Peter Ellman, VD och koncernchef för Certis Oncology Solutions – Intervjuer

Certis Oncology Solutions, lett av Peter Ellman, VD och koncernchef, är ett livsvetenskapsföretag som ägnar sig åt att förverkliga löftet om precisionsonkologi. Företagets produkt är Oncology Intelligence® — högt prediktiv terapeutisk responsdata som härrör från avancerade cancarmodeller. Certis samarbetar med läkare och industriforskare för att utöka tillgången till precisionsonkologi och för att lösa den kritiska översättningsgapet mellan prekliniska studier och kliniska prövningar.

Kan du beskriva det bredare problemet inom onkologisk forskning som CertisOI Assistant hanterar?

Misslyckandefrekvensen för onkologiska undersökningssubstanser är hög. Det har rapporterats nyligen att 2023 var 90% av onkologiprogrammen slutligen misslyckade. Den siffran är en anmärkningsvärd förbättring jämfört med den historiska trenden, som svävade runt 96% fram till 2022. Med tanke på kostnaden för att utveckla läkemedel är en misslyckandefrekvens på 90% inte hållbar. Tänk på hur patienterna skulle dra nytta av om framgångsfrekvensen vore ännu 50%.

CertisOI Assistant hanterar omedelbart två mycket viktiga frågor som bidrar till denna misslyckandefrekvens:

• Förbättrad preklinisk modellval: Många ämnen visar lovande resultat i prekliniska studier men misslyckas med att visa tillräcklig terapeutisk effekt hos människor. De flesta medlemmarna i den vetenskapliga gemenskapen pekar på prekliniska modeller som en del av problemet. Att välja prekliniska modeller med rätt genuttryckssignatur (och använda ortotopiska inplanteringar för avgörande studier) kan förbättra “översättningen” till kliniken.
• Tidigare och bättre biomarköridentifiering: Att förlita sig på biomarkörer som inte korrekt förutsäger terapeutisk respons kan leda till misslyckade kliniska prövningar. CertisOI Assistant är integrerad med CertisAI, vår patentansökningspredicerande AI/ML-plattform, som möjliggör identifiering av prediktiva biomarkörer tidigt i läkemedelsutvecklingsprocessen.

Hur använder CertisOI Assistant AI för att förbättra tillgången till onkologidata och vad skiljer det från andra AI-verktyg inom området?

CertisOI Assistant tillhandahåller avancerad dataanalys och prediktiv modellering via ett lättanvänt, naturligt språkgränssnitt. Det skiljer sig på flera sätt:

• Kompletterad dataintegrering: Assistenten integrerar en stor mängd onkologidata, inklusive patientinformation, tumöregenskaper, genetiska profiler och läkemedelsresponsförutsägelser. Detta holistiska tillvägagångssätt möjliggör en mer omfattande analys än verktyg som fokuserar på isolerade datatyper.
• AI-baserade förutsägelser: Assistenten använder AI-algoritmer för att förutsäga läkemedelsrespons och resistens, vilket ger insikt i vilka behandlingar som sannolikt kommer att vara effektiva för specifika cancarmodeller. Denna prediktiva förmåga är avgörande för personlig medicin och skiljer det från verktyg som enbart förlitar sig på historiska data.
• Användarvänligt gränssnitt: Genom att tillhandahålla ett intuitivt gränssnitt för att fråga och analysera komplexa dataset gör assistenten det lättare för forskare att komma åt och tolka onkologidata utan att behöva avancerad teknisk kompetens.
• Fokus på prekliniska modeller: Assistenten specialiserar sig på preklinisk onkologisk forskning, särskilt PDX- och cellinjemodeller, och erbjuder unika insikter i tidig läkemedelsutveckling och tumörbiologi.
• Interaktiva visualiseringar: Assistenten stöder interaktiva visualiseringar, såsom farmakologiska och tumörtillväxtstudier, som möjliggör för forskare att utforska data på ett mer engagerande och informativt sätt.

Hur omvandlar verktyget komplexa data till handlingsbara insikter, särskilt för forskare som arbetar med läkemedelskänslighet eller genetisk data?

CertisOI Assistant använder en strukturerad arbetsflöde för att omvandla rådata till meningsfulla insikter. Det innefattar att fråga en omfattande onkologidatamängd, analysera data och presentera resultaten i ett tydligt och tolkningsbart format. Här är hur det fungerar:

