จินฮัน คิม ซีอีโอของ Standigm – ซีรีส์สัมภาษณ์

จินฮัน คิม เป็นซีอีโอของ Standigm บริษัทที่พัฒนาเวิร์กโฟลว์ AI สำหรับการค้นพบยา

ตั้งแต่การระบุเป้าหมายที่กำหนดเองไปจนถึงการสร้างสารนำ การใช้แพลตฟอร์มเวิร์กโฟลว์ AI ของ Standigm ช่วยให้ได้ข้อมูลเชิงลึกสำหรับการพัฒนายาที่มีคุณค่าทางการค้าจากโครงการภายในบริษัทและโครงการร่วมกับพันธมิตร

คุณเริ่มเขียนโค้ดเมื่อคุณอยู่ชั้นประถมศึกษาปีที่ 6 คุณสามารถแบ่งปันว่าคุณสนใจและเริ่มทำงานกับอะไรได้บ้าง?

ใช่ คือ Apple (AAPL ) II Plus นั่นคือสิ่งที่ทำให้ฉันเปลี่ยนจากคนอ่านหนังสือเป็นคนสร้างสรรค์ ฉันเริ่มเขียนโปรแกรมโดยเริ่มจากภาษาซี จากความอยากรู้อยากเห็นเกี่ยวกับหลักการและทฤษฎีของคอมพิวเตอร์ของฉัน จากนั้นฉันก็กลายเป็นผู้เรียนรู้ตลอดชีวิตในด้านเทคโนโลยี

อะไรทำให้คุณสนใจการเรียนรู้ของเครื่อง (Machine Learning) ในตอนแรก?

ฉันจบการศึกษาด้านเคมีประยุกต์และปัญญาประดิษฐ์ที่มหาวิทยาลัยเอดินบะระภายใต้การดูแลของ Geoffrey Hinton ซึ่งเป็นนักวิทยาศาสตร์ประสาทและนักวิทยาศาสตร์คอมพิวเตอร์ที่สร้างการเรียนรู้ลึก (Deep Learning) ขึ้น Hinton ทำงานเกี่ยวกับเครือข่ายประสาทเทียมและออกแบบเครื่องจักรอัจฉริยะอิสระ และต่อมาได้พัฒนาแอลกอริทึมการเรียนรู้ของเครื่องจักร Google (GOOGL ) ได้จ้างเขาเมื่อสิบปีที่แล้วเพื่อสร้าง AI ของตนเอง และส่วนที่เหลือคือประวัติศาสตร์

คุณเริ่มเข้าสู่จุดตัดกันของชีววิทยาและการเรียนรู้ของเครื่องเมื่อไหร่?

ฉันเคยทำงานที่สถาบันเทคโนโลยีขั้นสูงของ Samsung โดยที่ฉันพัฒนาแอลกอริทึม ฉันพัฒนาเครื่องมือสำหรับการซ่อมแซมความเสียหายของ DNA ฉันต้องการที่จะทำงานในด้านชีววิทยาและแก้ปัญหาที่ยากที่สุดในการกำหนดเป้าหมาย ทั้งร่างกายมนุษย์และคอมพิวเตอร์ที่คิดเหมือนมนุษย์เป็นสิ่งที่ซับซ้อนมาก และคุณต้องทำงานเพื่อเข้าใจสิ่งหนึ่งเพื่อเข้าใจอีกสิ่งหนึ่ง ระบบ AI สามารถค้นหาและประมวลผลข้อมูลทางวิทยาศาสตร์ที่เผยแพร่มาหลายทศวรรษจากทั่วโลก และสามารถประมวลผลความซับซ้อนของร่างกายมนุษย์ได้อย่างรวดเร็วและเข้าใจรูปแบบของกลไกชีวภาพได้อย่างชัดเจน มันง่ายที่จะเห็นว่าชีววิทยาและการเรียนรู้ของเครื่องไปด้วยกัน

คุณสามารถแบ่งปันเรื่องราวการก่อตั้ง Standigm ได้บ้าง?

