Thomas Clozel, M.D., medgrundare och VD för Owkin – Intervjuserie

Thomas Clozel, M.D. är medgrundare och VD för Owkin, ett AI-biotechföretag som revolutionerar vårdsektorn. Med en bakgrund inom klinisk forskning har Clozel varit avgörande för att leda Owkin sedan starten 2016. Under hans ledning har företaget nått betydande milstolpar, inklusive att samla in betydande finansiering och bilda strategiska partnerskap med stora läkemedelsföretag. Han är tidigare biträdande professor i klinisk onko-hematologi vid Hopital Henri Mondor i Paris och tidigare medlem i Dr. Ari Melnicks onkologilabb vid Weill Cornell Medical College.

Owkin är ett AI-biotekföretag som utvecklar autonoma AI‑system avsedda att påskynda biomedicinsk forskning och läkemedelsupptäckt. Företaget grundades 2016 av onkolog Thomas Clozel och maskininlärningsforskaren Gilles Wainrib, och kombinerar avancerade AI‑modeller med multimodala patientdata, biologisk forskning och klinisk expertis för att hjälpa läkemedelsteam att bättre förstå sjukdom, identifiera terapeutiska mål, upptäcka biomarkörer och fatta mer informerade FoU‑beslut. Dess flaggskeppsplattform, K Pro, fungerar som en AI‑forskare som kan samordna specialiserade modeller och forskningsverktyg för att analysera komplexa biologiska frågor, och Owkin arbetar i slutändan mot det de kallar Biological Artificial SuperIntelligence: ett självförbättrande AI‑system som kan utföra allt större delar av läkemedelsupptäcktsprocessen autonomt.

Owkin har etablerat strategiska relationer med stora biofarmaceutiska företag inklusive Sanofi, Bristol Myers Squibb och MSD, och har byggt ett globalt nätverk som omfattar akademiska forskare, kliniker, patientdatapartners och laboratorieinfrastruktur.

Din karriär har omfattat klinisk hematologi, onkologiforskning och beräkningsbiologi. När du medgrundade Owkin 2016, vilka begränsningar såg du i konventionell medicinsk forskning som fick dig att tro att AI kunde hjälpa forskare att förstå sjukdom på ett annat sätt?

Jag var onkolog och såg patienter i 30‑årsåldern med cancer, men inget i deras historik förklarade varför de hade den eller varför de återkom. Och vi hade ingen bra vetenskap för att förklara det — inte ens med all forskning under de senaste hundra åren. Så det fick mig att tänka: biologi är inte ett problem på mänsklig skala. Det kräver resonemang över skalor, från molekyler till hela organismer, och över många olika datatyper samtidigt — från vävnadsbiopsier till en patients behandlingshistorik. För det behövde vi AI. Och jag ansåg att de enda data som kunde föra oss närmast den förståelsen hos människor var patientdata. Så 2016 medgrundade jag Owkin tillsammans med Gilles Wainrib, och vi började med federated learning — en metod som låter AI‑modeller lära sig från sjukhusdata utan att datan någonsin lämnar sjukhuset — för att låsa upp den datan och nå svaren.

Generativ AI kan producera ett stort antal plausibla biologiska hypoteser. Hur bör forskare skilja på en genuint ny upptäckt och en övertygande men i slutändan falsk AI‑genererad korrelation?

Du bör betrakta alla dina hypoteser som felaktiga tills du bevisar motsatsen. Detta är avsiktligt. Jag tror att frontier‑AI‑agenter — avancerade, autonoma AI‑system — när de får tillgång till rätt verktyg och data, kommer att vara bättre på att generera korrekta hypoteser än vad vi är idag. Och på Owkin rankar våra modeller hypoteser efter hur sannolikt de är att hålla, baserat på mönster lärda från datan.

Men vi måste fortfarande testa dem, först i laboratoriet och sedan i kliniska prövningar, innan vi kan sätta fullt förtroende till dem. På Owkin gör vi detta genom vad vi kallar vår “lab in the loop” — vi testar varje AI‑förutsägelse på riktiga biologiska prover innan den får förtroende — och sedan i kliniska prövningar. Så vi måste fortfarande testa varje hypotes experimentellt, precis som vi alltid har gjort. Men AI hjälper oss att använda resurser bättre genom att rikta oss mot de testvägar som mest sannolikt lyckas.

K Pro kombinerar patologi, genomik, spatial biologi och kliniska utfall. Hur leder sammanslagningen av dessa olika datatyper till starkare biologiska bevis jämfört med att förlita sig på en enda dataset eller modalitet?

