สัมภาษณ์
ดร. เซราฟิม บัตซอกลู ประธานเจ้าหน้าที่ฝ่ายข้อมูลของ Seer – ชุดบทสัมภาษณ์

ประเด็นสำคัญแพลตฟอร์ม Proteograph ของ Seer ตรวจจับโปรตีนในพลาสมาได้มากกว่าวิธีดั้งเดิม 5 ถึง 8 เท่า…
ดูเพิ่มเติม
- แพลตฟอร์ม Proteograph ของ Seer ตรวจจับโปรตีนในพลาสมาได้มากกว่าวิธีดั้งเดิม 5 ถึง 8 เท่า เผยให้เห็นสัญญาณของโรคที่ก่อนหน้านี้ไม่สามารถตรวจพบ
- LLMs จะช่วยเสริมศักยภาพผู้เชี่ยวชาญมนุษย์ในการวินิจฉัยโรคผ่านการวิเคราะห์ข้อมูลผู้ป่วยจำนวนมหาศาล แต่ไม่สามารถทำงานอัตโนมัติได้เต็มที่ เนื่องจากความเสี่ยงในการสร้างข้อมูลเท็จ
- การเรียนรู้ของเครื่องเร่งการค้นพบยาโดยการระบุเป้าหมายและปรับปรุงโครงสร้างสาร ซึ่งอาจช่วยลดต้นทุนหลายพันล้านดอลลาร์และระยะเวลาการพัฒนาที่กินเวลานับสิบปี
เซราฟิม บัตซอกลู เป็นประธานเจ้าหน้าที่ฝ่ายข้อมูลของ Seer ก่อนที่จะเข้าร่วม Seer เซราฟิมเคยดำรงตำแหน่งประธานเจ้าหน้าที่ฝ่ายข้อมูลของ Insitro โดยนำทีมงาน Machine Learning และ Data Science ในการค้นพบยาใหม่ ก่อนที่จะเข้าร่วม Insitro เขาเคยดำรงตำแหน่งรองประธานฝ่ายชีววิทยาประยุกต์และชีววิทยาเชิงคำนวณที่ Illumina โดยนำทีมงานวิจัยและพัฒนาทางเทคนิคของ AI และการทดสอบระดับโมเลกุลเพื่อให้ข้อมูลจีโนมมีความเข้าใจได้ง่ายขึ้นในด้านสุขภาพของมนุษย์
สิ่งใดที่ดึงดูดคุณให้เข้าสู่สาขาเกโนมิกส์?
ฉันเริ่มสนใจในสาขาชีววิทยาเชิงคำนวณตั้งแต่เริ่มเรียนปริญญาเอกในสาขาวิทยาการคอมพิวเตอร์ที่ MIT เมื่อฉันเข้าร่วมคอร์สเรียนเกี่ยวกับหัวข้อนี้ที่สอนโดย Bonnie Berger ซึ่งกลายเป็นที่ปรึกษาดุษฎีบัณฑิตของฉัน และ David Gifford โครงการจีโนมมนุษย์กำลังเริ่มได้รับความสนใจในช่วงปริญญาเอกของฉัน Eric Lander ซึ่งเป็นหัวหน้าศูนย์จีโนมที่ MIT กลายเป็นที่ปรึกษาดุษฎีบัณฑิตร่วมของฉัน และให้โอกาสฉันเข้าร่วมโครงการนี้ โดยได้รับแรงบันดาลใจจากโครงการจีโนมมนุษย์ ฉันทำงานเกี่ยวกับการประกอบจีโนมทั้งหมดและการเปรียบเทียบจีโนมของมนุษย์และหนู
จากนั้นฉันย้ายไปที่ Stanford University ในตำแหน่งอาจารย์ที่ภาควิชาวิทยาการคอมพิวเตอร์ โดยใช้เวลา 15 ปี และมีโชคที่ได้แนะนำนักศึกษาดุษฎีบัณฑิตที่มีความสามารถมากถึง 30 คน และนักวิจัยหลังปริญญาเอกและนักศึกษาปริญญาตรีหลายคน ทีมงานของฉันเน้นไปที่การประยุกต์ใช้อัลกอริทึม Machine Learning และซอฟต์แวร์ในการวิเคราะห์ข้อมูลจีโนมและชีววิทยาทางโมเลกุลขนาดใหญ่ ฉันออกจาก Stanford ในปี 2016 เพื่อนำทีมงานวิจัยและพัฒนาที่ Illumina ตั้งแต่นั้นมา ฉันสนุกกับการนำทีมงานวิจัยและพัฒนาที่อุตสาหกรรม ฉันพบว่าการทำงานเป็นทีม ด้านธุรกิจ และผลกระทบโดยตรงต่อสังคมเป็นลักษณะของอุตสาหกรรมที่แตกต่างจากวิชาการ ฉันทำงานที่บริษัทที่มีความก้าวหน้าตลอดอาชีพของฉัน: DNAnexus ซึ่งฉันร่วมก่อตั้งในปี 2009, Illumina, Insitro และตอนนี้ Seer การคำนวณและการเรียนรู้ของเครื่องจักรเป็นสิ่งจำเป็นตลอดห่วงโซ่เทคโนโลยีในด้านไบโอเทค จากการพัฒนาเทคโนโลยี 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 คุณเคยเป็นประธานเจ้าหน้าที่ฝ่ายข้อมูลของ Insitro โดยนำทีมงาน Machine Learning และ Data Science ในการค้นพบยาใหม่ คุณได้ข้อเรียนรู้สำคัญอะไรบ้าง จากช่วงเวลานั้นเกี่ยวกับวิธีการใช้ Machine Learning เพื่อเร่งการค้นพบยาใหม่?
รูปแบบการค้นพบและพัฒนายาแบบดั้งเดิมที่ใช้วิธีการ “ลองผิดลองถูก” มีปัญหาด้านประสิทธิภาพและระยะเวลาที่ยาวนานมาก สำหรับการพัฒนายาหนึ่งตัวที่จะเข้าสู่ตลาด อาจต้องใช้เงินมากกว่า 1,000 ล้านดอลลาร์และใช้เวลาเกิน 10 ปี โดยการนำ Machine Learning มาใช้ในการพัฒนานี้ เราสามารถลดต้นทุนและระยะเวลาลงได้อย่างมากในหลายขั้นตอน ขั้นตอนหนึ่งคือการระบุเป้าหมาย โดยระบุยีนหรือชุดยีนที่ปรับฟีโนไทป์ของโรคหรือทำให้เซลล์ที่อยู่ในสภาวะโรคกลับมามีสุขภาพดีขึ้น ผ่านการรบกวนทางพันธุกรรมและเคมีขนาดใหญ่ ตลอดจนการอ่านผลฟีโนไทป์ เช่น การถ่ายภาพและฟังก์ชันนัลจีโนมิกส์ อีกขั้นตอนหนึ่งคือการระบุและปรับสารประกอบให้เหมาะสม โดยที่โมเลกุลขนาดเล็กหรือรูปแบบอื่นๆ สามารถถูกออกแบบโดยใช้การทำนายด้วยคอมพิวเตอร์ (in silico) ที่ขับเคลื่อนด้วย Machine Learning ร่วมกับการคัดกรองนอกสิ่งมีชีวิต (in vitro) นอกจากนี้ คุณสมบัติที่ต้องการของยาที่ต้องการ เช่น ความสามารถในการละลาย การซึมผ่าน ความจำเพาะ และการไม่เป็นพิษ สามารถถูกปรับให้เหมาะสมได้ ส่วนที่ยากที่สุดและสำคัญที่สุดอาจเป็นการแปลผลสู่มนุษย์ การเลือกแบบจำลองให้เหมาะกับโรค ไม่ว่าจะเป็นสายเซลล์ที่ได้จากเซลล์ต้นกำเนิดพหุศักยภาพที่ถูกเหนี่ยวนำ สายเซลล์ปฐมภูมิและตัวอย่างเนื้อเยื่อจากผู้ป่วย หรือแบบจำลองสัตว์ ล้วนมีข้อแลกเปลี่ยนที่สำคัญอย่างยิ่ง ซึ่งท้ายที่สุดกำหนดว่าข้อมูลที่ได้ร่วมกับการเรียนรู้ของเครื่องจะสามารถนำไปใช้กับผู้ป่วยได้เพียงใด
Seer Bio เป็นผู้บุกเบิกวิธีการใหม่ในการถอดรหัสความลับของโปรตีโอมเพื่อปรับปรุงสุขภาพของมนุษย์ สำหรับผู้อ่านที่ไม่คุ้นเคยกับคำนี้ โปรตีโอมคืออะไร?
