จอห์น บีลเลอร์, Ph.D., SVP ของการพัฒนาองค์กร, BPGbio – สัมภาษณ์ซีรีส์

John Beeler, Ph.D. รองประธานอาวุโสฝ่ายพัฒนาธุรกิจของ BPGbio มีประสบการณ์ด้านเทคโนโลยีชีวภาพและการพัฒนาธุรกิจกว่าสองทศวรรษ รวมถึงความเชี่ยวชาญด้านยารูปแบบใหม่ ก่อนร่วมงานกับ BPGbio เขาเป็นผู้นำฝ่ายค้นหาและประเมินโอกาสทางธุรกิจของ Bristol-Myers Squibb (BMY ) โดยมีบทบาทสำคัญในการค้นหาและประเมินโอกาสการอนุญาตใช้สิทธิและพันธมิตรเชิงกลยุทธ์

BPGbio เป็นบริษัทชีวเภสัชภัณฑ์ระยะคลินิกที่ใช้ AI โดยเริ่มจากชีววิทยา มุ่งเน้นชีววิทยาไมโทคอนเดรียและภาวะสมดุลของโปรตีน บริษัทมีผลิตภัณฑ์ยาที่ AI ช่วยพัฒนาครอบคลุมมะเร็งวิทยา โรคหายาก และประสาทวิทยา หลายโครงการอยู่ในการทดลองระยะท้าย แนวทางนี้ขับเคลื่อนด้วย NAi หรือ Interrogative Biology Platform ซึ่งได้รับการคุ้มครองด้วยสิทธิบัตรสหรัฐฯ และนานาชาติกว่า 400 ฉบับ ใช้คลังชีวภาพระยะยาวที่มีคำอธิบายทางคลินิกขนาดใหญ่ที่สุดแห่งหนึ่งนอกภาครัฐ และเข้าถึงซูเปอร์คอมพิวเตอร์ที่ทรงพลังที่สุดในโลกโดยเฉพาะ

อะไรเป็นแรงบันดาลใจให้สร้าง NAi Interrogative Biology® และแพลตฟอร์มนี้ทำให้ BPGbio แตกต่างจากบริษัทชีวเภสัชภัณฑ์ที่ใช้ AI อื่นอย่างไร

นับตั้งแต่เข้าร่วม BPGbio ผมประทับใจกับความลึกของนวัตกรรมและวิสัยทัศน์ระยะยาวที่อยู่เบื้องหลัง NAi ผมประเมินแพลตฟอร์มมามากตลอดสองทศวรรษ และ NAi โดดเด่นเพราะเริ่มต้นจากชีววิทยาและวิเคราะห์ข้อมูลเชิงลึกมาก BPGbio เป็นผู้บุกเบิก AI เพื่อค้นหายามานานกว่า 15 ปี โดยรวมข้อมูล multi-omics ที่เป็นกรรมสิทธิ์กับคลังตัวอย่างผู้ป่วยหลายแสนรายการซึ่งมีข้อมูลทางคลินิกตามเวลา เราใช้ causal Bayesian AI แทนการพึ่งโมเดลสร้างสรรค์หรือชุดข้อมูลสาธารณะเพียงอย่างเดียว จึงค้นพบข้อมูลเชิงชีววิทยาที่ใช้ได้แทบทุกช่วงของการค้นหาและพัฒนายา ตั้งแต่เลือกเป้าหมาย ออกแบบการทดลอง ทำความเข้าใจผล ไปจนถึงปรับวิธีรักษา ปัจจุบันเรามีการทดลองระยะ 2 สำหรับมะเร็งรุนแรงสองโครงการ หลายโครงการพร้อมเข้าสู่ระยะ 3 และเป้าหมายกับไบโอมาร์กเกอร์ใหม่มากกว่าหนึ่งร้อยรายการ

แนวทางที่เริ่มจากชีววิทยาช่วยเร่งและลดความเสี่ยงของการค้นพบยาอย่างไร

การพัฒนายามีอัตราสำเร็จจนได้รับอนุมัติจาก FDA เพียงประมาณ 10% สิ่งสำคัญจึงไม่ใช่จำนวนหรือความเร็วในการพบเป้าหมาย แต่คือคุณภาพ การใช้ AI กับข้อมูลสาธารณะแบบเดิมไม่ได้รับประกันผลการทดลองที่ดีขึ้น เราจึงเน้นคุณภาพ ความลึก ความแม่นยำ ความครอบคลุม และปริมาณของข้อมูลที่ป้อนให้โมเดล นอกจากจีโนมและทรานสคริปโตม เรายังวิเคราะห์โปรตีโอม ลิพิโดม และเมแทบอโลมในระดับอวัยวะ เนื้อเยื่อ เซลล์ และออร์แกเนลล์ โมเดลเชิงสาเหตุช่วยค้นหารากของโรค แล้วนักวิทยาศาสตร์กลับไปยืนยันในห้องปฏิบัติการก่อนการทดลองคลินิก วงจรปิดนี้ลดความไม่แน่นอนและสร้างความมั่นใจแก่พันธมิตรตั้งแต่ต้น