งานของฉันในด้านสุขภาพและวิทยาศาสตร์ทำให้ฉันเห็นปัญหาที่ใหญ่ในด้านการค้นพบยาที่เป็นแบบดั้งเดิม: เวลาและเงินที่ใช้ในการสำรวจบทความวิจัยทางวิทยาศาสตร์ การทดลองคัดกรอง หรือเบาะแสที่เป็นจุดเริ่มต้นของการพัฒนายาใหม่ที่มีศักยภาพ นักวิทยาศาสตร์มนุษย์ทำการวิจัยอย่างเข้มข้นนี้ ฉันและเพื่อนร่วมงานสองคนจาก Samsung คือ Sang Ok Song และ So Jeong Yun เห็นโอกาสที่จะเปลี่ยนงานจากมนุษย์ไปสู่เครื่องจักรอัจฉริยะและออกแบบเวิร์กโฟลว์ใหม่ นอกจากนี้ ฉันไม่ต้องการทำงานเพื่อเงินเดือน แต่ต้องการทำงานเพื่อตัวเอง เพื่อนำวิธีการค้นพบยามาสู่มาตรฐานใหม่ ซึ่งเป็นจุดเริ่มต้นของงานและชื่อ “Standigm” บริษัทที่เราสามคนร่วมก่อตั้ง โมเดลการเรียนรู้ของเครื่องจักรของเรามีความแม่นยำสูง และเทคโนโลยี AI ของเรามี ROI สูงสุด

ปัญหาความเป็นไปได้ในการสังเคราะห์ (Synthetic Accessibility) คืออะไร และ Standigm แก้ปัญหานี้อย่างไร?

โมเดลเชิงกำเนิดสามารถออกแบบโครงสร้างโมเลกุลใหม่ ๆ โดยไม่ต้องอาศัยความช่วยเหลือจากนักเคมีทางยาที่ผ่านการฝึกฝนมาอย่างดี ซึ่งเป็นเหตุผลหลักที่ชุมชนการค้นพบยาตื่นเต้นกับเทคโนโลยีนี้ อย่างไรก็ตาม อุปสรรคที่สูงที่สุดคือความแตกต่างในความเร็วระหว่างการออกแบบโมเลกุลและการสังเคราะห์ทางทดลอง โดยที่การออกแบบล้านๆ โมเลกุลใช้เวลาเพียงไม่กี่ชั่วโมง แต่การสังเคราะห์โมเลกุลเพียง 10 โมเลกุลใช้เวลาหลายสัปดาห์หรือหลายเดือน เนื่องจากผู้เชี่ยวชาญจะสังเคราะห์สารประกอบที่ออกแบบไว้เพียงส่วนน้อยมาก จึงจำเป็นต้องมีวิธีประเมินคุณสมบัติของโมเลกุลที่ดี

โมเดล AI รุ่นแรกๆ เป็นแบบหยาบและนักเคมีสังเคราะห์ปฏิเสธโมเลกุลที่ออกแบบโดย AI เนื่องจากความยากของแผนการสังเคราะห์ บางบริษัท CRO ถึงขั้นปฏิเสธที่จะเตรียมข้อเสนอสำหรับชุดงานสังเคราะห์ดังกล่าว

