Alan Murray, medgrundare och VD för Conceivable Life Sciences – Intervjuserie

Alan Murray, medgrundare och VD, Conceivable Life Sciences – är en ingenjör och serieentreprenör med mer än tre decenniers erfarenhet inom teknik, maskinlärning, hårdvara, logistik och företagsbyggande. Innan han lanserade Conceivable var han med och grundade TMRW Life Sciences, där han hjälpte till att utveckla en automatiserad plattform för hantering och säkerhet av frusna ägg och embryon som används i provrörsbefruktning (IVF). Murray är också medgrundare och partner i Coriolis Ventures och har hjälpt till att etablera företag inom digital annonsering, gästfrihet och livsvetenskap, inklusive Integral Ad Science , Dstillery och NeueHouse. På Conceivable fungerar han som både strategisk ledare och chefsarkitekt för AURA, och ansvarar för integrationen av robotik, avancerad avbildning och maskinlärning i fertilitetslaboratorieflöden.

Conceivable Life Sciences är ett bioteknikföretag som utvecklar AURA, en automatiserad IVF-laboratorieplattform som samordnar de komplexa processerna som är involverade i att skapa, odla och bevara embryon. Istället för att automatisera en enskild procedur integrerar plattformen robotik, programvara, avancerad optik, artificiell intelligens och laboratorieutrustning över hela IVF-flödet, samtidigt som den upprätthåller digital spårbarhet och tillåter embryologer att behålla kontrollen över kliniska beslut. Conceivable syftar till att använda denna standardiserade metod för att minska variation, utöka laboratoriekapacitet och göra fertilitetsbehandling mer tillgänglig och prisvärd för familjer som för närvarande står inför höga kostnader eller begränsad tillgång till specialistvård.

Du var tidigare med och grundade TMRW Life Sciences, där du hjälpte till att införa automation i lagring och hantering av frusna ägg och embryon. Vad lärde den erfarenheten dig om begränsningarna i dagens fertilitetsinfrastruktur, och vad övertygade dig att grundare Conceivable Life Sciences och tackla den mer komplexa utmaningen att automatisera embryoskapande?

Vi automatiserade hur ägg och embryon lagras och spåras när de väl finns. Det löste ett verkligt problem, eftersom kedjan av vård i kryokonservering är obarmhärtig, och att få det rätt är enormt viktigt för patienterna. Men det visade mig också gränserna för vad lagringsautomation ensam kunde åtgärda. Flaskhalsen i IVF var aldrig riktigt vad som hände efter att embryot skapades. Det är skapandet av det som fortfarande beror på ett litet antal högt utbildade embryologer som utför manuella, upprepade, sub-mikron precisionsuppgifter för hand, och resultatet varierar beroende på vem som håller i pipetten den dagen.

När jag startade TMRW behandlades fertilitetslagringsmarknaden fortfarande som en nisch i reproduktionsmedicin. Jag såg det inte på det sättet. Fördröjd föräldraskap blev normen, fler människor frös ägg och sperm tidigare, arbetsgivare började lägga till fertilitetsbevarande i förmåns paket, och HBTQ+- och ensamföräldersamhällen byggde familjer genom ägg- och spermbankning i en skala som branschen inte hade planerat för. Allt detta pekade på ett lagrings- och spårningsproblem som skulle bli mycket större, mycket snabbare än de flesta människor i branschen förutspådde. Det är en del av varför kedjan av vård var så viktig för mig på TMRW. Om du bygger för en marknad som är på väg mot den typen av skala, kan du inte förlita dig på manuell spårning och mänskligt minne för att hålla ägg, spermier och embryon rätt. Att automatisera lagring och spårning var inte bara att göra dagens jobb bättre, det var att bygga infrastruktur som kunde stå emot när antalet patienter, cyklar och prover växte med en storleksordning.

