ดร. เซราฟิม บัตซอกลู อธิบดีฝ่ายข้อมูลของ Seer – สัมภาษณ์รายการ

เซราฟิม บัตซอกลู เป็นอธิบดีฝ่ายข้อมูลของ Seer ก่อนที่จะเข้าร่วม Seer เซราฟิม曾任อธิบดีฝ่ายข้อมูลของ Insitro โดยนำทีมงาน Machine Learning และ Data Science ในการค้นพบยาใหม่ ก่อนที่จะเข้าร่วม Insitro เขา曾任รองประธานฝ่ายชีววิทยาเชิงคำนวณและใช้งานที่ Illumina โดยนำทีมงานวิจัยและพัฒนาทางเทคนิคของ AI และการวิเคราะห์ข้อมูลทางชีววิทยาเพื่อให้ข้อมูลทางพันธุกรรมมีความเข้าใจได้ง่ายขึ้นในด้านสุขภาพของมนุษย์

สิ่งใดที่ดึงดูดคุณให้เข้าสู่สาขาเกโนมิกส์?

ฉันเริ่มสนใจในสาขาชีววิทยาเชิงคำนวณตั้งแต่เริ่มเรียนปริญญาเอกในสาขาวิทยาการคอมพิวเตอร์ที่ MIT เมื่อฉันเข้าร่วมคอร์สเรียนเกี่ยวกับหัวข้อนี้ที่สอนโดย Bonnie Berger ซึ่งกลายเป็นที่ปรึกษาดุษฎีบัณฑิตของฉัน และ David Gifford โครงการจีโนมมนุษย์กำลังเริ่มได้รับความสนใจในช่วงปริญญาเอกของฉัน Eric Lander ซึ่งเป็นหัวหน้าศูนย์จีโนมที่ MIT กลายเป็นที่ปรึกษาดุษฎีบัณฑิตร่วมของฉัน และให้โอกาสฉันเข้าร่วมโครงการนี้ โดยได้รับแรงบันดาลใจจากโครงการจีโนมมนุษย์ ฉันทำงานเกี่ยวกับการประกอบจีโนมทั้งหมดและการเปรียบเทียบจีโนมของมนุษย์และหนู

จากนั้นฉัน chuyểnไปที่ Stanford University ในตำแหน่งอาจารย์ที่ภาควิชาวิทยาการคอมพิวเตอร์ โดยใช้เวลา 15 ปี และมีโชคที่ได้แนะนำนักศึกษาดุษฎีบัณฑิตที่มีความสามารถมากถึง 30 คน และนักวิจัยหลังปริญญาเอกและนักศึกษาที่ไม่ใช่ปริญญาเอกหลายคน ทีมงานของฉันเน้นไปที่การประยุกต์ใช้อัลกอริทึม Machine Learning และซอฟต์แวร์ในการวิเคราะห์ข้อมูลจีโนมและชีววิทยาทางโมเลกุลขนาดใหญ่ ฉันออกจาก Stanford ในปี 2016 เพื่อนำทีมงานวิจัยและพัฒนาที่ Illumina ตั้งแต่นั้นมา ฉันสนุกกับการนำทีมงานวิจัยและพัฒนาที่อุตสาหกรรม ฉันพบว่าการทำงานเป็นทีม ด้านธุรกิจ และผลกระทบโดยตรงต่อสังคมเป็นลักษณะของอุตสาหกรรมที่แตกต่างจากวิชาการ ฉันทำงานที่บริษัทที่มีความก้าวหน้าตลอดอาชีพของฉัน: DNAnexus ซึ่งฉันร่วมก่อตั้งในปี 2009, Illumina, Insitro และตอนนี้ Seer การคำนวณและการเรียนรู้ของเครื่องจักรเป็นสิ่งจำเป็นตลอดห่วงโซ่เทคโนโลยีในด้านไบโอเทค จากการพัฒนเทคโนโลยี การเข้าถึงข้อมูล ไปจนถึงการวิเคราะห์ข้อมูลทางชีววิทยาและการแปลผลสู่สุขภาพของมนุษย์