Vi försöker se hela bilden av vad som orsakat en persons sjukdom. Varje av dessa datatyper ger dig ett ögonblicksbild av en del av den — men ingen enskild kan ge dig hela, orsakssambandet.

Om du kan betrakta sjukdomen från flera vinklar samtidigt, kommer du närmare hela bilden. Det är vad vi vill göra över varje skala av biologi — till exempel att länka genaktivitet till hur vävnaden är fysiskt strukturerad, och att länka en patients underliggande biologi (deras gener och molekyler) till vad som faktiskt observeras i kliniken (vävnadsbilder, medicinska journaler, hur de svarade på behandling).

Det är just det som är så viktigt med AI: den kan kombinera dessa mycket olika datatyper och hitta de underliggande mönstren som närmar sig helhetsbilden — något som är extremt svårt för en mänsklig hjärna att göra på egen hand.

Owkin beskriver AI‑genererade upptäckter som hypoteser snarare än fakta. Vilka steg måste en K Pro‑hypotes gå igenom innan ert team anser den biologiskt meningsfull nog för att påverka ett läkemedelsutvecklingsbeslut?

Fyra steg.

Först, datorkompatibel replikation: håller signalen när den kontrolleras mot oberoende patientdatamängder, och över datatyper som inte användes för att generera den ursprungligen? Detta steg är billigt att köra och eliminerar majoriteten av kandidater tidigt.

För det andra, mekanistisk granskning: finns det en sammanhängande, orsakssambandande förklaring — en plausibel ny bit av biologi? Och säger bevisen faktiskt det som modellen påstår? Vi granskar det underliggande beviset, inte bara slutsatsen. Här är input från vårt expertteam inom biomedicin oerhört viktig.

För det tredje testar vi det i laboratoriet. Vi kontrollerar förutsägelsen med patient‑deriverade modeller — inklusive organoider (miniatyr, laboratorieodlade versioner av en patients tumör) — genom läkemedelstester och genredigeringsexperiment. Detta är steget där en korrelation antingen blir ett verkligt orsakssamband, eller inte.

För det fjärde, patienter. Vi testar för närvarande OKN4395 — ett läkemedelskandidat vars underliggande biologi K Pro hjälpte oss att förstå — i vår INVOKE‑kliniska prövning. Vi använder även den prövningen för att förbättra vår AI: den samlar in detaljerad patientdata under hela processen, så vi testar inte bara ett läkemedel, vi testar om modellens resonemang kring sjukdomsmekanismen och rätt patientpopulation var korrekt.

Owkin testar utvalda K Pro‑förutsägelser i sitt våta laboratorium med metoder såsom patient‑deriverade organoider och genetisk perturbation. Hur förbättrar denna laboratorie‑feedback systemet, och vad händer när experimentella resultat motsäger den ursprungliga förutsägelsen?

K Pro förutsäger ny biologi, vi designar experimentet och testar det med patient‑deriverade laboratoriemodeller — inklusive organoider, co‑kulturer (odling av olika celltyper tillsammans för att se hur de interagerar) och modeller där specifika gener har slagits på eller av. Resultaten går sedan tillbaka in i systemet för att förbättra det. Idag görs delar av den slingan fortfarande manuellt; att automatisera den helt är vårt nästa steg.

Vi har redan mätt effekten av denna feedback. I en studie vi publicerade på ArXiv (ett arkiv för vetenskapliga artiklar) i år, var AI‑agenter som fick denna typ av iterativ laboratorie‑feedback 166–185 % bättre än slumpmässigt urval på att identifiera gener som meningsfullt förändrar hur en cell beter sig — de typer av gener som är värda att rikta mot med ett läkemedel.

Vilka mått bör läkemedelsföretag använda för att utvärdera en AI‑forskare? Bör framgång mätas med prediktiv noggrannhet, reproducerbarhet, antalet validerade mål, förbättrade kliniska prövningsbeslut eller någon annan standard?

Vi anser att det viktigaste referensmåttet är pålitlighet. En AI som ibland levererar ett mycket exakt svar är intressant, men AI‑system blir verkligen användbara för branschen först när de kan besvara samma fråga på samma sätt, pålitligt, oavsett hur många gånger du frågar.

Det är vad som förflyttar dessa system från en flashig demo till grunden för ett faktiskt arbetsflöde. Så har vi byggt K Pro — så att AI‑resonemanget inuti följer samma reproducerbara, transparenta process varje gång det svarar på en fråga.

Vetenskaplig reproducerbarhet är avgörande i läkemedelsforskning. Hur visar K Pro forskare vilka dataset, analytiska arbetsflöden och resonemangssteg som bidrog till en slutsats så att dess fynd kan granskas oberoende?