โปรตีโอม (proteome) คือชุดโปรตีนที่เปลี่ยนแปลงไปตามเวลา ซึ่งสิ่งมีชีวิตผลิตหรือดัดแปลงเพื่อตอบสนองต่อสิ่งแวดล้อม โภชนาการ และภาวะสุขภาพ โปรตีโอมิกส์คือการศึกษาโปรตีโอมภายในเซลล์ชนิดหนึ่งหรือตัวอย่างเนื้อเยื่อ จีโนมของมนุษย์หรือสิ่งมีชีวิตอื่นๆ เป็นสิ่งที่คงที่ โดยมีข้อยกเว้นสำคัญคือการกลายพันธุ์ในเซลล์ร่างกาย จีโนมที่เรามีแต่กำเนิดคือจีโนมที่เรามีตลอดชีวิต ซึ่งถูกคัดลอกอย่างแม่นยำในแต่ละเซลล์ของร่างกาย โปรตีโอมมีการเปลี่ยนแปลงและเปลี่ยนแปลงในช่วงเวลาหลายปี วัน และแม้กระทั่งนาที ดังนั้น โปรตีโอมจึงอยู่ใกล้กับฟีโนไทป์และสภาพสุขภาพมากกว่าจีโนม และดังนั้นจึงให้ข้อมูลที่มีคุณค่ามากกว่าสำหรับการติดตามสุขภาพและการทำความเข้าใจโรค
ที่ Seer เราได้พัฒนาวิธีการใหม่ในการเข้าถึงโปรตีโอมที่ให้ข้อมูลเชิงลึกที่ลึกซึ้งยิ่งขึ้นเกี่ยวกับโปรตีนและโปรตีโอฟอร์มในตัวอย่างที่ซับซ้อน เช่น พลาสมา ซึ่งเป็นตัวอย่างที่สามารถเข้าถึงได้ง่าย แต่จนถึงปัจจุบันการวิเคราะห์โปรตีโอมด้วยวิธีการแมสสเปกโตรเมทรีแบบดั้งเดิมยังคงเป็นความท้าทาย
แพลตฟอร์ม Proteograph ของ Seer คืออะไร และมันให้มุมมองที่ใหม่เกี่ยวกับโปรตีโอมอย่างไร?
แพลตฟอร์ม Proteograph ของ Seer ใช้ประโยชน์จากไลบรารีของนาโนพาร์ติเคิลที่ถูกออกแบบมาเป็นพิเศษ ที่เป็นกรรมสิทธิ์ โดยใช้กระบวนการทำงานที่เรียบง่าย รวดเร็ว และอัตโนมัติ เพื่อให้สามารถสืบค้นโปรตีโอมได้อย่างลึกซึ้งและปรับขนาดได้
แพลตฟอร์ม Proteograph โดดเด่นในการสำรวจพลาสมาและตัวอย่างที่ซับซ้อนที่แสดงช่วงไดนามิกที่กว้างมาก ซึ่งเป็นความแตกต่างหลายอันดับของความอุดมสมบูรณ์ของโปรตีนในตัวอย่าง โดยที่วิธีการแมสสเปกโตรเมทรีแบบดั้งเดิมไม่สามารถตรวจจับโปรตีนที่มีความอุดมสมบูรณ์ต่ำได้ นาโนพาร์ติเคิลของ Seer ได้รับการออกแบบด้วยคุณสมบัติทางกายภาพและเคมีที่ปรับได้ เพื่อรวบรวมโปรตีนทั่วทั้งช่วงไดนามิกโดยไม่เอนเอียง ในตัวอย่างพลาสมาโดยทั่วไป เทคโนโลยีของเราทำให้สามารถตรวจจับโปรตีนได้มากถึง 5-8 เท่าเมื่อเทียบกับการประมวลผลพลาสมาโดยไม่ใช้ Proteograph ในผลลัพธ์ ตั้งแต่การเตรียมตัวอย่าง ผ่านเครื่องมือวิเคราะห์ ไปจนถึงการวิเคราะห์ข้อมูล ชุดผลิตภัณฑ์ Proteograph ของเราช่วยให้นักวิทยาศาสตร์สามารถค้นหาสัญญาณโรคของโปรตีโอมที่อาจไม่สามารถตรวจจับได้โดยอื่น เราชอบที่จะพูดว่าที่ Seer เรากำลังเปิดประตูสู่โปรตีโอมใหม่
นอกจากนี้ เรายังช่วยให้นักวิทยาศาสตร์สามารถทำการศึกษาทางโปรตีโอจีโนมิกส์ขนาดใหญ่ได้อย่างง่ายดาย โปรตีโอจีโนมิกส์คือการรวมข้อมูลจีโนมิกส์กับข้อมูลโปรตีโอมิกส์เพื่อระบุและปริมาณโปรตีนแปรผัน ลิงก์ข้อมูลจีโนมิกส์กับระดับโปรตีน และสุดท้ายเชื่อมโยงจีโนมและโปรตีโอมกับฟีโนไทป์และโรค และเริ่มแยกแยะเส้นทางพันธุกรรมที่เป็นสาเหตุและเส้นทางที่เป็นผลตามมาซึ่งเกี่ยวข้องกับโรค
คุณสามารถพูดถึงเทคโนโลยีการเรียนรู้ของเครื่องจักรที่ใช้ในปัจจุบันที่ Seer Bio ได้หรือไม่?
