Jinhan Kim, VD för Standigm – Intervjuerien

Jinhan Kim är VD för Standigm, ett företag som arbetar med arbetsflödes-AI för läkemedelsupptäckt.

Från anpassad målidentifiering till ledgenerering genererar Standigms arbetsflödes-AI-plattform insikter för varje steg för att utveckla kommersiellt värdefulla läkemedel från egna och partnerskapsprojekt. ​

Du började koda när du var i 6:e klassen, kan du berätta om hur du blev intresserad och vad du initialt arbetade med?

Ja, på min Apple (AAPL ) II Plus. Det var katalysatorn för att förvandla mig från en bokmal till en skapare. Jag började programmera, med start i C-programmering, av nyfikenhet. Jag blev intresserad av principerna och de teoretiska aspekterna av min dator. Därifrån blev jag en livslång lärande inom teknikområdet.

Vad var det som initialt drog dig till maskinlärning?

Jag avlade mina examina i tillämpad kemi och artificiell intelligens vid University of Edinburgh under Geoffrey Hinton. Han är neurovetenskapsman och datavetare som i princip skapade djupinlärning. Hinton arbetade med artificiella neuronnät och designade autonoma, intelligenta maskiner – och senare maskinlärningsalgoritmer. Google (GOOGL ) anställde honom för tio år sedan för att skapa deras AI och resten är historia.

När blev du först involverad i skärningspunkten mellan biologi och maskinlärning?

Jag arbetade tidigare på Samsung Advanced Institute of Technology, där jag utvecklade algoritmer. En av algoritmerna jag utvecklade var en mekanism för att reparera DNA-skador. Jag ville fortsätta arbeta inom biologiområdet och lösa de svåraste problemen för att identifiera mål. Både den mänskliga kroppen och datorer som tänker som människor är så komplexa att man måste arbeta för att förstå den ena för att förstå den andra. AI-system kan inte bara gå igenom omfattande vetenskapliga data som publicerats under årtionden från hela världen, utan de kan också bearbeta komplexiteten i den mänskliga kroppen och snabbt och sammanhängande upptäcka mönster i biologiska mekanismer. Det var lätt att se att biologi och maskinlärning gick hand i hand.

Kan du berätta om bakgrunden till Standigm?

Mitt arbete inom hälso- och vetenskapsområdet avslöjade vad som för mig var ett stort problem inom traditionell läkemedelsupptäckt: den tid och pengar det tog att scanna vetenskapliga forskningspapper och screeningförsök eller ledtrådar som ger utgångspunkten för potential nya läkemedel. Mänskliga forskare utförde denna intensiva forskning. Jag och två kollegor från Samsung, Sang Ok Song och So Jeong Yun, såg en möjlighet att flytta arbetet från människor till en intelligent maskin och designa ett nytt arbetsflöde. Jag ville också inte arbeta för en lön; jag ville arbeta för mig själv, för att ta läkemedelsupptäcktsmetoder till en ny standardparadigm, vilket är ursprunget till arbetet och namnet på “Standigm”, det företag som de tre av oss grundade. Vår maskinlärningsmodell uppnår nu hög förutsägelseexakthet och dess AI-teknik uppnår maximal avkastning.

Vad är det syntetiska tillgänglighetsproblemet och hur arbetar Standigm för att lösa detta?

Generativa modeller kan designa nya molekylära strukturer utan hjälp av välutbildade läkemedelskeminister, vilket är en av de viktigaste anledningarna till den entusiastiska antagandet av denna teknik av läkemedelsupptäcktscommuniteterna. Det största hindret här är skillnaden i hastighet mellan designen av molekyler och deras experimentella syntes, där designen av miljontals föreningar tar bara några timmar och syntesen av bara tio molekyler tar veckor eller månader. Eftersom bara en liten bråkdel av de designade föreningarna kommer att syntetiseras av humana experter, är det viktigt att ha bra mått på molekylära egenskaper.

Första generationens AI-modeller var grova, och syntetiska kemister avvisade de flesta av de designade molekylerna på grund av svårigheten med den syntetiska planen. Vissa CRO-företag avvisade till och med att lämna in ett förslag för denna syntetiska kampanj.