År 2018 började jag designa vad som blev AURA från grunden, från mikrofluidik till robotintegrering till injektionsteknik. Vad som övertygade mig att skapa Conceivable var ganska enkelt: om vi kunde bringa samma rigor till embryoskapande som tillverkning och robotik har bringat till andra precisionsindustrier, kunde vi göra IVF mer konsekvent och mer tillgängligt samtidigt. Det var det svårare problemet, men det var det som var värt att lösa.

AURA samordnar mer än 200 steg över sammankopplade system för skålberedning, spermbehandling, äggidentifiering, intracytoplasmisk spermieinjektion, inkubation, robottransport och vitrifikation. Hur fungerar programvaran, robotiken, avbildningssystemen och laboratorieutrustningen som en enhetlig plattform samtidigt som den upprätthåller spårbarhet för varje ägg, spermie och embryo?

AURA kör dessa mer än 200 steg som en kontinuerlig system snarare än en kedja av separata maskiner. Programvarulagret är vad som gör det möjligt. Varje åtgärd, varje bild, varje mätning är kopplad till ett specifikt ägg, spermie eller embryo under hela cykeln, så att det finns en fullständig digital post om exakt vad som hände och när.

Den spårbarheten är den del som människor underskattar. I en konventionell laboratorieavdelning bor mycket av den historien i en embryologs anteckningar och minne. I AURA är det strukturerad data från det första steget till det sista, vilket är vad som låter robotiken, avbildningen och laboratorieutrustningen samordna i realtid och låter en embryolog gå in vid vilken punkt som helst med fullständig kontext, inte en partiell bild.

Din tekniska stack inkluderar en Detection Transformer för att hjälpa till med spermieidentifiering, avancerad avbildning för att lokalisera ägg och vision-språk-handlingsmodeller som är utformade för att vägleda känsliga fysiska procedurer. Hur tränas dessa modeller, vilka signaler utvärderar de och hur bestämmer systemet när en embryolog behöver ingripa?

Vi använder datorseende-modeller (inklusive YOLO och RT-DETR) för att: fokusera mikroskop, kalibrera robotpositioner, identifiera och spåra spermier, lokalisera och bedöma ägg, och för att vägleda robotiken under procedurer som ICSI (kombinationen av spermie och ägg för att skapa ett embryo).

De här modellerna tränas på en alltmer ökande bibliotek av högupplösta etiketterade bilder som fångats från tidigare fall. Våra AI-utmaningar inkluderar att uppnå ultralåg latensinferens för att exakt samordna laser och robotrörelser.

Du har hämtat inspiration från halvledartillverkning och autonoma fordon, industrier som kombinerar perception, planering och exakt fysisk exekvering. Vilka ingenjörsmässiga principer överfördes framgångsrikt till embryologi, och vilka måste omkonstrueras eftersom AURA maniplulerar levande celler snarare än tillverkade komponenter?

De ingenjörsmässiga principer som överfördes väl var de som rör precisions tillverkning i stor skala: tight processkontroll, sensorfusion, behandling av variation som något att mäta och utforma snarare än att acceptera. Autonoma fordon gav oss en bra modell för hur perception, planering och exekvering behöver fungera tillsammans i realtid, och hur ett system bör bete sig när det inte är säker på vad det ser.

Vad som måste omkonstrueras nästan helt var vår tolerans för det oväntade. En halvledarskiva beter sig på samma sätt varje gång. En levande cell gör inte det. Två ägg från samma patient kan se annorlunda ut, bete sig annorlunda och reagera annorlunda på samma procedur. Så istället för att bygga mot en enda “korrekt” utdata, måste vi bygga ett system som kan känna igen en stor mängd biologisk variation och vet skillnaden mellan normal variation och något som behöver en person för att titta på det. Det är ett fundamentalt annorlunda ingenjörsproblem än något i chip-tillverkning eller körning.

Conceivable beskriver varje AURA-cykel som bidragande till en data-liknande informationsstandardiserad processinformation som konventionella laboratorier inte lätt kan samla in. Vilken data samlas in under en cykel, hur kan den förbättra framtida modeller och hur hanterar ni patientsekretess, demografisk bias, skillnader mellan kliniker och riskerna med att uppdatera kliniska AI-system?

