Peter Ellman ประธานและซีอีโอของ Certis Oncology Solutions – ซีรีส์สัมภาษณ์

Certis Oncology Solutions ซึ่งนำโดย Peter Ellman ประธานและซีอีโอ เป็นบริษัทเทคโนโลยีชีวภาพที่มุ่งมั่นที่จะทำให้การรักษาโรคมะเร็งด้วยความแม่นยำเป็นจริง ผลิตภัณฑ์ของบริษัทคือ Oncology Intelligence® ซึ่งเป็นข้อมูลการรักษาโรคมะเร็งแบบคาดการณ์ผลลัพธ์ที่ได้มาจากแบบจำลองมะเร็งขั้นสูง Certis ร่วมมือกับแพทย์นักวิจัยและนักวิจัยอุตสาหกรรมเพื่อขยายการเข้าถึงการรักษาโรคมะเร็งด้วยความแม่นยำและแก้ไขช่องว่างระหว่างการศึกษาก่อนการ臨床และระหว่างการ臨床

คุณสามารถอธิบายปัญหาใหญ่ๆ ในการวิจัยโรคมะเร็งซึ่ง CertisOI Assistant กำลังแก้ไขได้หรือไม่?

อัตราการล้มเหลวของยาทดลองรักษาโรคมะเร็งสูง มีรายงานว่าในปี 2023 มี 90% ของโครงการรักษาโรคมะเร็งที่ล้มเหลว ซึ่งเป็นการปรับปรุงที่น่าประทับใจเมื่อเทียบกับแนวโน้มในอดีตที่อยู่ที่ประมาณ 96% จนถึงปี 2022 เมื่อพิจารณาต้นทุนในการพัฒนายา อัตราการล้มเหลว 90% ไม่ใช่สิ่งที่ยั่งยืน ลองนึกภาพว่าผู้ป่วยจะได้รับประโยชน์อย่างไรหากอัตราความสำเร็จถึง 50%

CertisOI Assistant จัดการกับสองประเด็นที่สำคัญที่ทำให้เกิดอัตราการล้มเหลว:

• การปรับปรุงการเลือกแบบจำลองก่อนการ臨床: สารประกอบหลายชนิดแสดงผลลัพธ์ที่น่าหวังในการศึกษาก่อนการ臨床 แต่ล้มเหลวในการแสดงผลกระทบทางรักษาที่เพียงพอในมนุษย์ ส่วนใหญ่ของชุมชนวิทยาศาสตร์เห็นว่าแบบจำลองก่อนการ臨床เป็นส่วนหนึ่งของปัญหา การเลือกแบบจำลองก่อนการ臨床ที่มีลักษณะการแสดงออกของยีนที่ถูกต้อง (และใช้การปลูกถ่ายแบบออร์โธโทปิกสำหรับการศึกษาที่สำคัญ) สามารถปรับปรุง “การแปล” ไปสู่การรักษา
• การระบุชี้วัดทางชีวภาพในระยะแรก: การพึ่งพาชี้วัดทางชีวภาพที่ไม่สามารถคาดการณ์ผลลัพธ์ทางรักษาได้อย่างแม่นยำอาจทำให้การลองรักษาล้มเหลว CertisOI Assistant ได้รับการผสมผสานกับ CertisAI ซึ่งเป็นแพลตฟอร์ม AI/ML ที่คาดการณ์ผลลัพธ์แบบจดสิทธิบัตร ทำให้สามารถระบุชี้วัดทางชีวภาพที่คาดการณ์ได้ในระยะแรกของกระบวนการพัฒนายา

คุณสามารถอธิบายได้อย่างไรว่า CertisOI Assistant ใช้ AI เพื่อปรับปรุงการเข้าถึงข้อมูลโรคมะเร็ง และสิ่งที่ทำให้แตกต่างจากเครื่องมือ AI อื่นๆ ในสาขานี้?

CertisOI Assistant มอบความสามารถในการวิเคราะห์ข้อมูลขั้นสูงและแบบจำลองการคาดการณ์ผ่านอินเทอร์เฟซภาษาธรรมชาติที่ใช้งานง่าย มันโดดเด่นในหลายด้าน:

• การผสมผสานข้อมูลที่ครอบคลุม: ผู้ช่วยสามารถผสมผสานข้อมูลโรคมะเร็งได้หลากหลาย รวมถึงข้อมูลผู้ป่วย ลักษณะของเนื้องอก ข้อมูลพันธุกรรม และการคาดการณ์การตอบสนองของยา วิธีการที่ครอบคลุมนี้ทำให้สามารถวิเคราะห์ได้มากกว่าเครื่องมือที่มุ่งเน้นไปที่ประเภทข้อมูลที่แยกออกมา
• การคาดการณ์โดยใช้ AI: ผู้ช่วยใช้ขั้นตอนการเรียนรู้ของเครื่องจักรเพื่อคาดการณ์การตอบสนองและความต้านทานของยา โดยให้ข้อมูลเชิงลึกเกี่ยวกับการรักษาที่อาจมีประสิทธิภาพสำหรับแบบจำลองมะเร็งเฉพาะ นี่เป็นสิ่งสำคัญสำหรับการรักษาโรคมะเร็งแบบเฉพาะบุคคล และทำให้แตกต่างจากเครื่องมือที่พึ่งพาข้อมูลในอดีตเพียงอย่างเดียว
• อินเทอร์เฟซที่ใช้งานง่าย: โดยการให้อินเทอร์เฟซที่直관และง่ายต่อการนำทาง ผู้ช่วยทำให้นักวิจัยสามารถเข้าถึงและตีความข้อมูลโรคมะเร็งได้โดยไม่ต้องมีทักษะทางเทคนิคขั้นสูง
• การมุ่งเน้นไปที่แบบจำลองก่อนการ臨床: ผู้ช่วยมุ่งเน้นไปที่การวิจัยโรคมะเร็งก่อนการ臨床 โดยเฉพาะอย่างยิ่งแบบจำลอง PDX และเซลล์ไลน์ ทำให้ได้ข้อมูลเชิงลึกที่ไม่เหมือนใครเกี่ยวกับการพัฒนายาในระยะแรกและชีววิทยาของเนื้องอก
• การแสดงผลแบบโต้ตอบ: ผู้ช่วยสนับสนุนการแสดงผลแบบโต้ตอบ เช่น การศึกษาพาร์มาโคโลจีและการเติบโตของเนื้องอก ทำให้นักวิจัยสามารถสำรวจข้อมูลได้อย่างน่าสนใจและให้ข้อมูลมากกว่า

คุณสามารถอธิบายได้อย่างไรว่าเครื่องมือนี้แปลงข้อมูลที่ซับซ้อนให้เป็นข้อมูลเชิงลึกที่สามารถนำไปใช้ได้ โดยเฉพาะสำหรับนักวิจัยที่ทำงานเกี่ยวกับการตอบสนองของยาหรือข้อมูลจีโนม?

CertisOI Assistant ใช้กระบวนการทำงานที่มีโครงสร้างเพื่อแปลงข้อมูลดิบให้เป็นข้อมูลที่มีความหมาย มันเกี่ยวข้องกับการค้นหาข้อมูลที่ครอบคลุมเกี่ยวกับโรคมะเร็ง การวิเคราะห์ข้อมูล และการนำเสนอผลลัพธ์ในรูปแบบที่ชัดเจนและสามารถตีความได้ ดังนี้:

• การค้นหาข้อมูล: CertisOI Assistant สามารถเข้าถึงฐานข้อมูลที่เกี่ยวข้องกับแบบจำลองมะเร็งได้ รวมถึงข้อมูลผู้ป่วย ลักษณะของเนื้องอก ข้อมูลพันธุกรรม และการคาดการณ์การตอบสนองของยา มันใช้คำสั่ง SQL เพื่อดึงข้อมูลที่เกี่ยวข้องตามความต้องการเฉพาะของนักวิจัย
• การวิเคราะห์ข้อมูล: เมื่อข้อมูลถูกดึงมาแล้ว ผู้ช่วยสามารถทำการวิเคราะห์ต่างๆ เช่น การระบุการกลายพันธุ์ทั่วไป การสัมพันธ์ระหว่างการแสดงออกของยีนและการตอบสนองของยา หรือการประเมินผลการศึกษาพาร์มาโคโลจี มันสามารถจัดลำดับและกรองข้อมูลเพื่อเน้นย้ำการค้นพบที่สำคัญที่สุด
• การแสดงผล: ผู้ช่วยสามารถแสดงข้อมูลในรูปแบบตาราง สร้างแผนภูมิแบบโต้ตอบสำหรับการศึกษาพาร์มาโคโลจีและการเติบโตของเนื้องอก และแสดงภาพฮิสโตโลยี การแสดงผลนี้ช่วยให้นักวิจัยเข้าใจรูปแบบและความสัมพันธ์ของข้อมูลที่ซับซ้อนได้อย่างรวดเร็ว
• การตีความและข้อมูลเชิงลึก: โดยการให้การตีความที่ชัดเจนของข้อมูล รวมถึงการคาดการณ์การตอบสนองของยาหรือความต้านทาน ผู้ช่วยช่วยให้นักวิจัยตัดสินใจอย่างมีข้อมูลเกี่ยวกับกลยุทธ์การรักษาที่อาจเกิดขึ้นหรือทิศทางการวิจัยในอนาคต
• การปรับแต่งและความยืดหยุ่น: นักวิจัยสามารถปรับคำถามของตนให้เหมาะสมกับประเภทมะเร็งเฉพาะ ตัวบ่งชี้ทางพันธุกรรม หรือการตอบสนองของยา ทำให้สามารถวิเคราะห์ที่มีความเฉพาะเจาะจงและตรงกับวัตถุประสงค์การวิจัย