• Datafrågor: CertisOI Assistant kan komma åt en relationsdatabas som innehåller detaljerad information om onkologimodeller, inklusive patientdata, tumöregenskaper, genetisk data och läkemedelsresponsförutsägelser. Det använder SQL-liknande frågor för att extrahera relevant data baserat på forskarens specifika behov.
• Dataanalys: När data är hämtad kan CertisOI Assistant utföra olika analyser, såsom att identifiera vanliga mutationer, korrelera genuttryck med läkemedelskänslighet eller utvärdera farmakologiska studieresultat. Det kan också rangordna och filtrera data för att framhäva de mest betydande resultaten.
• Visualisering: Assistenten kan presentera data i tabellformat, generera interaktiva diagram för farmakologiska och tumörtillväxtstudier och visa histologiska bilder. Denna visualisering hjälper forskare att snabbt förstå komplexa datamönster och relationer.
• Tolkning och insikter: Genom att tillhandahålla en tydlig tolkning av data, inklusive förutsägelser för läkemedelskänslighet eller resistens, hjälper CertisOI Assistant forskare att fatta informerade beslut om potentiella terapeutiska strategier eller ytterligare experimentella riktningar.
• Anpassning och flexibilitet: Forskare kan anpassa sina frågor för att fokusera på specifika cancertyper, genetiska markörer eller behandlingsrespons, vilket möjliggör en högt anpassad analys som motsvarar deras forskningsmål.

Hur förbättrar CertisOI Assistant forskarnas förmåga att välja cancarmodeller, utforma biomarkörstrategier eller utföra in silico-valideringar?

Jag täckte de första två områdena – cancarmodellsektionen och biomarkörstrategiutformningen – i början av den här intervjun, så jag kommer att fokusera på att utföra in silico-valideringar. CertisOI Assistant tillhandahåller en virtuell miljö för att testa och validera hypoteser relaterade till läkemedelseffektivitet, målengagemang och biomarkörupptäckt utan behov av omedelbara laboratorieexperiment. Detta möjliggör för dem att snabbt förbättra sina hypoteser och fokusera experimentella ansträngningar på de mest lovande vägarna.

Här är några exempel:

• Läkemedelsresponsförutsägelser: Använd AI-baserade förutsägelser för läkemedelsrespons och resistens för att bedöma hur olika modeller sannolikt kommer att svara på specifika läkemedel. Detta kan hjälpa till att validera den potentiella effektiviteten av ett läkemedel in silico innan man går vidare till in vitro- eller in vivo-studier.
• Genetisk och molekylär profilering: Analysera genetisk data, inklusive mutationer, genuttryck och kopieringsnumervariationer, för att identifiera potentiella mål och validera deras relevans för läkemedlets verkningsmekanism. Detta kan hjälpa till att förstå den molekylära grunden för läkemedelskänslighet eller resistens.
• Biomarkörupptäckt: Korrelera molekylära egenskaper med läkemedelsresponsförutsägelser för att identifiera potentiella prediktiva biomarkörer. Detta kan vägleda urvalet av patientpopulationer som sannolikt kommer att dra nytta av en specifik terapi.
• Kombinationsbehandlingsexplorering: Utforska läkemedelssynergiprediktioner för att identifiera lovande läkemedelskombinationer som kan förbättra terapeutiska resultat. Detta kan ge insikt i potentiella kombinationsstrategier som kan valideras experimentellt.
• Histologisk analys: Använd histologiska bilder för att validera de morfologiska effekterna av läkemedel på tumörvävnader, vilket ger ytterligare bevis för läkemedlets verkningsmekanism och potentiell effektivitet.
• Korsmodelljämförelser: Jämför olika modeller för att förstå hur olika genetiska bakgrunder påverkar läkemedelsrespons, vilket hjälper till att validera hypoteser om rollen av specifika gener eller vägar in silico.
• Virtual screening: Utför virtuell screening av läkemedel mot en stor mängd modeller för att prioritera kandidater för ytterligare experimentell validering.

Kan du dela exempel på hur forskare förväntas använda det här verktyget för att förbättra sina arbetsflöden eller uppnå genombrott?

Det enklaste exemplet är preklinisk modellval. Varje preklinisk studie börjar med valet av tumörmodeller. CertisOI Assistant tar bort det manuella arbetet från det här processen och bringar stor precision till att välja de optimala modellerna för en given studie.

En annan är att utveckla en biomarkörstrategi. Den traditionella metoden är att anta vilken biomarkör eller biomarkörer som kan vara länkade till läkemedlets verkningsmekanism och sedan testa dessa hypoteser i prekliniska studier, vilket vanligtvis är en iterativ process. Om prekliniska data är lovande måste forskare validera prediktiva biomarkörer i humana kliniska prövningar – och som diskuterats, är misslyckandefrekvensen hög.

CertisOI Assistant hjälper forskare att identifiera och validera mer precisa, prediktiva genuttrycksbiomarkörer tidigare i utvecklingsprocessen och med mindre iterationer än det traditionella arbetsflödet – vilket sparar tid, pengar och förbättrar chanserna för kommersiell framgång.

Vilka typer av cancarmodeller eller datamängder stöder verktyget och hur gynnar detta bredd forskarsamhället?

Den nuvarande versionen av CertisOI ger forskare tillgång till Certis snabbt växande bibliotek av PDX- och PDX-derivade tumörmodeller och hela Cancer Cell Line Encyclopedia (CCLE) av modeller. Plattformens algoritmer hämtar också data från Genomics of Drug Sensitivity in Cancer (GDSC), International Cancer Genome Consortium (ICGC), CI ALMANAC, O’Neil och andra datamängder. Detta holistiska tillvägagångssätt för dataintegrering möjliggör en mer omfattande analys än verktyg som fokuserar på isolerade datatyper.

