Томас Клозель, M.D., соучредитель и генеральный директор Owkin — серия интервью

Thomas Clozel, M.D. является соучредителем и генеральным директором Owkin, компании в сфере биотехнологий, использующей ИИ и меняющей отрасль здравоохранения. Имея опыт в клинических исследованиях, Клозель сыграл ключевую роль в руководстве Owkin с момента её основания в 2016 году. Под его руководством компания достигла значительных вех, включая привлечение крупного финансирования и заключение стратегических партнёрств с ведущими фармацевтическими компаниями. Ранее он был доцентом клинической онко‑гематологии в госпитале Анри Мондор в Париже и членом онкологической лаборатории доктора Ари Мелника в медицинском колледже Вейл Корнелл.

Owkin — компания в области биотехнологий, использующая ИИ, разрабатывающая автономные ИИ‑системы, предназначенные для ускорения биомедицинских исследований и открытия лекарств. Основанная в 2016 году онкологом Томасом Клозелем и исследователем машинного обучения Жилем Вэнрибом, компания сочетает передовые ИИ‑модели с мультимодальными данными пациентов, биологическими исследованиями и клинической экспертизой, помогая фармацевтическим командам лучше понимать болезни, определять терапевтические мишени, открывать биомаркеры и принимать более обоснованные решения в области НИОКР. Её флагманская платформа K Pro выступает в роли ИИ‑учёного, который может координировать специализированные модели и исследовательские инструменты для анализа сложных биологических вопросов, при этом Owkin в конечном итоге стремится к тому, что она называет Биологическим Искусственным Суперинтеллектом: самосовершенствующейся ИИ‑системе, способной автономно выполнять всё более значительные части процесса разработки лекарств.

Owkin установила стратегические отношения с крупными биофармацевтическими компаниями, включая Sanofi, Bristol Myers Squibb и MSD, и построила глобальную сеть, охватывающую академических исследователей, клиницистов, партнёров по данным пациентов и лабораторную инфраструктуру.

Ваша карьера охватывала клиническую гематологию, онкологические исследования и вычислительную биологию. Когда вы соучредили Owkin в 2016 году, какие ограничения вы увидели в традиционных медицинских исследованиях, которые убедили вас, что ИИ может помочь учёным по‑другому понимать болезни?

Я был онкологом и наблюдал пациентов в возрасте 35 лет с раком, но ничего в их анамнезе не объясняло, почему у них возникло заболевание или почему они рецидивировали. И у нас не было достаточной науки, чтобы это объяснить — даже при учёте всех исследований последних ста лет. Поэтому я задумался: биология не является проблемой человеческого масштаба. Она требует рассуждений на разных уровнях, от молекул до целых организмов, и одновременно множества разных типов данных — от биопсий тканей до истории лечения пациента. Для этого нам нужен ИИ. Я также полагал, что единственные данные, которые могут приблизить нас к такому пониманию у людей, — это данные пациентов. Поэтому в 2016 году я соучредил Owkin вместе с Жилем Вэнрибом, и мы начали с федеративного обучения — метода, позволяющего ИИ‑моделям обучаться на данных больниц, не покидая их, — чтобы открыть эти данные и получить ответы.

Генеративный ИИ может создавать множество правдоподобных биологических гипотез. Как исследователям отличить действительно новое открытие от убедительной, но в конечном итоге ложной корреляции, сгенерированной ИИ?

Все гипотезы следует считать ошибочными, пока не доказано обратное. Это заложено в их дизайн. Я считаю, что передовые ИИ‑агенты — продвинутые автономные ИИ‑системы — при доступе к правильным инструментам и данным будут лучше генерировать точные гипотезы, чем мы сейчас. В Owkin наши модели ранжируют гипотезы по вероятности их подтверждения, основываясь на паттернах, извлечённых из данных.

Однако их всё равно необходимо проверять, сначала в лаборатории, а затем в клинических испытаниях, прежде чем полностью им доверять. В Owkin мы делаем это с помощью того, что называем «лаборатория в цикле» — тестируем каждое предсказание ИИ на реальных биологических образцах, прежде чем полагаться на него, а затем в клинических испытаниях. Таким образом, мы по‑прежнему экспериментально проверяем каждую гипотезу, как всегда. Но ИИ помогает более эффективно использовать ресурсы, направляя нас к путям тестирования с наибольшей вероятностью успеха.

K Pro сочетает патология, геномика, пространственная биология и клинические результаты. Как объединение этих разных типов данных дает более убедительные биологические доказательства, чем опора на один набор данных или одну модальность?