Seer ใช้การเรียนรู้ของเครื่องจักรในทุกขั้นตอนตั้งแต่การพัฒนาเทคโนโลยีไปจนถึงการวิเคราะห์ข้อมูลที่อยู่ด้านล่าง ซึ่งรวมถึง (1) การออกแบบนาโนพาร์ติเคิลที่เป็นกรรมสิทธิ์ของเรา โดยที่การเรียนรู้ของเครื่องจักรช่วยให้เรากำหนดคุณสมบัติทางกายภาพและเคมี รวมทั้งการผสมผสานนาโนพาร์ติเคิลที่จะเหมาะกับสายผลิตภัณฑ์และการทดสอบเฉพาะ (2) การตรวจจับและปริมาณของเพปไทด์ โปรตีน แปรผัน และโปรตีโอฟอร์มจากข้อมูลที่ได้รับจากเครื่องมือ MS (3) การวิเคราะห์โปรตีโอมิกส์และโปรตีโอจีโนมิกส์ขนาดใหญ่ในกลุ่มประชากร
ปีที่แล้ว เรา ตีพิมพ์บทความใน Advanced Materials โดยรวมวิธีการโปรตีโอมิกส์ วิศวกรรมนาโน และการเรียนรู้ของเครื่องจักรเพื่อปรับปรุงความเข้าใจของเราเกี่ยวกับกลไกการก่อตัวของโปรตีนคอร์โอนา ซึ่งเปิดเผยปฏิสัมพันธ์ระหว่างวัสดุนาโนกับระบบชีวภาพและให้ข้อมูลแก่ Seer ในการสร้างนาโนพาร์ติเคิลและผลิตภัณฑ์ที่ดีขึ้นในอนาคต
นอกเหนือจากการพัฒนานาโนพาร์ติเคิลแล้ว เรากำลังพัฒนา อัลกอริทึมใหม่ๆ เพื่อระบุเพปไทด์แปรผันและการดัดแปลงหลังการแปล (PTMs) เราได้พัฒนาวิธีการ การตรวจหาตำแหน่งยีนที่สัมพันธ์กับลักษณะเชิงปริมาณของโปรตีน (pQTLs) ที่ทนทานต่อโปรตีนแปรผัน ซึ่งเป็นปัจจัยที่ทำให้เกิดความสับสนในการวิเคราะห์โปรตีโอมิกส์ที่อาศัยความจำเพาะในการจับ เรากำลังขยายงานนี้เพื่อระบุเพปไทด์เหล่านี้โดยตรงจากสเปกตรัมดั้งเดิมโดยใช้วิธีการหาลำดับแบบ de novo ที่ใช้การเรียนรู้ลึกเพื่อให้สามารถค้นหาได้โดยไม่ต้องเพิ่มขนาดของห้องสมุดสเปกตรัม
ทีมงานของเรากำลังพัฒนาแนวทางในการช่วยให้นักวิทยาศาสตร์ที่ไม่มีประสบการณ์ในการเรียนรู้ของเครื่องจักรสามารถปรับและใช้แบบจำลองการเรียนรู้ของเครื่องจักรได้อย่างเหมาะสมในการทำงานค้นพบของพวกเขา โดยใช้เฟรมเวิร์ก Seer ML ที่อิงจาก AutoML ซึ่งช่วยให้สามารถปรับไฮเปอร์พารามิเตอร์ได้อย่างมีประสิทธิภาพผ่านการปรับแบบเบย์
