เลแลนด์ ไฮแมน นักวิทยาศาสตร์ข้อมูลชั้นนำที่ Sherlock Biosciences – ซีรีส์สัมภาษณ์

เลแลนด์ ไฮแมน เป็นนักวิทยาศาสตร์ข้อมูลชั้นนำที่ Sherlock Biosciences เขาเป็นนักวิทยาศาสตร์คอมพิวเตอร์และนักวิจัยที่มีประสบการณ์ ด้านการเรียนรู้ของเครื่องและวิทยาการวินิจฉัยระดับโมเลกุล

Sherlock Biosciences เป็นบริษัทไบโอเทคที่ตั้งอยู่ในเมืองเคมบริดจ์ รัฐแมสซาชูเซตส์ ซึ่งพัฒนาเครื่องมือวินิจฉัยโดยใช้ CRISPR มีเป้าหมายที่จะเปลี่ยนแปลงวิทยาการวินิจฉัยระดับโมเลกุลด้วยการทดสอบที่ดีกว่า เร็วขึ้น และมีราคาไม่แพง

สิ่งใดที่ดึงดูดคุณเข้าสู่สาขาวิทยาศาสตร์คอมพิวเตอร์?

ฉันเริ่มเขียนโปรแกรมเมื่ออายุได้ไม่มากนัก แต่ฉันสนใจสร้างเกมวิดีโอพร้อมกับเพื่อนๆ ของฉัน ความสนใจของฉันเติบโตขึ้นเมื่อฉันเรียนมหาวิทยาลัยและมหาวิทยาลัยระดับบัณฑิตศึกษา โดยเฉพาะอย่างยิ่งการทำงานด้านการเรียนรู้ของเครื่องในต้นปี 2010 ซึ่งดูเหมือนจะเป็นด้านใหม่ที่น่าตื่นเต้นที่สามารถส่งผลกระทบต่อการวิจัยทางวิทยาศาสตร์และชีวิตประจำวันของเราได้ — ฉันไม่สามารถหลีกเลี่ยงมัน

คุณยังศึกษาระดับ 박사 ในสาขาเซลล์และชีววิทยาระดับโมเลกุล เมื่อใดที่คุณรู้ว่าสาขาเหล่านี้จะเชื่อมโยงกัน?

ฉันเริ่มทำงานเชิงร่วมมือกับสาขาวิทยาศาสตร์คอมพิวเตอร์และชีววิทยาในช่วงต้นของการเรียนระดับบัณฑิตศึกษา ห้องปฏิบัติการของฉันเน้นการแก้ปัญหาการออกแบบโปรตีนผ่านการทำงานร่วมกันระหว่างนักชีวเคมี นักวิทยาศาสตร์คอมพิวเตอร์ และทุกคนในระหว่างนั้น ฉันรับรู้ว่าการเรียนรู้ของเครื่องสามารถให้ข้อมูลเชิงลึกที่มีคุณค่าเกี่ยวกับระบบชีววิทยาและทำให้การทดลองง่ายขึ้น ในทางกลับกัน ฉันก็ได้รับการชื่นชมคุณค่าของ直觉ทางชีววิทยาเมื่อสร้างแบบจำลองการเรียนรู้ของเครื่อง ในมุมมองของฉัน การกำหนดปัญหาอย่างถูกต้องเป็นองค์ประกอบสำคัญในการเรียนรู้ของเครื่อง ซึ่งเป็นเหตุผลที่ฉันเชื่อว่าความพยายามร่วมกันระหว่างสาขาต่างๆ สามารถมีผลกระทบอย่างลึกซึ้ง

ตั้งแต่ปี 2022 คุณทำงานที่ Sherlock Biosciences คุณสามารถแบ่งปันรายละเอียดเกี่ยวกับบทบาทของคุณได้หรือไม่?

