Charles Fisher, Ph.D., VD och grundare av Unlearn – Intervjuserie

Charles Fisher, Ph.D., är VD och grundare av Unlearn, en plattform som använder AI för att tackla några av de största flaskhalsarna i klinisk utveckling: långa prövningstider, höga kostnader och osäkra resultat. Deras nya AI-modeller analyserar stora mängder patientdata för att förutsäga patienternas hälsoutfall. Genom att integrera digitala tvillingar i kliniska prövningar kan Unlearn påskynda klinisk forskning och hjälpa till att ta fram livräddande nya behandlingar till patienter som behöver dem.

Charles är en forskare med intressen vid skärningspunkten mellan fysik, maskinlärning och beräkningsbiologi. Tidigare har Charles arbetat som maskinläringsingenjör på Leap Motion och som beräkningsbiolog på Pfizer. Han var en Philippe Meyer-stipendiat i teoretisk fysik vid École Normale Supérieure i Paris, Frankrike, och en postdoktor i biofysik vid Boston University. Charles har en doktorsexamen i biofysik från Harvard University och en kandidatexamen i biofysik från University of Michigan.

Du är för närvarande i minoritet i din grundläggande övertygelse om att matematik och beräkning bör vara grunden för biologi. Hur kom du ursprungligen fram till dessa slutsatser?

Det är förmodligen bara för att matematik och beräkningsmetoder inte har betonats tillräckligt i biologisk utbildning på senare tid, men från min utgångspunkt börjar människor ändra sig och hålla med mig. Djupa neurala nätverk har gett oss ett nytt verktyg för komplexa system, och automatisering hjälper till att skapa de stora biologiska datamängder som krävs. Jag tror att det är oundvikligt att biologi övergår till att bli mer av en beräkningsvetenskap under de kommande åren.

Hur gick denna övertygelse sedan över till att starta Unlearn?

I det förflutna har många beräkningsmetoder inom biologi setts som lösningar på leksaksproblem eller problem som är långt ifrån tillämpningar inom medicin, vilket har gjort det svårt att demonstrera verkligt värde. Vårt mål är att uppfinna nya metoder inom AI för att lösa problem inom medicin, men vi fokuserar också på att hitta områden, som kliniska prövningar, där vi kan demonstrera verkligt värde.

Kan du förklara Unlearns mission att eliminera trial and error inom medicin med hjälp av AI?

Det är vanligt inom ingenjörsvetenskap att designa och testa en enhet med hjälp av en datormodell innan man bygger den riktiga saken. Vi vill möjliggöra något liknande inom medicin. Kan vi simulera effekten av en behandling på en patient innan vi ger den till dem? Även om jag tror att fältet är ganska långt ifrån det i dag, är vårt mål att uppfinna teknologin för att göra det möjligt.

Hur fungerar Unlearns användning av digitala tvillingar i kliniska prövningar för att påskynda forskningsprocessen och förbättra resultaten?

Unlearn uppfinnar AI-modeller som kallas digitala tvillinggeneratorer (DTG) som genererar digitala tvillingar av kliniska prövningens deltagare. Varje deltagares digitala tvilling förutsäger vad deras resultat skulle vara om de fick placebon i en klinisk prövning. Om våra DTG var perfekt exakta, kunde kliniska prövningar i princip köras utan placebogrupp. Men i praktiken gör alla modeller misstag, så vi syftar till att designa randomiserade prövningar som använder mindre placebogrupp än traditionella prövningar. Detta gör det lättare att rekrytera till studien, vilket påskyndar prövningstiderna.

Kunde du förklara exakt vad Unlearns regulatoriskt kvalificerade Prognostic Covariate Adjustment (PROCOVA™) metodik är?

PROCOVA är den första metoden vi utvecklade som tillåter deltagarnas digitala tvillingar att användas i kliniska prövningar så att prövningsresultaten är robusta mot misstag som modellen kan göra i sina förutsägelser. I princip använder PROCOVA det faktum att vissa deltagare i en studie slumpmässigt tilldelas placebogruppen för att korrigera digitala tvillingars förutsägelser med hjälp av en statistisk metod som kallas kovariatanpassning. Detta möjliggör för oss att designa studier som använder mindre kontrollgrupper än normalt eller som har högre statistisk kraft samtidigt som vi säkerställer att studierna fortfarande ger rigorösa utvärderingar av behandlingseffektivitet. Vi fortsätter också med FoU för att utöka denna lösning och tillhandahålla ännu kraftfullare studier i framtiden.

Hur balanserar Unlearn innovation med regulatorisk efterlevnad i utvecklingen av sina AI-lösningar?

Lösningar som riktar sig till kliniska prövningar regleras vanligtvis baserat på deras sammanhang, vilket innebär att vi kan utveckla flera lösningar med olika riskprofiler som riktar sig till olika användningsfall. Till exempel utvecklade vi PROCOVA eftersom det är extremt lågrisk, vilket möjliggjorde för oss att söka en kvalificeringsyttrande från den europeiska läkemedelsmyndigheten (EMA) för användning som primär analys i fas 2- och 3-kliniska prövningar med kontinuerliga resultat. Men PROCOVA utnyttjar inte all information som tillhandahålls av de digitala tvillingarna som vi skapar för prövningens deltagare – den lämnar lite prestanda på bordet för att anpassa sig till regulatoriska riktlinjer. Naturligtvis existerar Unlearn för att driva gränserna så att vi kan lansera mer innovativa lösningar som riktar sig till tillämpningar i tidigare skeden eller post-hoc-analyser där vi kan använda andra typer av metoder (t.ex. Bayesianska analyser) som ger mycket mer effektivitet än vi kan med PROCOVA.

Vilka har varit några av de mest betydande utmaningarna och genombrotten för Unlearn när det gäller att använda AI inom medicin?

Den största utmaningen för oss och alla andra som är involverade i att tillämpa AI på problem inom medicin är kulturell. För närvarande är de allra flesta forskare inom medicin inte extremt bekanta med AI, och de är vanligtvis missinformerade om hur de underliggande teknologierna faktiskt fungerar. Som ett resultat är de flesta människor mycket skeptiska till att AI kommer att vara användbart på kort sikt. Jag tror att det kommer att förändras oundvikligen under de kommande åren, men biologi och medicin ligger vanligtvis efter de flesta andra fält när det gäller antagandet av nya datorbaserade teknologier. Vi har haft många tekniska genombrott, men de viktigaste sakerna för att uppnå antagande är troligen bevispunkter från regulatorer eller kunder.

Vad är din övergripande vision för att använda matematik och beräkning inom biologi?

 I min åsikt kan vi bara kalla något “en vetenskap” om dess mål är att göra exakta, kvantitativa förutsägelser om resultaten av framtida experiment. Just nu är cirka 90% av läkemedlen som går in i humana kliniska prövningar misslyckade, vanligtvis för att de inte fungerar. Så vi är verkligen långt ifrån att göra exakta, kvantitativa förutsägelser just nu när det gäller de flesta områdena inom biologi och medicin. Jag tror inte att det förändras förrän kärnan i dessa discipliner förändras – tills matematik och beräkningsmetoder blir de grundläggande resonemangsverktygen för biologi. Min förhoppning är att det arbete vi gör på Unlearn belyser värdet av att ta en “AI-först”-approach för att lösa ett viktigt praktiskt problem inom medicinsk forskning, och att framtida forskare kan ta den kulturen och applicera den på ett bredare urval av problem.

Tack för den utmärkta intervjun, läsare som vill lära sig mer bör besöka Unlearn.