สุดท้าย เรากำลังพัฒนาแนวทางในการลดผลของความแตกต่างระหว่างแบตช์และเพิ่มความแม่นยำเชิงปริมาณของการวัดผลจากเครื่องมือ MS โดยการสร้างแบบจำลองค่าปริมาณที่วัดได้เพื่อเพิ่มค่าที่คาดหวัง เช่น ความสัมพันธ์ของค่าความเข้มสัญญาณระหว่างเพปไทด์ภายในกลุ่มโปรตีน
อาการหลอนของโมเดลเป็นปัญหาที่พบบ่อยใน 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 มีแนวโน้มที่จะสร้างข้อมูลขึ้นเองและสร้างเรื่องราวเกี่ยวกับการเกิดของเธอ ในทำนองเดียวกัน เมื่อถูกถามคำถามที่ LLMs ไม่สามารถตอบได้หรือไม่มีคำตอบที่ถูกต้อง LLMs มีแนวโน้มที่จะสร้างข้อมูลขึ้นเองและตอบด้วยความมั่นใจ ซึ่งเป็นปัญหาที่ชัดเจนสำหรับการใช้งานที่จริงจัง เช่น “วิธีการรักษาโรคมะเร็งชนิดใดชนิดหนึ่ง”
ยังไม่มีวิธีแก้ปัญหาแบบสมบูรณ์สำหรับอาการหลอนของโมเดล พวกมันเป็นส่วนหนึ่งของการออกแบบ LLMs วิธีแก้ปัญหาเพียงบางส่วน คือการให้คำสั่งที่เหมาะสม เช่น การบอก LLMs ให้ “คิดอย่างรอบคอบและขั้นตอนต่อขั้นตอน” ซึ่งจะเพิ่มโอกาสที่ LLMs จะไม่สร้างเรื่องราวขึ้นมา วิธีการที่ซับซ้อนกว่าคือการใช้กราฟความรู้ ซึ่งเป็นข้อมูลที่มีโครงสร้าง โดยที่เอนทิตี้ในกราฟความรู้เชื่อมโยงกับเอนทิตี้อื่นๆ ในลักษณะที่กำหนดไว้ล่วงหน้า การสร้างกราฟความรู้สำหรับโดเมนใดโดเมนหนึ่งเป็นงานที่ท้าทาย แต่สามารถทำได้ด้วยวิธีการอัตโนมัติและวิธีการทางสถิติและคัดเลือก LLMs สามารถตรวจสอบข้อความที่พวกมันสร้างขึ้นเทียบกับกราฟความรู้และถูกจำกัดไม่ให้สร้างข้อความที่ขัดแย้งหรือไม่ได้รับการสนับสนุนจากกราฟความรู้
เนื่องจากปัญหาหลักของอาการหลอนของโมเดลและอาจเป็นเพราะการขาดความสามารถในการให้เหตุผลและตัดสินใจ LLMs ในปัจจุบันมีประสิทธิภาพในการดึงข้อมูลเชื่อมโยงและสรุปข้อมูล แต่ไม่สามารถแทนที่ผู้เชี่ยวชาญในด้านการแพทย์หรือคำปรึกษาทางกฎหมายได้ แต่พวกเขาสามารถเพิ่มประสิทธิภาพและความสามารถของผู้เชี่ยวชาญในด้านเหล่านี้ได้อย่างมาก
คุณสามารถแบ่งปันวิสัยทัศน์ของคุณสำหรับอนาคตที่ชีววิทยาจะถูกกำหนดโดยข้อมูลมากกว่าสมมติฐาน?