Standigm ได้ทำงานในเรื่องนี้โดยจ้างนักเคมีทางยาที่มีประสบการณ์และนำความเชี่ยวชาญของพวกเขามาเสริมโมเดลเชิงกำเนิด เพื่อให้สามารถออกแบบโมเลกุลที่ไม่สามารถแยกแยะจากโมเลกุลที่ออกแบบโดยผู้เชี่ยวชาญที่เป็นมนุษย์ได้ Standigm มีโมเดลเชิงกำเนิดหลายแบบสำหรับขั้นตอนต่าง ๆ ของการค้นพบยา ได้แก่ การระบุสารที่ให้ผลเบื้องต้น (hit identification) การพัฒนาจากสาร hit ไปเป็นสารตั้งต้นสำหรับพัฒนายา (hit-to-lead) และการปรับปรุงสารตั้งต้นดังกล่าว (lead optimization) โมเดลเหล่านี้แสดงถึงความสำคัญของการมีความเชี่ยวชาญที่หลากหลายสำหรับบริษัทการค้นพบยาที่ใช้ AI โดยที่ประสบการณ์และความเชี่ยวชาญของมนุษย์ส่วนใหญ่จะถูกนำมาใช้เพื่อปรับปรุงโมเดล AI และสร้างเวิร์กโฟลว์ที่ดีที่สุด แทนที่จะใช้ความเชี่ยวชาญนั้นกับแต่ละโครงการโดยตรง

คุณสามารถอธิบายเกี่ยวกับประเภทของแอลกอริทึมที่ Standigm ใช้เพื่ออำนวยความสะดวกในการค้นพบยาทางการแพทย์ได้บ้าง?

โดยปกติแล้ว เราจะเริ่มโครงการการสำรวจโดยการจัดลำดับความสำคัญของโปรตีนเป้าหมายที่มีแนวโน้มและใหม่ๆ โดยใช้ Standigm ASK แพลตฟอร์มชีววิทยาของเรามีแอลกอริทึมที่แตกต่างกันเพื่อฝึกโมเดลบนเครือข่ายชีววิทยาขนาดใหญ่ ใช้ข้อมูลโอมิกส์หลายประเภทที่ไม่มีอคติ และนำบริบทเฉพาะของระบบชีววิทยามาร่วมพิจารณา และอื่นๆ การเลือกโปรตีนเป้าหมายที่ถูกต้องเป็นหนึ่งในประเด็นสำคัญที่สุดในการค้นพบยา Standigm ASK ช่วยให้ ผู้เชี่ยวชาญด้านโรคมีสมมติฐานหลายประการเกี่ยวกับกลไกการทำงาน (MOA)

เพื่อให้ได้สิทธิบัตรที่มีขอบเขตการคุ้มครองกว้าง Standigm BEST ทำงานหลายอย่าง ได้แก่ เสนอสาร hit สำหรับการสำรวจอย่างมีประสิทธิภาพ เปลี่ยนแกนโครงสร้างโมเลกุล (scaffold hopping) โดยพิจารณาความเป็นไปได้ในการสังเคราะห์และความใหม่ และใช้โมเดลทำนายความเหมาะสมในการพัฒนาเป็นยา เช่น ฤทธิ์ทางชีวภาพ คุณสมบัติ ADME/Tox และคุณสมบัติทางเคมีกายภาพ งานย่อยที่เกี่ยวข้องได้แก่ปฏิสัมพันธ์ระหว่างยากับเป้าหมาย (DTI) การจำลองโมเลกุลด้วยความช่วยเหลือของ AI การทำนายความจำเพาะในการออกฤทธิ์ และการปรับให้เหมาะสมพร้อมกันหลายพารามิเตอร์

โดยเฉลี่ยแล้ว Standigm ช่วยประหยัดเวลาในการสร้างสารประกอบใหม่ๆ เท่าใด เมื่อเทียบกับกระบวนการค้นพบยาที่เป็นแบบดั้งเดิม?

นักวิจัยของ Standigm ได้สังเคราะห์โมเลกุลใหม่ๆ หลายร้อยโมเลกุลสำหรับโครงการต่างๆ ซึ่งหลายโมเลกุลได้รับการจัดเป็นสาร hit และสาร lead ตามบริบทที่แตกต่างกัน โดยการนำโมเดล AI และทรัพยากรเชิงพาณิชย์มาใช้ Standigm ได้ลดเวลาในการสร้างสารประกอบใหม่ๆ ในรอบแรกจากหกเดือนลงเหลือสองเดือนโดยเฉลี่ยสำหรับโครงการส่วนใหญ่ ตอนนี้ การตัดสินใจครั้งแรกว่าจะเดินหน้าโครงการต่อหรือยุติ (go/no-go)สามารถทำได้ภายในเจ็ดเดือนโดยเฉลี่ย แทนที่จะเป็นสามหรือสี่ปี

คุณสามารถแบ่งปันเรื่องราวความสำเร็จของ Standigm สำหรับการค้นพบยาที่มีศักยภาพในการค้าได้บ้าง?

