Джинхан Ким, генеральный директор Standigm – Интервью

Джинхан Ким является генеральным директором Standigm, компании, занимающейся разработкой лекарств с помощью искусственного интеллекта.

От индивидуальной идентификации целей до генерации лидов, платформа Standigm по разработке лекарств на основе искусственного интеллекта обеспечивает получение информации на каждом этапе создания коммерчески ценных лекарств из внутренних и партнерских проектов.

Вы начали программировать в 6-м классе, можете ли вы рассказать, как вы стали интересоваться программированием и над чем вы изначально работали?

Ах, да – на моем Apple (AAPL ) II Plus. Это был катализатор, который превратил меня из книгочея в создателя. Я начал программировать, начиная с языка C, из любопытства. Меня интересовали принципы и теоретические аспекты моего компьютера. С тех пор я стал пожизненным учеником в области технологий.

Что изначально привлекло вас к машинному обучению?

Я получил степени в области прикладной химии и искусственного интеллекта в Университете Эдинбурга под руководством Джеффри Хинтона. Он является нейробиологом и компьютерным ученым, который фактически создал глубокое обучение. Хинтон работал над искусственными нейронными сетями и проектировал автономные, интеллектуальные машины – и, позже, алгоритмы машинного обучения. Google (GOOGL ) нанял его десять лет назад, чтобы создать их систему ИИ, и все остальное – история.

Когда вы впервые стали участвовать в пересечении биологии и машинного обучения?

Я работал в Институте передовых технологий Samsung, где я разрабатывал алгоритмы. Одним из алгоритмов, который я разработал, был механизм для ремонта повреждений ДНК. Я хотел заниматься работой в области биологии и решать наиболее сложные проблемы, связанные с целями. И человеческое тело, и компьютеры, которые думают как люди, являются примерно такими же сложными, как все остальное, и вам нужно работать, чтобы понять одно, чтобы понять другое. Системы ИИ не только могут просматривать обширные научные данные, опубликованные за десятилетия со всего мира, но также могут обрабатывать сложности человеческого тела и быстро и связно обнаруживать закономерности биологических механизмов. Было легко увидеть, что биология и машинное обучение идут рука об руку.

Можете ли вы рассказать историю создания Standigm?

Моя работа в области здравоохранения и науки показала мне большую проблему в традиционной разработке лекарств: время и деньги, которые тратятся на просмотр научных исследований и скрининговых испытаний или подсказок, которые обеспечивают отправную точку для потенциального создания новых лекарств. Человеческие ученые делали это интенсивное исследование. Я и два моих коллеги из Samsung, Санг Ок Сонг и Со Джонг Юн, увидели возможность chuyểnить работу от людей к интеллектуальной машине и разработать новый рабочий процесс. Кроме того, я не хотел работать за зарплату; я хотел работать на себя, чтобы привнести методы разработки лекарств к новому стандарту, который является генезисом работы и названием “Standigm”, компании, которую мы трио основали. Наша модель машинного обучения сейчас обеспечивает высокую точность прогнозирования, и ее технология ИИ достигает максимальной отдачи от инвестиций.

Что такое проблема синтетической доступности и как Standigm работает над ее решением?

Генеративные модели могут проектировать новые молекулярные структуры без помощи хорошо обученных медико-химиков, что является одной из наиболее важных причин для энтузиастического принятия этой технологии сообществами по разработке лекарств. Самым высоким препятствием здесь является разница в скорости между проектированием молекул и их экспериментальной синтезом, где проектирование миллионов соединений занимает всего несколько часов, а синтез только десяти молекул занимает недели или месяцы. Поскольку только крошечная доля спроектированных соединений будет синтезирована человеческими экспертами, важно иметь хорошие меры молекулярных свойств.

Модели ИИ первого поколения были грубыми, и синтетические химики отказались от большинства спроектированных молекул из-за трудности синтетического плана. Некоторые компании, предоставляющие контрактные исследования, даже отказались подготовить предложение для этой синтетической кампании.