ในช่วง 20 ปีที่ผ่านมา การจัดลำดับจีโนมมนุษย์กลายเป็นสิ่งที่มีราคาถูกและรวดเร็วมากขึ้น ซึ่งนำไปสู่การเติบโตอย่างมากในตลาดการจัดลำดับจีโนมและอุตสาหกรรมวิทยาศาสตร์แห่งชีวิตที่กว้างขึ้น เรากำลังอยู่ที่จุดเริ่มต้นของการมีข้อมูลจีโนมของประชากร ข้อมูล multi-omic และ phenotypic ที่มีขนาดเพียงพอในการปฏิวัติสุขภาพ รวมถึงการป้องกัน การวินิจฉัย การรักษา และการค้นพบยาใหม่ เราสามารถค้นพบหลักการทางโมเลกุลของโรคในแต่ละบุคคลได้มากขึ้นผ่านการวิเคราะห์ข้อมูลจีโนม และผู้ป่วยมีโอกาสได้รับการรักษาที่มุ่งเป้าและเป็นส่วนตัว โดยเฉพาะในด้านมะเร็งและโรคทางพันธุกรรมที่หายาก นอกเหนือจากการใช้งานที่ชัดเจนในด้านการแพทย์แล้ว การเรียนรู้ของเครื่องจักรที่คู่กับข้อมูลจีโนมยังช่วยให้เราเข้าใจถึงส่วนอื่นๆ ของชีวิต เช่น การสืบเชื้อสายและโภชนาการของเรา ปีหน้าๆ จะเห็นการนำสุขภาพที่มุ่งเน้นข้อมูลส่วนบุคคลมาใช้กับกลุ่มคนบางกลุ่ม เช่น ผู้ป่วยโรคหายาก และในระยะยาวจะขยายไปสู่สาธารณชนโดยทั่วไป

ก่อนที่คุณจะเข้าร่วม Seer คุณ曾เป็นอธิบดีฝ่ายข้อมูลของ Insitro โดยนำทีมงาน Machine Learning และ Data Science ในการค้นพบยาใหม่ คุณมีคำตอบสำคัญใดๆ จากช่วงเวลานั้นเกี่ยวกับวิธีการใช้ Machine Learning เพื่อเร่งการค้นพบยาใหม่?

รูปแบบการค้นพบและพัฒนายาแบบดั้งเดิมที่ใช้วิธีการ “ลองผิดลองถูก” มีปัญหาด้านประสิทธิภาพและระยะเวลาที่ยาวนานมาก สำหรับการพัฒนายาหนึ่งตัวที่จะเข้าสู่ตลาด อาจต้องใช้เงินมากกว่า 1,000 ล้านดอลลาร์และใช้เวลาเกิน 10 ปี โดยการนำ Machine Learning มาใช้ในการพัฒนานี้ เราสามารถลดต้นทุนและระยะเวลาลงได้อย่างมากในหลายขั้นตอน ขั้นตอนหนึ่งคือการระบุเป้าหมาย โดยที่ยีนหรือชุดยีนสามารถถูกระบุผ่านการเปลี่ยนแปลงทางพันธุกรรมและเคมี และผลลัพธ์ทางปรากฏการณ์วิทยา เช่น การถ่ายภาพและจีโนมิกส์แบบฟังก์ชัน อีกขั้นตอนหนึ่งคือการระบุและปรับยาสมุนไพร โดยที่โมเลกุลขนาดเล็กหรือรูปแบบอื่นๆ สามารถถูกออกแบบโดยการทำนายด้วย Machine Learning และการตรวจสอบในห้องปฏิบัติการ นอกจากนี้ คุณสมบัติที่ต้องการของยาที่ต้องการ เช่น ความสามารถในการละลาย การซึมผ่าน และความไม่พิษ สามารถถูกปรับให้เหมาะสมได้ ส่วนที่ยากที่สุดและสำคัญที่สุดอาจเป็นการแปลผลสู่มนุษย์ โดยที่การเลือกแบบจำลองที่เหมาะสมสำหรับโรคที่เหมาะสม มีความสำคัญอย่างมากและสะท้อนถึงความสามารถของข้อมูลที่ได้รับจากการเรียนรู้ของเครื่องจักรในการแปลผลสู่ผู้ป่วย

Seer Bio เป็นผู้บุกเบิกวิธีการใหม่ในการถอดรหัสความลับของโปรตีโอ姆เพื่อปรับปรุงสุขภาพของมนุษย์ สำหรับผู้อ่านที่ไม่คุ้นเคยกับคำนี้ โปรตีโอ姆คืออะไร?