Мы стремимся увидеть полную картину того, что вызвало заболевание человека. Каждый из этих типов данных предоставляет лишь фрагмент — но ни один из них не может дать полное причинное объяснение.

Если рассматривать болезнь с нескольких ракурсов одновременно, вы приближаетесь к полной картине. Это то, к чему мы стремимся на всех уровнях биологии — например, связывая активность генов со структурой ткани, а также связывая базовую биологию пациента (его гены и молекулы) с тем, что наблюдается в клинике (изображения тканей, медицинские записи, реакция на лечение).

В этом и заключается важность ИИ: он может объединять эти совершенно разные типы данных и находить базовые паттерны, приближающие к полной картине — то, что человеку крайне сложно сделать самостоятельно.

Owkin описывает открытия, сгенерированные ИИ, как гипотезы, а не факты. Какие этапы должна пройти гипотеза K Pro, прежде чем ваша команда сочтёт её биологически значимой для влияния на решение о разработке препарата?

Четыре этапа.

Во‑первых, вычислительное воспроизведение: подтверждается ли сигнал при проверке на независимых наборах данных пациентов и на типах данных, которые не использовались при его генерации? Этот шаг недорогой и позволяет на ранней стадии отсеять большинство кандидатов.

Во‑вторых, механистический анализ: существует ли согласованное, причинное объяснение — правдоподобный новый элемент биологии? И действительно ли доказательства соответствуют тому, что утверждает модель? Мы проверяем исходные доказательства, а не только вывод. Здесь чрезвычайно важен вклад нашей команды экспертов в биомедицине.

В‑третьих, мы тестируем её в лаборатории. Мы проверяем предсказание, используя модели, полученные из пациентов, включая органоиды (миниатюрные, выращенные в лаборатории версии опухоли пациента), посредством тестирования лекарств и экспериментов по редактированию генов. На этом этапе корреляция либо превращается в реальное причинное утверждение, либо нет.

В‑четвёртых, пациенты. В настоящее время мы тестируем OKN4395 — кандидат‑лекарство, биология которого была раскрыта с помощью K Pro — в нашем клиническом исследовании INVOKE. Мы также используем это исследование для улучшения нашего ИИ: оно собирает подробные данные о пациентах на протяжении всего процесса, так что мы проверяем не только препарат, но и то, верно ли модель рассуждала о механизме болезни и о подходящей популяции пациентов.

Owkin тестирует выбранные предсказания K Pro в своей влажной лаборатории, используя подходы, такие как органоиды, полученные из пациентов, и генетические возмущения. Как эта лабораторная обратная связь улучшает систему, и что происходит, когда экспериментальные результаты противоречат исходному предсказанию?

K Pro предсказывает новую биологию, мы разрабатываем эксперимент и тестируем его, используя лабораторные модели, полученные из пациентов — включая органоиды, ко‑культуры (совместный рост разных типов клеток для наблюдения их взаимодействия) и модели, в которых определённые гены включены или выключены. Полученные результаты затем возвращаются в систему для её улучшения. Сейчас некоторые части этого цикла всё ещё выполняются вручную; полная автоматизация — наш следующий шаг.

Мы уже измерили влияние этой обратной связи. В исследовании, опубликованном нами в этом году на ArXiv (репозитории научных статей), ИИ‑агенты, получавшие такого рода итеративную лабораторную обратную связь, показывали на 166–185 % лучшие результаты, чем случайный отбор, в идентификации генов, существенно меняющих поведение клетки — тех генов, которые стоит использовать в качестве мишеней для лекарств.

Какими метриками фармацевтическим компаниям следует оценивать ИИ‑учёного? Должен ли успех измеряться точностью предсказаний, воспроизводимостью, количеством подтверждённых мишеней, улучшением решений в клинических испытаниях или другими критериями?

Мы считаем, что главным критерием является надёжность. ИИ, который иногда выдаёт очень точный ответ, интересен, но ИИ‑системы становятся действительно полезными для отрасли лишь тогда, когда они способны надёжно отвечать на один и тот же вопрос одинаково, независимо от количества запросов.

Именно это переводит такие системы от эффектных демонстраций к фундаменту реального рабочего процесса. Именно так мы построили K Pro — чтобы рассуждения ИИ внутри неё каждый раз следовали одному и тому же воспроизводимому, прозрачному процессу при ответе на вопрос.