ปัจจุบันฉันเป็นผู้นำทีมคำนวณที่ Sherlock Biosciences กลุ่มของเรารับผิดชอบในการออกแบบส่วนประกอบที่ใช้ในการทดสอบวินิจฉัยของเรา การติดต่อกับนักการทดลองที่ทดสอบการออกแบบเหล่านี้ในห้องปฏิบัติการ และสร้างความสามารถในการคำนวณใหม่ๆ เพื่อปรับปรุงการออกแบบ นอกเหนือจากการประสานกิจกรรมเหล่านี้ ฉันยังทำงานเกี่ยวกับส่วนการเรียนรู้ของเครื่องในฐานโค้ดของเรา โดยทดลองกับโครงสร้างแบบจำลองใหม่ๆ และวิธีการจำลองฟิสิกส์ของ DNA และ RNA ที่เกี่ยวข้องกับการทดสอบของเรา

การเรียนรู้ของเครื่องเป็นแก่นกลางของ Sherlock Biosciences คุณสามารถอธิบายประเภทของข้อมูลและปริมาณข้อมูลที่กำลังถูกเก็บสะสม และวิธีการที่ ML จะวิเคราะห์ข้อมูลนั้นได้หรือไม่?

ระหว่างการพัฒนาการทดสอบวินิจฉัย เราทดสอบผู้สมัครการทดสอบหลายสิบถึงหลายร้อยรายการสำหรับเชื้อโรคใหม่ๆ ส่วนใหญ่ของผู้สมัครเหล่านั้นจะไม่ได้รับการทดสอบ แต่เรามองว่าเป็นโอกาสในการเรียนรู้จากความผิดพลาดของเรา ในการทดลองเหล่านี้ เราวัดสองสิ่งหลักๆ: ความไวและความเร็ว แบบจำลองของเรารับลำดับ DNA และ RNA ในการทดสอบแต่ละครั้งแล้วเรียนรู้เพื่อคาดการณ์ความไวและความเร็วของการทดสอบ

ML คาดการณ์ว่า哪งส่วนประกอบของวิทยาการวินิจฉัยระดับโมเลกุลจะมีประสิทธิภาพสูงสุดและแม่นยำที่สุด?

เมื่อเราคิดเกี่ยวกับวิธีการที่มนุษย์เรียนรู้ มีสองกลยุทธ์หลักๆ หนึ่งคือการเรียนรู้ผ่านการลองผิดลองถูก ซึ่งบุคคลหนึ่งสามารถเรียนรู้การทำงานผ่านการทำซ้ำๆ จนกระทั่งเข้าใจกฎของงานได้ กลยุทธ์นี้เป็นที่นิยมมาก่อนยุคอินเทอร์เน็ต แต่เราสามารถให้ครูสอนเขาเกี่ยวกับกฎของงานได้เลย ซึ่งจะทำให้เข้าใจได้เร็วขึ้นหากครูเข้าใจงานนั้นอย่างเต็มที่

วิธีการของเราที่จะฝึกแบบจำลองการเรียนรู้ของเครื่องอยู่ระหว่างสองกลยุทธ์นี้ เราไม่มี “ครู” ที่สมบูรณ์แบบสำหรับแบบจำลองการเรียนรู้ของเครื่อง แต่เราสามารถให้ความรู้เกี่ยวกับฟิสิกส์ของ DNA และ RNA ในการทดสอบของเราได้ ซึ่งช่วยให้พวกมันเรียนรู้และคาดการณ์ได้ดีขึ้นด้วยข้อมูลที่น้อยลง เราทำสิ่งนี้โดยการวิ่งซิมูเลชั่นไบโอฟิสิกส์หลายตัวบนลำดับ DNA และ RNA ของการทดสอบของเรา จากนั้นเราจะป้อนผลลัพธ์เหล่านั้นเข้าไปในแบบจำลองและขอให้คาดการณ์ความเร็วและความไวของการทดสอบ เราทำซ้ำขั้นตอนนี้สำหรับทุกการทดลองที่เราทำในห้องปฏิบัติการ และแบบจำลองจะแสดงความแตกต่างระหว่างการคาดการณ์ของมันกับผลลัพธ์ที่แท้จริง เมื่อทำซ้ำหลายๆ ครั้ง มันจะเรียนรู้ว่าฟิสิกส์ของ DNA และ RNA สัมพันธ์กับความเร็วและความไวของการทดสอบอย่างไร

มีวิธีอื่นๆ ที่ Sherlock Biosciences ใช้อัลกอริทึม AI หรือไม่?