โปรตีโอ姆 (proteome) คือชุดโปรตีนที่ผลิตหรือเปลี่ยนแปลงโดยสิ่งมีชีวิตในช่วงเวลาและตอบสนองต่อสิ่งแวดล้อม การโภชนาการ และสุขภาพ จีโนมของมนุษย์หรือสิ่งมีชีวิตอื่นๆ เป็นสิ่งที่คงที่ ยกเว้นการเปลี่ยนแปลงทางพันธุกรรมที่เกิดขึ้นเอง จีโนมที่เรามีแต่กำเนิดคือจีโนมที่เรามีตลอดชีวิต ซึ่งถูกคัดลอกอย่างแม่นยำในแต่ละเซลล์ของร่างกาย โปรตีโอ姆มีการเปลี่ยนแปลงและเปลี่ยนแปลงในช่วงเวลาหลายปี วัน และแม้กระทั่งนาที ดังนั้น โปรตีโอมจึงอยู่ใกล้กับฟีโนไทป์และสภาพสุขภาพมากกว่าจีโนม และดังนั้นจึงให้ข้อมูลที่มีคุณค่ามากกว่าสำหรับการติดตามสุขภาพและการทำความเข้าใจโรค

ที่ Seer เราได้พัฒนาวิธีการใหม่ในการเข้าถึงโปรตีโอมที่ให้ข้อมูลเชิงลึกที่ลึกซึ้งยิ่งขึ้นเกี่ยวกับโปรตีนและโปรตีโอฟอร์มในตัวอย่างที่ซับซ้อน เช่น พลาสมา ซึ่งเป็นตัวอย่างที่สามารถเข้าถึงได้ง่าย แต่จนถึงปัจจุบันการวิเคราะห์โปรตีโอ姆ด้วยวิธีการแมสสเปกโตรเมทรีแบบดั้งเดิมยังคงเป็นความท้าทาย

แพลตฟอร์ม Proteograph ของ Seer คืออะไร และมันให้มุมมองที่ใหม่เกี่ยวกับโปรตีโอมอย่างไร?

แพลตฟอร์ม Proteograph ของ Seer ใช้ประโยชน์จากไลบรารีของนาโนพาร์ติเคิลที่ถูกออกแบบมาเป็นพิเศษ ซึ่งทำงานผ่านการทำงานแบบง่ายๆ และอัตโนมัติ เพื่อให้สามารถสืบค้นโปรตีโอมได้อย่างลึกซึ้งและปรับขนาดได้

แพลตฟอร์ม Proteograph ส่องแสงในการสืบค้นพลาสมาและตัวอย่างที่ซับซ้อนที่แสดงช่วงไดนามิกที่กว้างมาก ซึ่งเป็นความแตกต่างหลายอันดับของความอุดมสมบูรณ์ของโปรตีนในตัวอย่าง โดยที่วิธีการแมสสเปกโตรเมทรีแบบดั้งเดิมไม่สามารถตรวจจับโปรตีนที่มีความอุดมสมบูรณ์ต่ำได้ นาโนพาร์ติเคิลของ Seer ถูกออกแบบมาเพื่อรวบรวมโปรตีนข้ามช่วงไดนามิกโดยไม่มีอคติ ในตัวอย่างพลาสมาโดยทั่วไป เทคโนโลยีของเราทำให้สามารถตรวจจับโปรตีนได้มากถึง 5-8 เท่าเมื่อเทียบกับการประมวลผลพลาสมาโดยไม่ใช้ Proteograph ในผลลัพธ์ จากการเตรียมตัวอย่างไปจนถึงการวิเคราะห์ข้อมูล แผนผลิตภัณฑ์ Proteograph ของเราช่วยให้นักวิทยาศาสตร์สามารถค้นหาสัญญาณโรคของโปรตีโอมที่อาจไม่สามารถตรวจจับได้โดยอื่น เราชอบที่จะพูดว่าที่ Seer เรากำลังเปิดประตูสู่โปรตีโอมใหม่