การรวม AI กับ Frontier ซูเปอร์คอมพิวเตอร์ที่เร็วที่สุดในโลก ช่วยวิเคราะห์ข้อมูลผู้ป่วยและหาเป้าหมายยาอย่างไร

ผ่านความร่วมมือกับกระทรวงพลังงานสหรัฐฯ เราเข้าถึง Frontier ที่ Oak Ridge National Laboratory โดยเฉพาะ เครื่องทำการคำนวณได้ 1.35 quintillion ครั้งต่อวินาที จึงค้นหารูปแบบ ความสัมพันธ์ เหตุและผล และข้อมูลที่นำไปปฏิบัติได้จากชุดข้อมูลมหาศาลในเวลาไม่กี่ชั่วโมงแทนหลายเดือน ช่วงโควิด เราวิเคราะห์เวชระเบียนและข้อมูลคลินิกของผู้ป่วย 280,000 ราย พบปัจจัยเสี่ยงทางพันธุกรรมเฉพาะกลุ่มชาติพันธุ์ และคัดกรองวัสดุ 1.2 พันล้านชนิดเพื่อค้นหาการรักษาที่เป็นไปได้ภายในไม่กี่ชั่วโมง ความสามารถนี้เร่งทั้งการสร้างพันธมิตร การทดลองคลินิก และประโยชน์ต่อผู้ป่วย

NAi พบอะไรในโครงการ glioblastoma และมะเร็งตับอ่อน และส่งผลต่อการทดลองอย่างไร

BPGbio กำลังทำการทดลองระยะ 2b ใน glioblastoma และเสร็จสิ้นระยะ 2a ในมะเร็งตับอ่อนด้วย BPM31510 แพลตฟอร์ม NAi ชี้ว่ามะเร็งก้อนแข็งรุนแรงส่วนใหญ่เกี่ยวข้องกับความผิดปกติของไมโทคอนเดรียในสภาพแวดล้อมเนื้องอก BPM31510 เป็นนาโนดิสเพอร์ชันที่มี ubidecarenone และออกฤทธิ์ผ่านกลไกไมโทคอนเดรียซึ่งกระตุ้นการตายของเซลล์มะเร็งอย่างมีการควบคุม ผลการศึกษาระยะ 1 แบบเปิดในผู้ป่วย 128 รายยืนยันข้อมูลเชิงลึกจาก NAi จากนั้นแพลตฟอร์มช่วยปรับขนาดยา เวลา และการคัดเลือกผู้ป่วย การทดลอง glioblastoma กำลังรับสมัครและคาดว่าจะรายงานผลระยะ 2 ภายในปีนี้

โรคหายากอย่าง primary CoQ10 deficiency และ epidermolysis bullosa มีความท้าทายและโอกาสอะไร

โรคหายากในเด็กมักไม่มีการรักษาที่มีประสิทธิผล ผู้ป่วยมีอายุขัยสั้น และการรับสมัครทดลอง การกำกับดูแล และการพัฒนายาทำได้ยาก BPM31510 ได้รับสถานะจาก FDA หลายรายการ รวมถึง Orphan Drug และ Rare Pediatric Disease สำหรับทั้ง primary CoQ10 deficiency และ epidermolysis bullosa (EB) ซึ่งสะท้อนศักยภาพทางคลินิกและอาจนำไปสู่บัตรเร่งการพิจารณาหลังอนุมัติ เรากำลังวางแผนการทดลองระยะ 3 สำหรับ primary CoQ10 deficiency และมองหาพันธมิตรเพื่อเดินหน้าโครงการ EB รวมถึงสูตรยาทา

Bayesian AI ช่วยระบุเป้าหมายยาและไบโอมาร์กเกอร์ใหม่อย่างไร

Bayesian AI ทำให้เราก้าวจากการพบเพียงความสัมพันธ์ไปสู่เหตุและผลของโรค มันจำลองความไม่แน่นอน คำนึงถึงความแปรผันของข้อมูล และสร้างการคาดการณ์ที่ทนทาน เมื่อนำข้อมูล multi-omics ระยะยาวมารวมกับข้อมูลคลินิก โมเดลจะพบกลไกการดำเนินโรคและจุดแทรกแซงที่เหมาะสม ทำให้การค้นพบแม่นยำและการพัฒนาช่วงต่อมาคาดการณ์ได้ดีขึ้น การรู้ว่าควรกำหนดเป้าหมายอะไรและเหตุใดจึงสำคัญทางชีววิทยา ช่วยจัดลำดับโครงการ ออกแบบการทดลอง และสร้างความเชื่อมั่นของพันธมิตร