CertisOI Assistant är utformat för att vara användarvänligt. Hur ser du till att det är tillgängligt för forskare som kanske inte har omfattande teknisk expertis?

Flera funktioner gör CertisOI Assistant tillgängligt för forskare på alla nivåer:

• Intuitivt gränssnitt: Gränssnittet är utformat för att vara intuitivt och lätt att navigera, vilket möjliggör för användare att utföra komplexa frågor och analyser utan att behöva förstå de underliggande tekniska detaljerna.
• Guidade arbetsflöden: Assistenten tillhandahåller guidade arbetsflöden för vanliga forskningsuppgifter, såsom att fråga läkemedelsresponsförutsägelser, analysera genetisk data och utforska farmakologiska studier. Detta hjälper användare att fokusera på sina forskningsfrågor utan att fastna i tekniska komplexiteter.
• Naturligt språkbehandling: Användare kan interagera med assistenten med hjälp av naturligt språkfrågor, vilket gör det lättare för dem att komma åt den information de behöver utan teknisk expertis. Assistenten tolkar frågorna och översätter dem till lämpliga databasfrågor.
• Omfattande dokumentation: Detaljerad dokumentation och handledningar hjälper användare att förstå hur man använder assistenten effektivt. Detta inkluderar steg-för-steg-guider, exempel och förklaringar av nyckelbegrepp.
• Interaktiva visualiseringar: Assistenten tillhandahåller interaktiva visualiseringar för dataanalys, såsom diagram och histologiska bilder, vilket möjliggör för användare att utforska och tolka data visuellt utan att behöva skriva kod.
• Responsivt stöd: Användare kan komma åt responsivt stöd för att hjälpa till med eventuella frågor eller problem. Detta säkerställer att de kan få hjälp snabbt och fortsätta sin forskning utan onödiga förseningar.
• Anpassningsbara frågor: Medan assistenten tillhandahåller standardarbetsflöden, tillåter den också anpassning, vilket möjliggör för användare att anpassa frågor till sina specifika forskningsbehov utan att behöva omfattande teknisk kunskap.

Samarbete är en nyckelaspekt av forskning. Hur möjliggör CertisOI Assistant samarbete mellan forskare eller institutioner?

Med CertisOI Assistant kan forskare från olika team eller institutioner komma åt samma datamängd och verktyg, vilket möjliggör för dem att arbeta samarbetsvilligt på delade projekt eller forskningsfrågor. Plattformen gör det också lätt att ladda ner och dela datafrågor, resultat och insikter bland teammedlemmar, så att alla som är involverade i ett projekt kan bidra effektivt.

Vilka är de största utmaningarna i att skala upp AI-användning inom cancelforskning och hur kan de hanteras?

Signifikanta utmaningar inkluderar datasäkerhet, dataintegrering och förtroende för AI-baserade resultat. Jag är inte en expert på datasäkerhet eller dataintegrering, men stora hjärnor arbetar för att lösa dessa utmaningar. När det gäller att lita på AI-genererade förutsägelser behöver vi effektiva och trovärdiga sätt att validera dessa förutsägelser.

Certis har tagit en tvådelad strategi för att hantera detta: in silico-validering via interna, korsvalideringsstudier och in vivo-validering – genom att utföra studier i kliniskt relevanta musmodeller för att utvärdera noggrannheten i vår plattforms förutsägelser. Med tiden kommer dessa verktyg också att valideras kliniskt i humana patienter, men det kommer att ta mycket tid, pengar och en vilja att förändra det nuvarande cancervårdsparadigmet. Den medicinska och regulatoriska gemenskapen måste sluta förlita sig på hur saker och ting alltid har gjorts och omfamna kraften i datorbaserade analyser för att informera beslut.

Hur ser du att verktyg som CertisOI Assistant kommer att forma framtiden för cancervård och precisionsmedicin?

Modern medicin har ännu inte ett bra sätt att matcha patienter till de optimala behandlingarna. Sammantaget drabbas endast 10% av cancerpatienter av en klinisk fördel från behandlingar som matchas till tumör-DNA-mutationer. Det skadar inte bara patienternas hälsa, utan också deras ekonomi. En uppskattning på 2,5 miljarder dollar — med ett B — slösas bort på ineffektiva terapier. Det är en mycket sorglig faktum att 42% av cancerpatienter tömmer helt sina tillgångar inom två år efter diagnosen.

Verktyg som CertisOI Assistant och CertisAI kommer att hjälpa oss att förverkliga löftet om precisionsmedicin – att ge människor den optimala behandlingen för deras unika form av cancer första gången, varje gång…. Och att demokratisera tillgången till mer effektiv, personlig vård.

Tack för den utmärkta intervjun, läsare som vill lära sig mer bör besöka Certis Oncology Solutions.