นอกจากนี้ เรายังช่วยให้นักวิทยาศาสตร์สามารถทำการศึกษาทางโปรตีโอจีโนมิกส์ขนาดใหญ่ได้อย่างง่ายดาย โปรตีโอจีโนมิกส์คือการรวมข้อมูลจีโนมิกส์กับข้อมูลโปรตีโอมิกส์เพื่อระบุและปริมาณโปรตีนแปรผัน ลิงก์ข้อมูลจีโนมิกส์กับระดับโปรตีน และสุดท้ายเชื่อมโยงจีโนมและโปรตีโอมกับฟีโนไทป์และโรค และเริ่มแก้ไขเส้นทางพันธุกรรมที่ส่งผลต่อโรค

คุณสามารถพูดถึงเทคโนโลยีการเรียนรู้ของเครื่องจักรที่ใช้ในปัจจุบันที่ Seer Bio ได้หรือไม่?

Seer ใช้การเรียนรู้ของเครื่องจักรในทุกขั้นตอนตั้งแต่การพัฒนเทคโนโลยีไปจนถึงการวิเคราะห์ข้อมูลที่อยู่ด้านล่าง ซึ่งรวมถึง (1) การออกแบบนาโนพาร์ติเคิลที่เป็นกรรมสิทธิ์ของเรา โดยที่การเรียนรู้ของเครื่องจักรช่วยให้เรากำหนดคุณสมบัติทางกายภาพและเคมีที่จะทำงานกับผลิตภัณฑ์และการทดสอบที่เฉพาะเจาะจง (2) การตรวจจับและปริมาณของเพปไทด์ โปรตีน แปรผัน และโปรตีโอฟอร์มจากข้อมูลที่ได้รับจากเครื่องมือ MS (3) การวิเคราะห์โปรตีโอมิกส์และโปรตีโอจีโนมิกส์ขนาดใหญ่ในกลุ่มประชากร

ปีที่แล้ว เรา ตีพิมพ์บทความใน Advanced Materials โดยรวมวิธีการโปรตีโอมิกส์ นาโนอิงีเนียริง และการเรียนรู้ของเครื่องจักรเพื่อปรับปรุงความเข้าใจของเราเกี่ยวกับกลไกการก่อตัวของโปรตีนคอร์โอนา ซึ่งเปิดเผยการโต้ตอบนาโน-ไบโอคและให้ข้อมูลแก่ Seer ในการสร้างนาโนพาร์ติเคิลและผลิตภัณฑ์ที่ดีขึ้นในอนาคต

นอกเหนือจากการพัฒนานาโนพาร์ติเคิลแล้ว เรากำลังพัฒนา อัลกอริทึมใหม่ๆ เพื่อระบุเพปไทด์แปรผันและการดัดแปลงหลังการแปล (PTMs) เราได้พัฒนาวิธีการ การตรวจจับปัจจัยที่มีผลต่อปริมาณโปรตีน (pQTLs) ที่ทนทานต่อโปรตีนแปรผัน ซึ่งเป็นปัจจัยที่ทำให้เกิดความสับสนในการวิเคราะห์โปรตีโอมิกส์แบบอิงความสัมพันธ์ เรากำลังขยายงานนี้เพื่อระบุเพปไทด์เหล่านี้โดยตรงจากสเปกตรัมดั้งเดิมโดยใช้วิธีการเรียงลำดับ de novo ที่ใช้การเรียนรู้ลึกเพื่อให้สามารถค้นหาได้โดยไม่ต้องเพิ่มขนาดของห้องสมุดสเปกตรัม

ทีมงานของเรากำลังพัฒนาแนวทางในการช่วยให้นักวิทยาศาสตร์ที่ไม่มีประสบการณ์ในการเรียนรู้ของเครื่องจักรสามารถปรับและใช้แบบจำลองการเรียนรู้ของเครื่องจักรได้อย่างเหมาะสมในการทำงานค้นพบของพวกเขา โดยใช้เฟรมเวิร์ก Seer ML ที่อิงจาก AutoML ซึ่งช่วยให้สามารถปรับพารามิเตอร์ได้อย่างมีประสิทธิภาพผ่านการปรับแบบเบย์