Standigm har arbetat med denna fråga genom att anställa erfarna läkemedelskeminister och lägga till deras expertis till generativa modeller så att de kan designa föreningar som inte kan skiljas från de som designats av humana experter. Standigm har nu flera olika generativa modeller som kan hantera olika läkemedelsupptäcktsstadier: hitidentifiering, hit-till-led och ledoptimering. Detta visar vikten av att ha olika expertis för varje AI-läkemedelsupptäcktsföretag där humana erfarenheter och expertis till största delen används för att förbättra AI-modellerna och säkra de bästa arbetsflödena istället för varje projekt.

Kan du diskutera de typer av algoritmer som används av Standigm för att underlätta läkemedelsupptäckt?

Vi börjar vanligtvis alla utforskande projekt genom att prioritera lovande och nya målproteiner med hjälp av Standigm ASK; vår biologiplattform består av distinkta algoritmer för att träna stora biologiska nätverk, använda olika typer av obiast omics-data, introducera specifika sammanhang av biologiska system och så vidare. Att välja rätt målprotein är en av de viktigaste frågorna i läkemedelsupptäckt. Standigm ASK hjälper sjukdomsexperter genom att tillhandahålla flera hypoteser om MOA (mekanism för verkan).

För att säkra patent med högt skyddande område utför Standigm BEST olika uppgifter, inklusive att föreslå hit-föreningar (effektiv utforskning), scaffold-hopping (med hänsyn till syntetisk tillgänglighet och nyhet) och olika prediktiva modeller för läkemedelsbarhet (aktivitet, ADME/Tox-egenskaper och fysikalisk-kemiska egenskaper). Många mindre uppgifter är relaterade till dessa större uppgifter, som DTI (läkemedels-mål-interaktion), AI-assisterade molekylsimuleringar, selektivitetsprediktion och multiparameteroptimering.

Hur mycket tid sparas i genomsnitt när det gäller generering av nya föreningar jämfört med traditionella läkemedelsupptäcktsförfaranden?

Standigms forskare har syntetiserat hundratals nya molekyler för projekt, många av vilka är utvalda som hit- och ledmolekyler i olika sammanhang. Genom att anta AI-baserade modeller och kommersiella resurser har Standigm minskat tiden för den första omgången av generering av nya föreningar från sex månader till i genomsnitt två månader för de flesta projekt. Nu kan de första ja/nej-besluten fattas på i genomsnitt sju månader istället för tre till fyra år.

Vilka är några av Standigms framgångshistorier för potential läkemedelskommersialisering?

Med hjälp av Standigm Insight, som delar samma tekniska bakgrund som Standigm ASK, hittade vi en läkemedelsmolekyl som kan användas för en sällsynt pediatrisk sjukdom, validerad av en forskare från ett av de bästa barnsjukhusen i USA. Detta fall visar att AI-teknik kan hjälpa till med läkemedelsupptäckt för sällsynta sjukdomar, en svår uppgift för företag av alla storlekar på grund av behovet av mer kommersiellt värde. Särskilt under denna recession, när läkemedelsföretag försöker vara mer konservativa, kan AI främja FoU inom sällsynta och försummade sjukdomar.

Vad är din vision för framtiden för djupinlärning och generativ AI inom hälso- och sjukvården?

Lyckandet med AI-teknik beror på tillgängligheten av högkvalitativ data. Det kommer oundvikligen att finnas stor konkurrens kring att säkra en stor mängd högkvalitativ data inom hälso- och sjukvårdssektorn. Från ett smalare perspektiv av tidig läkemedelsupptäckt, kräver kemiska och biologiska data dyra och långa tider för att uppnå högkvalitativa data – den bränsle som AI-teknik behöver. Därför kommer den automatiserade laboratoriet att vara framtiden för AI-läkemedelsupptäcktsområdet, eftersom det kan minska kostnaderna för högkvalitativa data. Vi driver våra tekniska plattformar till nästa nivå så att Standigm ASK kan tillhandahålla mer uppenbar bevis, från patientderivat data till molekylärbiologi; och så att Standigm BEST AI-modeller kan vara state-of-the-art genom att mata in högkvalitativa data från egna automatiserade laboratorier och samarbetspartners.

Finns det något annat du vill dela om Standigm?

Som balansen av differentierad expertis är viktig för Standigm, är balansen av etniciteter också kritisk. Vi har varit i färd med att expandera vår närvaro i den globala miljön genom att grunda kontor i Storbritannien (Cambridge) och USA (Cambridge, MA) för att inkludera närvaron av nätverk och omvandlingen av Standigm till ett mer internationellt företag.

Tack för den underbara intervjun, läsare som vill veta mer bör besöka Standigm.