Standigm работает над этим вопросом, нанимая опытных медико-химиков и добавляя их экспертизу к генеративным моделям, чтобы они могли проектировать соединения, которые не могут быть отличены от тех, которые были спроектированы человеческими экспертами. Standigm теперь имеет несколько разных генеративных моделей, которые могут управлять различными стадиями разработки лекарств: идентификация хитов, хит-лид и оптимизация лидов. Это показывает важность наличия разнообразной экспертизы для любой компании по разработке лекарств на основе ИИ, где человеческий опыт и экспертиза в основном используются для улучшения моделей ИИ и обеспечения лучших рабочих процессов, а не для каждого проекта.

Можете ли вы обсудить типы алгоритмов, используемых Standigm для облегчения разработки лекарств?

Мы обычно начинаем любые исследовательские проекты, отдающие приоритет перспективным и новым целевым белкам с помощью Standigm ASK; наша биологическая платформа состоит из различных алгоритмов для обучения массивных биологических сетей, использования различных типов несмещенных омикс-данных, введения конкретных контекстов биологических систем и т. д. Выбор правильного целевого белка является одной из наиболее важных проблем в разработке лекарств. Standigm ASK помогает экспертам по заболеваниям, предоставляя множество гипотез механизма действия.

Чтобы обеспечить патенты с высоко защитными диапазонами, Standigm BEST выполняет различные задачи, включая предложение хит-соединений (эффективное исследование), хоппинг-скефолда (учет синтетической доступности и новизны) и различные прогностические модели для фармакологических свойств (активности, свойств ADME/Tox и физико-химических свойств). Многие меньшие задачи связаны с этими более крупными, такие как взаимодействие лекарства и цели, ИИ-ассистированные молекулярные симуляции, прогноз селективности и многопараметрическая оптимизация.

Сколько времени в среднем экономится при генерации новых соединений по сравнению с традиционными процедурами разработки лекарств?

Исследователи Standigm синтезировали сотни новых молекул для проектов, многие из которых были назначены как хит- и лид-соединения в различных контекстах. Принимая ИИ-основанные модели и коммерческие ресурсы, Standigm сократил время для первого раунда генерации новых соединений с шести месяцев до двух месяцев для большинства проектов. Теперь первые решения о продолжении или прекращении проекта можно принимать в среднем за семь месяцев вместо трех-четырех лет.

Какие есть успехи Standigm в потенциальной коммерциализации лекарств?

Используя Standigm Insight, который имеет одинаковый технический фон, что и Standigm ASK, мы нашли молекулу лекарства, которая может быть использована для редкого детского заболевания, подтвержденного ученым из одного из лучших детских больниц в США. Этот случай показывает, что технология ИИ может помочь в разработке лекарств для редких заболеваний, что является сложной задачей для компании любого размера из-за необходимости большей коммерческой ценности. Особенно в это время рецессии, когда фармацевтические компании пытаются быть более консервативными, ИИ может способствовать исследованиям и разработке в области редких и заброшенных заболеваний.

Каково ваше видение будущего глубокого обучения и генеративного ИИ в здравоохранении?

Успех технологии ИИ зависит от наличия высококачественных данных. Неизбежно будет великое соревнование вокруг обеспечения большого количества высококачественных данных в секторе здравоохранения. С более узкой точки зрения ранней разработки лекарств, данные химии и биологии дороги и требуют много времени, чтобы получить высококачественный статус. Поэтому автоматизированная лаборатория будет будущим для области разработки лекарств на основе ИИ, поскольку она может сократить стоимость высококачественных данных – топлива для технологии ИИ. Мы продвигаем наши технологические платформы на новый уровень, чтобы Standigm ASK могла обеспечить более очевидные доказательства, от данных пациентов до молекулярной биологии; и чтобы модели ИИ Standigm BEST были на уровне искусства, питаясь высококачественными данными из внутренних автоматизированных лабораторий и сотрудников.

Есть ли что-то еще, что вы хотели бы поделиться о Standigm?

Как и баланс разнообразной экспертизы важен для Standigm, баланс этнической принадлежности также критичен. Мы расширили свое присутствие в глобальной среде, основав офисы в Великобритании (Кембридже) и США (Кембридже, Массачусетсе), чтобы включить присутствие сетей и трансформацию Standigm в более международную фирму.

Спасибо за отличное интервью, читателям, которые хотят узнать больше, следует посетить Standigm.