สุดท้าย เรากำลังพัฒนาแนวทางในการลดผลกระทบของการทำงานเป็นกลุ่มและเพิ่มความแม่นยำเชิงปริมาณของการวัดผลจากเครื่องมือ MS โดยการสร้างแบบจำลองค่าปริมาณที่วัดได้เพื่อเพิ่มค่าที่คาดหวัง เช่น ความสัมพันธ์ของค่าความเข้มข้นระหว่างเพปไทด์ภายในกลุ่มโปรตีน

การหลอกลวงเป็นปัญหาที่พบบ่อยใน LLMs วิธีแก้ปัญหาใดที่สามารถป้องกันหรือบรรเทาได้?

LLMs เป็นวิธีการสร้างข้อความที่ได้รับการฝึกฝนจากคอร์ปัสขนาดใหญ่และได้รับการฝึกฝนให้สร้างข้อความที่คล้ายกัน พวกมันจับข้อคุณสมบัติทางสถิติของข้อความที่พวกมันถูกฝึกฝน ตั้งแต่คุณสมบัติระดับท้องถิ่นเช่น ความถี่ที่คำหรือโทเค็นบางคำรวมกันไปด้วยกัน ไปจนถึงคุณสมบัติระดับสูงกว่าที่เลียนแบบความเข้าใจบริบทและความหมาย

อย่างไรก็ตาม LLMs ไม่ได้ถูกฝึกฝนให้ถูกต้องเป็นหลัก การเรียนรู้แบบเสริมด้วยการให้คำติชมของมนุษย์ (RLHF) และเทคนิคอื่นๆ ช่วยฝึกพวกมันให้มีคุณสมบัติที่ต้องการ รวมถึงความถูกต้อง แต่ก็ไม่ประสบความสำเร็จอย่างสมบูรณ์ เมื่อให้คำสั่ง LLMs จะสร้างข้อความที่ใกล้เคียงกับคุณสมบัติทางสถิติของคอร์ปัสที่พวกมันถูกฝึกฝน มักจะถูกต้องเมื่อถูกถาม “อเล็กซานเดอร์มหาราชเกิดเมื่อไหร่” คำตอบที่ถูกต้องคือ 356 ปีก่อนคริสตกาล (หรือ BCE) และ LLMs มีแนวโน้มที่จะให้คำตอบนั้นเพราะว่าอเล็กซานเดอร์มหาราชมีการกล่าวถึงบ่อยๆ ในคอร์ปัสที่ถูกฝึกฝน แต่เมื่อถูกถาม “จักรพรรดินี Reginella เกิดเมื่อไหร่” ซึ่งเป็นตัวละครที่ไม่มีอยู่ในคอร์ปัสที่ถูกฝึกฝน LLMs มีแนวโน้มที่จะหลอกลวงและสร้างเรื่องราวเกี่ยวกับการเกิดของเธอ ในทำนองเดียวกัน เมื่อถูกถามคำถามที่ LLMs ไม่สามารถตอบได้หรือไม่มีคำตอบที่ถูกต้อง LLMs มีแนวโน้มที่จะหลอกลวงและตอบด้วยความมั่นใจ ซึ่งเป็นปัญหาที่ชัดเจนสำหรับการใช้งานที่จริงจัง เช่น “วิธีการรักษาโรคมะเร็งชนิดใดชนิดหนึ่ง”

ยังไม่มีวิธีแก้ปัญหาแบบสมบูรณ์สำหรับการหลอกลวง พวกมันเป็นส่วนหนึ่งของการออกแบบ LLMs วิธีแก้ปัญหาแบบบางๆ คือการให้คำสั่งที่เหมาะสม เช่น การบอก LLMs ให้ “คิดอย่างรอบคอบและขั้นตอนต่อขั้นตอน” ซึ่งจะเพิ่มโอกาสที่ LLMs จะไม่สร้างเรื่องราวขึ้นมา วิธีการที่ซับซ้อนกว่าคือการใช้กราฟความรู้ ซึ่งเป็นข้อมูลที่มีโครงสร้าง โดยที่เอนทิตี้ในกราฟความรู้เชื่อมโยงกับเอนทิตี้อื่นๆ ในลักษณะที่กำหนดไว้ล่วงหน้า การสร้างกราฟความรู้สำหรับโดเมนใดโดเมนหนึ่งเป็นงานที่ท้าทาย แต่สามารถทำได้ด้วยวิธีการอัตโนมัติและวิธีการทางสถิติและคัดเลือก LLMs สามารถตรวจสอบข้อความที่พวกมันสร้างขึ้นเทียบกับกราฟความรู้และถูกจำกัดไม่ให้สร้างข้อความที่ขัดแย้งหรือไม่ได้รับการสนับสนุนจากกราฟความรู้