แนวทางแบบสมมติฐานที่นักวิจัยค้นหาลักษณะการเปลี่ยนแปลง พัฒนาแนวคิด และทดสอบพวกมันผ่านการทดลองหรือการศึกษา และจากนั้นปรับปรุงแนวคิดตามข้อมูลที่ได้รับ กำลังถูกแทนที่ด้วยพาราไดม์ใหม่ที่อาศัยข้อมูล
ในพาราไดม์นี้ นักวิจัยเริ่มต้นด้วยการสร้างข้อมูลขนาดใหญ่โดยไม่มีสมมติฐาน จากนั้นฝึกแบบจำลองการเรียนรู้ของเครื่องจักรด้วยวัตถุประสงค์ในการสร้างข้อมูลที่ซ่อนอยู่ได้อย่างแม่นยำ ประสิทธิภาพการถดถอยที่ดี หรือการจำแนกประเภทในงานที่อยู่ด้านล่าง เมื่อแบบจำลองการเรียนรู้ของเครื่องจักรสามารถทำนายข้อมูลได้อย่างแม่นยำ และบรรลุความเที่ยงเท่ากับความคล้ายคลึงระหว่างการทำซ้ำทดลอง นักวิจัยสามารถสืบค้นแบบจำลองเพื่อทำความเข้าใจเกี่ยวกับระบบทางชีววิทยาและค้นหาความเข้าใจพื้นฐานของชีววิทยาที่ซ่อนอยู่ LLMs กำลังพิสูจน์ให้เห็นว่าพวกมันสามารถสร้างแบบจำลองข้อมูลทางชีววิทยาที่ซับซ้อนได้ดี และพร้อมที่จะขับเคลื่อนการเปลี่ยนแปลงจากแนวทางแบบสมมติฐานไปสู่การค้นพบทางชีววิทยาที่ขับเคลื่อนด้วยข้อมูล
การเปลี่ยนแปลงนี้จะกลายเป็นเรื่องที่ชัดเจนมากขึ้นในช่วง 10 ปีข้างหน้า และจะทำให้สามารถสร้างแบบจำลองระบบทางชีววิทยาที่มีความแม่นยำสูงได้ ซึ่งจะเกินความสามารถของมนุษย์
ผลกระทบที่อาจเกิดขึ้นสำหรับการวินิจฉัยโรคและการค้นพบยาใหม่คืออะไร?
ฉันเชื่อว่า LLM และ AI เชิงกำเนิดจะนำไปสู่การเปลี่ยนแปลงที่สำคัญในอุตสาหกรรมวิทยาศาสตร์แห่งชีวิต หนึ่งในด้านที่จะได้รับประโยชน์มากที่สุดจาก LLMs คือการวินิจฉัยทางคลินิก โดยเฉพาะโรคหายากที่วินิจฉัยได้ยากและชนิดย่อยของมะเร็ง เราสามารถใช้ข้อมูลผู้ป่วยที่ครอบคลุมจำนวนมหาศาล ตั้งแต่โปรไฟล์จีโนม การตอบสนองต่อการรักษา เวชระเบียน ไปจนถึงประวัติครอบครัว เพื่อให้วินิจฉัยได้แม่นยำและทันท่วงที หากเราสามารถรวบรวมข้อมูลเหล่านี้ให้เข้าถึงได้ง่ายและไม่ถูกปิดกั้นโดยองค์กรสุขภาพแต่ละแห่ง เราสามารถปรับปรุงความแม่นยำในการวินิจฉัยได้อย่างมาก นี่ไม่ได้หมายความว่าแบบจำลองการเรียนรู้ของเครื่องจักร รวมถึง LLMs จะสามารถทำงานอิสระในการวินิจฉัยได้ เนื่องจากข้อจำกัดทางเทคนิค ในอนาคตอันใกล้พวกมันจะไม่สามารถทำงานอย่างอิสระได้ แต่จะช่วยเสริมความสามารถของผู้เชี่ยวชาญในการให้การวินิจฉัยที่มีข้อมูลครบถ้วนและแม่นยำได้ภายในเวลาที่สั้นกว่าที่เป็นอยู่ในปัจจุบัน และจะช่วยให้สามารถบันทึกและถ่ายทอดการวินิจฉัยเหล่านั้นให้กับผู้ป่วยและเครือข่ายผู้ให้บริการสุขภาพที่เชื่อมโยงกันผ่านระบบการเรียนรู้ของเครื่องจักร
อุตสาหกรรมกำลังใช้การเรียนรู้ของเครื่องจักรในการค้นพบและพัฒนายาแล้ว โดยเน้นถึงความสามารถในการลดต้นทุนและระยะเวลาเมื่อเทียบกับพาราไดม์แบบดั้งเดิม LLMs เพิ่มเครื่องมือที่มีประโยชน์ให้กับกล่องเครื่องมือ โดยให้โครงสร้างที่ดีเยี่ยมสำหรับการสร้างแบบจำลองข้อมูลทางชีววิทยาที่มีขนาดใหญ่ รวมถึงจีโนม โปรตีโอม 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