NAi เอาชนะความยากในการกำหนดเป้าหมายโปรตีนที่เคยถือว่า “รักษาด้วยยาไม่ได้” ผ่านเอนไซม์ E2 อย่างไร

โครงการ targeted protein degradation (TPD) ที่ใช้ E2 เป็นหนึ่งในงานที่ใหม่ที่สุดของเรา วิธีดั้งเดิมพึ่ง E3 ligases ซึ่งจำกัดขอบเขตเป้าหมายและอาจก่อการดื้อยา แนวทางของเราใช้คอมเพล็กซ์เอนไซม์ E2 ที่ผ่านการดัดแปลงหลังการแปลรหัสและค้นพบด้วย NAi เพื่อขยายกลุ่มโปรตีนที่ยาเข้าถึงได้ วิธี first-in-class นี้ได้รับความสนใจจากอุตสาหกรรมยาและเทคโนโลยีชีวภาพ และกำลังประยุกต์ใช้กับมะเร็ง ประสาทวิทยา และโรคหายาก

BPGbio สมดุลข้อมูลจาก AI กับการกำกับดูแลของมนุษย์อย่างไร

เรามอง AI เป็นเครื่องมือทรงพลัง ไม่ใช่สิ่งทดแทนความเชี่ยวชาญของมนุษย์ ข้อมูลเชิงลึกตั้งอยู่บนข้อมูลชีวภาพคุณภาพสูงและได้รับการตรวจสอบข้ามอย่างต่อเนื่องโดยนักชีววิทยา แพทย์ และนักวิทยาศาสตร์ข้อมูล ทุกผลลัพธ์จึงถูกตีความในบริบททางชีววิทยาและคลินิก การรวมความเร็วและขนาดของ AI กับวิจารณญาณทางวิทยาศาสตร์เป็นเหตุผลสำคัญที่เรามีอัตราความสำเร็จในการทดลองสูง

ไบโอมาร์กเกอร์ที่ AI ค้นพบจะเปลี่ยนการวินิจฉัยระยะแรกของโรคอย่าง Parkinson’s ได้อย่างไร

NAi สำรวจชีววิทยาได้ทั้งกว้างและลึก เป้าหมายเพื่อการรักษาจึงมักใช้วินิจฉัยได้ด้วย ในโรค Parkinson’s เราสร้างแบบจำลองชีววิทยาระบบจากตัวอย่างผู้ป่วยเกือบ 400 รายของ Parkinson’s Institute และพบ N-acetylputrescine (NAP) เป็นไบโอมาร์กเกอร์ในเลือดชนิดใหม่ เราตรวจสอบผ่านแผงวินิจฉัยที่รับรอง CLIA งานวิจัยแสดงว่าเมื่อรวมกับอาการ เช่น การสูญเสียการรับกลิ่นและความผิดปกติของการนอน REM ความแม่นยำในการวินิจฉัยและประเมินความเสี่ยงระยะแรกดีขึ้นอย่างมีนัยสำคัญ จึงอาจช่วยให้รักษาเร็วขึ้นและปรับผลลัพธ์ของผู้ป่วย

BPGbio จะมีบทบาทอย่างไรต่ออนาคตของ precision medicine

ไม่มีการรักษาแบบเดียวที่เหมาะกับทุกคน AI ที่เริ่มจากชีววิทยาสามารถค้นพบข้อมูลสำหรับแบ่งชนิดผู้ป่วย ปรับการออกแบบทดลอง การจัดกลุ่มผู้ป่วย และอัตราความสำเร็จของการรักษา ทำให้พัฒนาการวินิจฉัยและการรักษาโรคหายากหรือซับซ้อนได้มีประสิทธิภาพขึ้น เมื่อใช้ AI ตรวจสอบข้อมูลชีวภาพและแบบจำลองเชิงแปลอย่างเข้มงวด อุตสาหกรรมจะปลดล็อกศักยภาพเต็มที่เพื่อแก้ความต้องการทางการแพทย์ที่ยังไม่ได้รับการตอบสนอง อนาคตของ precision medicine จะเป็นของผู้ที่เชื่อมนวัตกรรมกับผลกระทบ และ BPGbio พร้อมเป็นผู้นำ

ขอบคุณสำหรับบทสัมภาษณ์ ผู้อ่านสามารถเรียนรู้เพิ่มเติมได้ที่ BPGbio