เนื่องจากปัญหาหลักของการหลอกลวงและอาจเป็นเพราะการขาดความสามารถในการให้เหตุผลและตัดสินใจ LLMs ในปัจจุบันมีประสิทธิภาพในการดึงข้อมูลเชื่อมโยงและสรุปข้อมูล แต่ไม่สามารถแทนที่ผู้เชี่ยวชาญในด้านการแพทย์หรือคำปรึกษาทางกฎหมายได้ แต่พวกเขาสามารถเพิ่มประสิทธิภาพและความสามารถของผู้เชี่ยวชาญในด้านเหล่านี้ได้อย่างมาก

คุณสามารถแบ่งปันความมุ่งมั่นของตนเองสำหรับอนาคตที่ชีววิทยาจะถูกกำหนดโดยข้อมูลมากกว่าสมมติฐาน?

แนวทางแบบสมมติฐานที่นักวิจัยค้นหาลักษณะการเปลี่ยนแปลง พัฒนาแนวคิด และทดสอบพวกมันผ่านการทดลองหรือการศึกษา และจากนั้นปรับปรุงแนวคิดตามข้อมูลที่ได้รับ กำลังถูกแทนที่ด้วยพาราไดม์ใหม่ที่อาศัยข้อมูล

ในพาราไดม์นี้ นักวิจัยเริ่มต้นด้วยการสร้างข้อมูลขนาดใหญ่โดยไม่มีสมมติฐาน จากนั้นฝึกแบบจำลองการเรียนรู้ของเครื่องจักรด้วยวัตถุประสงค์ในการสร้างข้อมูลที่ซ่อนอยู่ได้อย่างแม่นยำ การทำนายที่แข็งแกร่ง หรือการจำแนกประเภทในงานที่อยู่ด้านล่าง เมื่อแบบจำลองการเรียนรู้ของเครื่องจักรสามารถทำนายข้อมูลได้อย่างแม่นยำ และบรรลุความเที่ยงเท่ากับความคล้ายคลึงระหว่างการทำซ้ำทดลอง นักวิจัยสามารถสืบค้นแบบจำลองเพื่อทำความเข้าใจเกี่ยวกับระบบทางชีววิทยาและค้นหาความเข้าใจพื้นฐานของชีววิทยาที่ซ่อนอยู่ LLMs กำลังพิสูจน์ให้เห็นว่าพวกมันสามารถสร้างแบบจำลองข้อมูลทางชีววิทยาที่ซับซ้อนได้ดี และพร้อมที่จะขับเคลื่อนการเปลี่ยนแปลงจากแนวทางแบบสมมติฐานไปสู่การค้นพบทางชีววิทยาที่ขับเคลื่อนด้วยข้อมูล

การเปลี่ยนแปลงนี้จะกลายเป็นเรื่องที่ชัดเจนมากขึ้นในช่วง 10 ปีข้างหน้า และจะทำให้สามารถสร้างแบบจำลองระบบทางชีววิทยาที่มีความแม่นยำสูงได้ ซึ่งจะเกินความสามารถของมนุษย์

ผลกระทบที่อาจเกิดขึ้นสำหรับการวินิจฉัยโรคและการค้นพบยาใหม่คืออะไร?