โดยใช้ Standigm Insight ซึ่งมีพื้นฐานทางเทคนิคเหมือนกับ Standigm ASK เราพบโมเลกุลยาที่สามารถใช้สำหรับโรคเด็กที่หายากได้ ซึ่งได้รับการยืนยันจากนักวิทยาศาสตร์จากหนึ่งในโรงพยาบาลเด็กชั้นนำของสหรัฐอเมริกา กรณีนี้แสดงให้เห็นว่าเทคโนโลยี AI สามารถช่วยในการค้นพบยาสำหรับโรคที่หายาก ซึ่งเป็นงานที่ยากสำหรับบริษัทใดๆ เนื่องจากต้องการมูลค่าทางการค้ามากขึ้น โดยเฉพาะอย่างยิ่งในช่วงเศรษฐกิจถดถอย เมื่อบริษัทเภสัชกรรมพยายามดำเนินงานอย่างระมัดระวังมากขึ้น AI สามารถส่งเสริมการวิจัยและพัฒนาในด้านโรคที่หายากและถูกละเลย

คุณมองอนาคตของการเรียนรู้เชิงลึกและ Generative AI ในด้านสุขภาพอย่างไร?

ความสำเร็จของเทคโนโลยี AI ขึ้นอยู่กับการมีข้อมูลที่มีคุณภาพสูง ย่อมมีการแข่งขันสูงเพื่อให้ได้ข้อมูลคุณภาพสูงจำนวนมากในภาคสุขภาพ หากมองเฉพาะการค้นพบยาในระยะเริ่มต้น ข้อมูลเคมีและชีววิทยามีต้นทุนสูง และต้องใช้เวลานานกว่าจะได้ข้อมูลที่มีคุณภาพสูง ดังนั้น ห้องปฏิบัติการอัตโนมัติจะเป็นอนาคตของด้านการค้นพบยาที่ใช้ AI เนื่องจากสามารถลดต้นทุนของข้อมูลที่มีคุณภาพสูง ซึ่งเป็นเชื้อเพลิงสำหรับเทคโนโลยี AI เรากำลังผลักดันให้แพลตฟอร์มเทคโนโลยีของเราไปสู่ระดับถัดไป เพื่อให้ Standigm ASK สามารถให้หลักฐานที่ชัดเจนยิ่งขึ้น ตั้งแต่ข้อมูลที่ได้จากผู้ป่วยไปจนถึงชีววิทยาโมเลกุล และเพื่อให้โมเดล AI ของ Standigm BEST มีความก้าวหน้าระดับแนวหน้า ด้วยการป้อนข้อมูลคุณภาพสูงจากห้องปฏิบัติการอัตโนมัติภายในบริษัทและผู้ร่วมงาน

คุณมีอะไรที่ต้องการแบ่งปันเกี่ยวกับ Standigm อีกหรือไม่?

ด้วยความสมดุลของความเชี่ยวชาญที่แตกต่างกันซึ่งเป็นสิ่งสำคัญสำหรับ Standigm ความสมดุลของเชื้อชาติยังเป็นสิ่งสำคัญอีกด้วย เราได้ขยายการมีอยู่ของเราในระดับโลกโดยการก่อตั้งสำนักงานใน U.K. (Cambridge) และ U.S. (Cambridge, MA) เพื่อขยายเครือข่ายและเปลี่ยน Standigm ให้เป็นบริษัทที่มีความเป็นนานาชาติมากขึ้น

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมสามารถเยี่ยมชม Standigm ได้