เราใช้อัลกอริทึมการเรียนรู้ของเครื่องเพื่อแก้ปัญหาต่างๆ มากมาย ตัวอย่างเช่น การวิจัยตลาดและการวิเคราะห์ภาพ สำหรับการวิจัยตลาด เราสามารถฝึกแบบจำลองที่เรียนรู้เกี่ยวกับลูกค้าประเภทต่างๆ และจำนวนคนที่อาจมีความต้องการที่ไม่ได้รับการตอบสนองสำหรับการทดสอบโรค เรายังสร้างแบบจำลองเพื่อวิเคราะห์ภาพของแถบการไหลข้าง (ประเภทการทดสอบที่ใช้ในการทดสอบ COVID-19 ที่ขายหน้าเคาน์เตอร์) และคาดการณ์โดยอัตโนมัติว่ามีแถบผลบวกหรือไม่ ซึ่งดูเหมือนจะเป็นงานง่ายๆ สำหรับมนุษย์ แต่ฉันสามารถพูดได้ว่ามันเป็นทางเลือกที่สะดวกมากในการไม่ต้องทำการบันทึกภาพหลายพันภาพด้วยมือ

มีอะไรที่ท้าทายในการสร้างแบบจำลอง ML ที่ทำงานร่วมกับเทคโนโลยีไบโอไซเอนซ์ที่ล้ำสมัย เช่น CRISPR?

ความพร้อมของข้อมูลเป็นความท้าทายหลักในการใช้แบบจำลองการเรียนรู้ของเครื่องกับเทคโนโลยีไบโอไซเอนซ์ใดๆ เทคโนโลยี CRISPR และ DNA หรือ RNA-ベースต้องเผชิญกับความท้าทายที่แตกต่าง เนื่องจากมีเซตข้อมูลโครงสร้างที่เล็กกว่ามากสำหรับกรดนิวคลีอิกเมื่อเทียบกับโปรตีน ซึ่งเป็นเหตุผลที่เราเห็นการพัฒนาด้านการเรียนรู้ของเครื่องสำหรับโปรตีนในหลายๆ ปีที่ผ่านมา (ด้วย AlphaFold2 และอื่นๆ) แต่การเรียนรู้ของเครื่องสำหรับ DNA และ RNA ยังคงล้าหลัง

คุณมีวิสัยทัศน์สำหรับอนาคตของการบูรณาการ AI กับ CRISPR และไบโอไซเอนซ์อย่างไร?

เรากำลังเห็นความเจริญรุ่งเรืองของ AI ในสาขาวิศวกรรมโปรตีนและค้นพบยาที่มีประสิทธิภาพอยู่ในขณะนี้ และฉันคาดว่าสิ่งนี้จะเร่งพัฒนาการในอุตสาหกรรมยาที่จะเกิดขึ้นในอนาคต ฉันหวังว่าจะเห็นสิ่งเดียวกันเกิดขึ้นกับ CRISPR และเทคโนโลยี DNA และ RNA-ベースในหลายๆ ปีที่จะมาถึง ซึ่งอาจมีผลกระทบอย่างมากต่อการวินิจฉัย การแพทย์ของมนุษย์ และชีววิทยาสังเคราะห์ เราได้เห็นประโยชน์ของเครื่องมือคำนวณในพัฒนาการของเครื่องมือวินิจฉัยและเทคโนโลยี CRISPR ที่ Sherlock Biosciences แล้ว และฉันหวังว่างานประเภทนี้จะกระตุ้นให้เกิด “ผลกระทบหิมะ” ที่จะผลักดันสาขานี้ไปข้างหน้า

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Sherlock Biosciences เพื่อเรียนรู้เพิ่มเติม