ฉันเชื่อว่า LLM และ AI ที่สร้างข้อความใหม่จะนำไปสู่การเปลี่ยนแปลงที่สำคัญในอุตสาหกรรมวิทยาศาสตร์แห่งชีวิต หนึ่งในด้านที่จะได้รับประโยชน์มากที่สุดจาก LLMs คือการวินิจฉัยทางคลินิก โดยเฉพาะสำหรับโรคที่หายากและยากต่อการวินิจฉัย เช่น มะเร็งและโรคทางพันธุกรรมที่หายาก มีปริมาณข้อมูลของผู้ป่วยที่ครอบคลุมมากที่จะสามารถใช้เพื่อขับเคลื่อนการวินิจฉัยที่แม่นยำและทันเวลาได้ หากเราสามารถรวบรวมข้อมูลเหล่านี้ให้เข้าถึงได้ง่ายและไม่ถูกปิดกั้นโดยองค์กรสุขภาพแต่ละแห่ง เราสามารถปรับปรุงความแม่นยำในการวินิจฉัยได้อย่างมาก นี่ไม่ได้หมายความว่าแบบจำลองการเรียนรู้ของเครื่องจักร รวมถึง LLMs จะสามารถทำงานอิสระในการวินิจฉัยได้ ในอนาคตที่สามารถมองเห็นได้ พวกมันจะไม่สามารถทำงานอิสระได้ แต่จะช่วยเสริมความสามารถของผู้เชี่ยวชาญในการให้การวินิจฉัยที่มีข้อมูลครบถ้วนและแม่นยำได้ภายในเวลาที่สั้นกว่าที่เป็นอยู่ในปัจจุบัน และจะช่วยให้สามารถบันทึกและถ่ายทอดการวินิจฉัยเหล่านั้นให้กับผู้ป่วยและเครือข่ายผู้ให้บริการสุขภาพที่เชื่อมโยงกันผ่านระบบการเรียนรู้ของเครื่องจักร

อุตสาหกรรมกำลังใช้การเรียนรู้ของเครื่องจักรในการค้นพบและพัฒนายาแล้ว โดยเน้นถึงความสามารถในการลดต้นทุนและระยะเวลาเมื่อเทียบกับพาราไดม์แบบดั้งเดิม LLMs เพิ่มเครื่องมือที่มีประโยชน์ให้กับกล่องเครื่องมือ โดยให้โครงสร้างที่ดีเยี่ยมสำหรับการสร้างแบบจำลองข้อมูลทางชีววิทยาที่มีขนาดใหญ่ รวมถึงจีโนม โปรตีโอ姆 ข้อมูลจีโนมิกส์แบบฟังก์ชันและอีพิเจเนติกส์ ข้อมูลเซลล์เดียว และอื่นๆ ในอนาคตที่สามารถมองเห็นได้ LLMs พื้นฐานจะเชื่อมโยงระหว่างโมดาลิตี้ข้อมูลเหล่านี้และระหว่างกลุ่มประชากรขนาดใหญ่ที่มีข้อมูลพันธุกรรม โปรตีโอมิกส์ และสุขภาพที่รวบรวมไว้ LLMs เหล่านี้จะช่วยในการสร้างเป้าหมายยาใหม่ที่มีแนวโน้มดี ระบุจุดกิจกรรมที่น่าจะเป็นไปได้ของโปรตีนที่เกี่ยวข้องกับการทำงานทางชีววิทยาและโรค หรือแนะนำเส้นทางและหน้าที่ทางชีววิทยาที่ซับซ้อนซึ่งสามารถถูกดัดแปลงได้ด้วยโมเลกุลขนาดเล็กหรือโมดาลิตี้ยาที่แตกต่างกัน เรายังสามารถใช้ LLMs เพื่อระบุผู้ที่มีแนวโน้มจะตอบสนองต่อยาและผู้ที่ไม่ตอบสนองตามความอ่อนไหวทางพันธุกรรม หรือเพื่อใช้ยาที่มีอยู่แล้วในโรคที่แตกต่างกัน บริษัท AI ที่มีการค้นพบยาที่มีความก้าวหน้าอยู่แล้วกำลังคิดและพัฒนาอย่างแน่นอนในทิศทางนี้ และเราควรคาดหวังที่จะเห็นการก่อตั้งบริษัทเพิ่มเติมเช่นเดียวกับความพยายามของสาธารณะที่มุ่งเน้นไปที่การนำ LLMs ไปใช้ในด้านสุขภาพของมนุษย์และการค้นพบยาใหม่

ขอขอบคุณสำหรับการสัมภาษณ์ที่มีรายละเอียด ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมสามารถเยี่ยมชม Seer ได้