Varje AURA-cykel genererar en standardiserad dataset: bilder, sensordata, tid och resultat kopplade till varje steg, på en detaljnivå som manuella IVF-laboratorier inte producerar idag eftersom så mycket av processen inte är systematiskt registrerad. Den datan matar tillbaka till att förbättra våra modeller över tid, vilket är en av de verkliga fördelarna med automation. Systemet blir bättre med volym på ett sätt som manuella processer inte kan.

På patientsekretess hanteras patientdata på ett sätt som är de-identifierat för modellträning och hanteras enligt samma regulatoriska standarder som gäller för klinisk data i allmänhet. På bias är vi medvetna om att träna på data från olika patientpopulationer och kliniska platser så att modellerna inte bara fungerar bra för de demografier som är bäst representerade i tidiga data. Skillnader mellan kliniker är en verklig variabel som vi spårar, eftersom laboratorieförhållanden och patientpopulationer varierar. Och på uppdatering av kliniska AI-system på ett säkert sätt, så går varje modelluppdatering igenom validering innan distribution, och vi föredrar att vara försiktiga med vad vi påstår tills datan stöder det.

Conceivable har genomfört pilotstudier som involverar mer än 100 patienter och över 1 000 ägg. Vilka kliniska slutpunkter kommer att vara mest viktiga för att bevisa att automation kan förbättra konsekvens, säkerhet, embryoutveckling, graviditetsfrekvenser eller födelsetal jämfört med konventionell manuell IVF?

Med mer än 100 patienter och över 1 000 ägg i vår pilotarbete är de viktigaste slutpunkterna de som faktiskt förutsäger ett hälsosamt resultat för en patient, inte bara processmått. Befruktningssats, embryoutveckling till blastocyst, och euploidi-satser talar om för oss om biologin beter sig som den ska. Därifrån talar implantations- och graviditetsfrekvenser om för oss om det översätter till en verklig chans att få ett barn. Födelse är den slutpunkt som betyder mest, och det är också den som tar längst tid att ackumuleras, eftersom det tar månader efter överföring att veta.

Det vi är mest fokuserade på att bevisa är konsekvens: att AURA producerar samma kvalitetsresultat oavsett vilken laboratorieavdelning, vilken dag eller vilken patientpopulation det tjänar. Det är den bit som manuell IVF aldrig har kunnat garantera, och det är den bit som automation är byggd för att lösa.

C:VIT är utformad för att kyla embryon upp till 50 gånger snabbare än konventionella vitrifikationsmetoder samtidigt som den standardiserar kryoprotektantexponering och minskar iskristallbildning. Hur översätter snabbare kylning till kliniskt meningsfulla fördelar, och vilken bevisning kommer att behövas för att demonstrera förbättringar i embryöverlevnad, implantation och födelsetal?

Den kliniska logiken är enkel: långsammare kylning ger iskristaller mer tid att bilda, och iskristaller skadar cellstruktur. Snabbare, mer standardiserad kylning minskar den risken och ger varje embryo samma kryoprotektantexponering, snarare än exponering som varierar beroende på vilken embryolog som utför proceduren och hur snabbt de arbetar.

Vi utformade C:VIT för att förbättra embryöverlevnad genom frysnings-tiningscykeln, som är den första och mest omedelbara saken att mäta. Därifrån är den bevisning som betyder något implantations- och födelsetal för embryon som vitrifierats med C:VIT jämfört med konventionella metoder. Vi bygger den bevisningen medvetet, genom kontrollerade studier, innan vi gör anspråk på resultat i stor skala.

Conceivable betonar att AURA är automation-assisterad och att kliniska beslut förblir hos embryologer. Vilka beslut måste alltid förbli under mänsklig kontroll, vilka skyddsåtgärder tillåter en embryolog att stoppa eller åsidosätta systemet, och hur hanteras ansvar när en AI-rekommendation eller robotåtgärd påverkar ett ägg eller embryo?