K Pro dokumenterar och visar resonemangsprocessen som AI:n går igenom för att besvara varje fråga.

Varje dataset den använder identifieras med källa och version. Du kan se patientgruppen begränsas vid varje filtreringssteg — till exempel hur fyra tusen patienter blev trehundra. Varje verktyg den anropar visas. Varje “färdighet” den använder visas. Varje resonemangssteg visas.

En “färdighet” är ett vetenskapligt arbetsflöde som har kodats en gång — sekvensen av analyser, trösklar, resonemang — som K Pro sedan tillämpar identiskt varje gång det är relevant. Färdigheter är särskilt viktiga för reproducerbarhet, eftersom de är ett av sätten K Pro minskar den naturliga variabiliteten i AI‑system — samma uppgift körd två gånger bör ge samma svar. Vi fortsätter att bygga vidare på detta, eftersom möjligheten att verifiera en AI:s arbete är en nyckelfördel i vår industri.

Owkin utvecklar skräddarsydda K Pro‑agenter för AstraZeneca och Sanofi. Vad har dessa samarbeten lärt er om att integrera AI‑forskare i etablerade läkemedelsarbetsflöden utan att försvaga mänsklig tillsyn, styrning eller vetenskaplig stringens?

Man måste möta läkemedelsföretagen där de befinner sig. Varje företag har en annan struktur, en annan historia och ett annat intresse för AI‑adoption — och inom varje företag har olika team olika behov.

Vår erfarenhet av att arbeta med pharmaföretag under nästan ett decennium är att de alltid prioriterar tillsyn och stringens, och du kommer inte ens in genom dörren utan att uppfylla deras styrningsstandarder.

Därför har vi byggt K Pro så att den är tolkbar — du kan se hur den resonemangar, vilka verktyg den väljer, och vilka data den använder — tillräckligt flexibel för att fungera inom ett företags befintliga system utan att de måste förändra infrastrukturen, och kan komma åt proprietära data exakt där de redan lagras, utan att någonsin flytta eller duplicera dem.

Det bidrar starkt till att bygga det förtroende som behövs för pharma‑adoption.

Multimodala patientdata kan innehålla institutionella bias, inkonsekventa annotationer och underrepresenterade populationer. Hur förhindrar Owkin att dessa begränsningar blir missvisande biologiska slutsatser eller begränsar de patienter som kan dra nytta av en upptäckt?

All data innehåller någon form av bias, vare sig från det laboratorium den kom från eller de patienter den representerar. Vår strategi är att förstå våra dataset så fullständigt som möjligt, så att vi kan identifiera om bias finns och hur vi ska ta hänsyn till den.

Vi kan göra detta eftersom vi har starka relationer med forskarna som ursprungligen genererade varje dataset, och de hjälper oss att granska det på djupet.

Vi är säkra på att om ett relevant dataset finns, kan vi hitta det. Men om det finns ett gap — till exempel om en patientpopulation inte är väl representerad i befintlig data — kan vi själva generera ny data enligt rigorösa standarder, i samarbete med akademiska partners, som vi gjorde med vårt MOSAIC‑dataset.

Du har beskrivit Owkins långsiktiga mål som Biological Artificial Superintelligence. Vilka förmågor skulle särskilja detta från dagens AI‑forskningsverktyg, och vilken evidens skulle övertyga dig om att ett AI‑system verkligen förstår biologi snarare än bara identifierar alltmer sofistikerade mönster?

Biological Artificial Superintelligence (BASI) — vår term för ett AI‑system som kan föreslå genuint ny, korrekt biologi på egen hand — blir verklighet när ett AI‑system börjar pålitligt föreslå ny sjukdomsbiologi som mänsklig forskning ännu inte har upptäckt, och som senare visar sig vara korrekt.

Vi bygger mot det med ett system som kan:

• Arbeta autonomt, förfina sina egna hypoteser utan att behöva mänsklig inblandning i varje steg, inklusive att designa och köra experiment i automatiserade laboratorier
• Resonera om orsak och verkan i biologiska system, inte bara identifiera korrelationer

När det gäller huruvida AI verkligen “förstår” biologi är det en intressant filosofisk fråga. Vid vilken punkt blir en modells interna representationer tillräckligt komplexa för att räknas som verklig förståelse, snarare än bara mycket sofistikerad mönsterigenkänning? För tillfället nöjer jag mig med att den kan pålitligt föreslå ny biologi som visar sig vara sann.

Tack för den fantastiska intervjun, läsare som vill lära sig mer bör besöka Owkin.