então aplica de forma idêntica sempre que é relevante. As habilidades são especialmente importantes para a reproducibilidade, pois são uma das formas pelas quais o K Pro reduz a variabilidade natural dos sistemas de IA — a mesma tarefa executada duas vezes deve gerar a mesma resposta. Continuamos a aprimorar isso, porque a capacidade de verificar o trabalho de uma IA é uma vantagem chave em nossa indústria.

A Owkin está desenvolvendo agentes K Pro sob medida para a AstraZeneca e a Sanofi. O que essas colaborações lhe ensinaram sobre integrar cientistas de IA nos fluxos de trabalho farmacêuticos estabelecidos sem enfraquecer a supervisão humana, a governança ou o rigor científico?

É preciso encontrar as empresas farmacêuticas onde elas estão. Cada empresa tem uma estrutura diferente, um histórico distinto e um apetite diverso pela adoção de IA — e dentro de cada empresa, diferentes equipes têm necessidades diferentes.

Nossa experiência trabalhando com empresas farmacêuticas ao longo de quase uma década mostra que elas sempre priorizarão a supervisão e o rigor, e você nem consegue entrar sem atender aos seus padrões de governança.

Por isso construímos o K Pro para ser interpretável — ou seja, você pode ver como ele raciocina, quais ferramentas seleciona e quais dados utiliza — flexível o suficiente para operar dentro dos sistemas existentes de uma empresa sem exigir mudanças de infraestrutura, e capaz de acessar dados proprietários exatamente onde já estão armazenados, sem jamais mover ou duplicar esses dados.

Isso contribui significativamente para gerar a confiança necessária para a adoção pela indústria farmacêutica.

Dados multimodais de pacientes podem conter vieses institucionais, anotações inconsistentes e populações sub-representadas. Como a Owkin impede que essas limitações se transformem em conclusões biológicas enganosas ou restrinjam os pacientes que podem se beneficiar de uma descoberta?

Todos os dados contêm algum tipo de viés, seja do laboratório de origem ou dos pacientes representados. Nossa abordagem é compreender nossos conjuntos de dados ao máximo, para que possamos identificar se existe viés e como compensá‑lo.

Conseguimos fazer isso porque mantemos relações fortes com os pesquisadores que originalmente geraram cada conjunto de dados, e eles nos ajudam a examiná‑los em profundidade.

Estamos confiantes de que, se um conjunto de dados relevante existir, podemos encontrá‑lo. Mas se houver uma lacuna — por exemplo, uma população de pacientes que não está bem representada nos dados existentes — somos capazes de gerar novos dados com padrões rigorosos por conta própria, trabalhando com parceiros acadêmicos, como fizemos com nosso conjunto de dados MOSAIC.

Você descreveu o objetivo de longo prazo da Owkin como Superinteligência Artificial Biológica. Quais capacidades distinguiriam isso das ferramentas de pesquisa de IA atuais, e que evidência o convenceria de que um sistema de IA realmente entende biologia, em vez de simplesmente identificar padrões cada vez mais sofisticados?

Superinteligência Artificial Biológica (BASI) — nosso termo para um sistema de IA capaz de propor independentemente biologia nova e correta — chega quando um sistema de IA começa a sugerir de forma confiável novas biologias de doenças que a pesquisa humana ainda não descobriu, e que posteriormente se provam corretas.

Estamos construindo isso com um sistema que pode:

• Trabalhar de forma autônoma, refinando suas próprias hipóteses sem precisar de intervenção humana em cada etapa, incluindo projetar e executar experimentos em laboratórios automatizados
• Raciocinar sobre causa e efeito em sistemas biológicos, não apenas identificar correlações

Quanto ao fato de a IA realmente “entender” biologia, essa é uma questão filosófica interessante. Em que ponto as representações internas de um modelo se tornam complexas o suficiente para contar como entendimento real, em vez de apenas correspondência de padrões muito sofisticada? Por enquanto, vou me contentar com o fato de que ela pode sugerir de forma confiável nova biologia que se revela verdadeira.

Obrigado pela ótima entrevista; leitores que desejam saber mais devem visitar Owkin.