Varje beslut som påverkar klinisk bedömning, om ett ägg är livskraftigt, om ett embryo är lämpligt för överföring, om att fortsätta med en procedur, förblir hos embryologen. AURA är automation-assisterad. Den är utformad för att utföra fysiska uppgifter med precision och konsekvens och för att flagga allt utanför förväntade parametrar, men den tar inte kliniska beslut på egen hand.

Embryologer kan stoppa eller åsidosätta systemet vid vilken punkt som helst i en cykel, och systemet är utformat för att göra det lätt, inte något man måste kämpa mot gränssnittet för att göra. På ansvar, varje åtgärd AURA tar är loggad och kopplad till embryologen som övervakar den cykeln, så att det finns en tydlig post om vad systemet gjorde, vad det flaggade och vad ett mänskligt beslut togs i svaret. Den spårbarheten är vad som gör ansvar möjligt från första början.

Conceivable och IVI RMA planerar att distribuera det första AURA-systemet på en klinisk enhet i USA 2027. Vilka regulatoriska, kliniska validerings-, infrastruktur- och arbetsflödesutmaningar måste lösas innan plattformen kan flyttas från kontrollerade studier till rutinmässig patientvård?

Det finns verkligt arbete framför oss på fyra fronter. Regulatoriskt: att arbeta genom den lämpliga vägen med FDA för ett system som kombinerar robotik, programvara och reproduktionsmedicin, som inte har mycket att följa. Klinisk validering: att bygga bevisbasen i den skala som behövs för en amerikansk klinisk miljö, utöver vad pilotstudier kan visa. Infrastruktur: att stå upp för den fysiska distributionen på en amerikansk klinik med IVIRMA, vilket är en egen betydande insats. Och arbetsflöde: att se till att embryologer och klinisk personal på den första platsen är utbildade och bekväma med systemet innan det berör patientvård.

Inga av dessa är små, och vi behandlar inte 2027 som en datum som vi når oavsett var bevisen landar. Det är datum som vi arbetar mot när valideringen stöder det.

IVF förblir dyrt, geografiskt begränsat och beroende av ett relativt litet antal högt utbildade specialister. Vad måste förändras i ekonomi och driftsmodell för fertilitetsvård för att automation ska göra IVF mer tillgängligt, och hur kommer ni att mäta om AURA verkligen minskar kostnaden per lyckad födsel?

Det grundläggande problemet är att IVF har beroende av ett litet antal högt utbildade specialister som utför manuellt arbete som inte skalar. Det är vad som gör det dyrt och geografiskt begränsat. Det är inte en brist på efterfrågan, det är en flaskhals i utbud.

Vi har nyligen samförfattat en studie som tittar på kostnad-per-barn som en andel av hushållsinkomst över 25 länder, och mönstret är tydligt. Länder där den netto kostnad en patient betalar är under ungefär hälften av medianhushållsinkomst, Israel, Japan, Spanien, Taiwan, ser IVF stå för något som 9 till 12 procent av alla födslar. I USA, där nettokostnader vanligtvis ligger över 75 procent av hushållsinkomst, är det ungefär 2,5 procent. Tillgänglighet är inte en faktor bland många. Det verkar som den primära barriären. Om USA såg liknande vinster som studien fann på andra håll, kunde det betyda något i storleksordningen 140 000 till 160 000 extra födslar per år. Bakom det numret är familjer som vill ha ett barn och inte kan förmå sig att betala för vägen dit.

Automation hanterar den flaskhalsen direkt: en standardiserad plattform kan bringa laboratorieprecision till fler platser utan att kräva samma koncentration av sällsynt, högt utbildat talang i varje klinik, och färre cyklar per lyckad födsel är den hävstång som faktiskt flyttar kostnaden. För att mäta om AURA verkligen minskar kostnaden per lyckad födsel är det nummer som betyder något inte kostnad per cykel. Det är kostnad per levande födsel, eftersom en billigare cykel som inte fungerar inte är mer prisvärd för en familj. Vi spårar den metriken direkt när vi skalar, och vi föredrar att vara försiktiga med vad vi påstår tills datan stöder det. Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Conceivable Life Sciences.