Научная воспроизводимость имеет решающее значение в исследовании лекарств. Как K Pro показывает исследователям, какие наборы данных, аналитические рабочие процессы и шаги рассуждения привели к выводу, чтобы их результаты могли быть независимо проверены?

K Pro документирует и отображает процесс рассуждения ИИ, который используется для ответа на каждый запрос.

Каждый используемый набор данных идентифицируется по источнику и версии. Вы можете наблюдать, как группа пациентов сужается на каждом этапе фильтрации — например, как из четырёх тысяч пациентов остаётся триста. Каждый задействованный инструмент отображается. Каждое «умение» отображается. Каждый шаг рассуждения отображается.

«Умение» — это научный рабочий процесс, закодированный один раз: последовательность анализов, пороги, рассуждения — который K Pro затем применяет одинаково каждый раз, когда он актуален. Умения особенно важны для воспроизводимости, поскольку они позволяют K Pro уменьшать естественную вариативность ИИ‑систем — одна и та же задача, выполненная дважды, должна давать одинаковый ответ. Мы продолжаем развивать это, потому что возможность проверять работу ИИ является ключевым преимуществом в нашей отрасли.

Owkin разрабатывает специализированные агенты K Pro для AstraZeneca и Sanofi. Чему вас научили эти сотрудничества в плане интеграции ИИ‑учёных в существующие фармацевтические рабочие процессы без ослабления человеческого контроля, управления или научной строгости?

Нужно подходить к фармацевтическим компаниям там, где они находятся. У каждой компании своя структура, история и степень готовности к внедрению ИИ, а внутри каждой компании разные команды имеют разные потребности.

Наш опыт работы с фармацевтическими компаниями за почти последнее десятилетие показывает, что они всегда ставят на первое место контроль и строгость, и без соответствия их требованиям управления вы даже не сможете войти в проект.

Поэтому мы сделали K Pro интерпретируемым — т.е. вы можете видеть, как он рассуждает, какие инструменты выбирает и к каким данным обращается — достаточно гибким, чтобы работать в рамках существующих систем компании без необходимости менять инфраструктуру, и способным получать доступ к собственным данным там, где они уже хранятся, без их перемещения или дублирования.

Это значительно способствует построению доверия, необходимого для принятия ИИ в фармацевтике.

Мультимодальные данные пациентов могут содержать институциональные предвзятости, несогласованные аннотации и недостаточно представленные популяции. Как Owkin предотвращает, чтобы эти ограничения приводили к вводящим в заблуждение биологическим выводам или ограничивали число пациентов, которым может быть полезно открытие?

Все данные содержат некоторую форму предвзятости, будь то лаборатория‑источник или представленные пациенты. Наш подход — максимально полно понять наши наборы данных, чтобы выявить наличие предвзятости и способы её учёта.

Мы способны делать это благодаря тесным связям с исследователями, которые изначально создали каждый набор данных, и они помогают нам проводить глубокий анализ.

Мы уверены, что если существует релевантный набор данных, мы сможем его найти. Но если есть пробел — например, определённая популяция пациентов недостаточно представлена в существующих данных — мы способны самостоятельно генерировать новые данные по строгим стандартам, сотрудничая с академическими партнёрами, как мы сделали с набором данных MOSAIC.

Вы описали долгосрочную цель Owkin как Биологический Искусственный Суперинтеллект. Какие возможности отличали бы его от современных исследовательских ИИ‑инструментов, и какие доказательства убедили бы вас, что ИИ‑система действительно понимает биологию, а не просто выявляет всё более сложные паттерны?

Биологический Искусственный Суперинтеллект (BASI) — наш термин для ИИ‑системы, способной самостоятельно предлагать действительно новую, правильную биологию — появляется, когда ИИ начинает надёжно предлагать новую биологию болезней, которую человеческие исследования ещё не выявили, и которая впоследствии оказывается верной.

Мы строим её с помощью системы, которая может:

• Работать автономно, уточняя собственные гипотезы без необходимости вмешательства человека на каждом этапе, включая разработку и проведение экспериментов в автоматизированных лабораториях
• Размышлять о причинно‑следственных связях в биологических системах, а не только выявлять корреляции

Что касается того, действительно ли ИИ «понимает» биологию, это интересный философский вопрос. В какой момент внутренние представления модели становятся достаточно сложными, чтобы считаться реальным пониманием, а не просто очень сложным сопоставлением паттернов? Пока я довольствуюсь тем, что система способна надёжно предлагать новую биологию, которая оказывается истинной.

Спасибо за отличное интервью, читатели, желающие узнать больше, должны посетить Owkin.