คุณสามารถอธิบายได้อย่างไรว่า CertisOI Assistant เพิ่มความสามารถของนักวิจัยในการเลือกแบบจำลองมะเร็ง ออกแบบกลยุทธ์ชี้วัดทางชีวภาพ หรือทำการตรวจสอบใน silico?

ฉันกล่าวถึงสองส่วนแรก – ส่วนของแบบจำลองมะเร็งและออกแบบกลยุทธ์ชี้วัดทางชีวภาพ – ที่เริ่มต้นการสัมภาษณ์นี้ ดังนั้นฉันจะเน้นไปที่การตรวจสอบใน silico CertisOI Assistant ให้สภาพแวดล้อมเสมือนจริงในการทดสอบและตรวจสอบสมมติฐานที่เกี่ยวข้องกับประสิทธิผลของยา การจับเป้าหมาย และการค้นพบชี้วัดทางชีวภาพ โดยไม่ต้องมีการทดลองในห้องปฏิบัติการทันที

ตัวอย่างเช่น:

• การคาดการณ์การตอบสนองของยา: ใช้การคาดการณ์โดยใช้ AI สำหรับการตอบสนองและความต้านทานของยาเพื่อประเมินว่าแบบจำลองต่างๆ จะตอบสนองต่อยาใดๆ อย่างไร ซึ่งสามารถช่วยยืนยันประสิทธิผลของยาใน silico ก่อนที่จะดำเนินการต่อใน vitro หรือ in vivo
• การวิเคราะห์ทางพันธุกรรมและโมเลกุล: วิเคราะห์ข้อมูลทางพันธุกรรม รวมถึงการกลายพันธุ์ การแสดงออกของยีน และการเปลี่ยนแปลงจำนวนสำเนา เพื่อระบุเป้าหมายที่อาจเกิดขึ้นและยืนยันความเกี่ยวข้องกับกลไกการออกฤทธิ์ของยา
• การค้นพบชี้วัดทางชีวภาพ: สัมพันธ์ระหว่างลักษณะโมเลกุลกับการคาดการณ์การตอบสนองของยาเพื่อระบุชี้วัดทางชีวภาพที่คาดการณ์ได้ ซึ่งสามารถช่วยในการเลือกประชากรผู้ป่วยที่อาจได้รับประโยชน์จากการรักษาเฉพาะ
• การสำรวจการรักษาแบบผสมผสาน: สำรวจการคาดการณ์ผลกระทบของยาที่มีต่อการรักษาแบบผสมผสานเพื่อระบุการผสมผสานที่มีแนวโน้มว่าจะเพิ่มผลลัพธ์ทางรักษา
• การวิเคราะห์ฮิสโตโลยี: ใช้ภาพฮิสโตโลยีเพื่อยืนยันผลกระทบทางสัณฐานวิทยาของยาในเนื้องอก ซึ่งให้หลักฐานเพิ่มเติมเกี่ยวกับกลไกการออกฤทธิ์ของยาและประสิทธิผลที่อาจเกิดขึ้น
• การเปรียบเทียบระหว่างแบบจำลอง: เปรียบเทียบแบบจำลองต่างๆ เพื่อทำความเข้าใจว่าพื้นหลังทางพันธุกรรมที่แตกต่างกันส่งผลต่อการตอบสนองของยาอย่างไร ซึ่งสามารถช่วยยืนยันสมมติฐานเกี่ยวกับบทบาทของยีนหรือเส้นทางเฉพาะใน silico
• การค้นหาสารเสมือนจริง: ทำการค้นหาสารเสมือนจริงของยาในแบบจำลองที่หลากหลายเพื่อจัดลำดับความสำคัญของตัวเลือกสำหรับการตรวจสอบทดลองในอนาคต

คุณสามารถแบ่งปันตัวอย่างของวิธีที่นักวิจัยคาดว่าจะใช้เครื่องมือนี้เพื่อปรับปรุงกระบวนการทำงานหรือบรรลุผลลัพธ์ที่สำคัญ?

ตัวอย่างที่ง่ายที่สุดคือการเลือกแบบจำลองก่อนการ臨床 ทุกการศึกษาก่อนการ臨床เริ่มต้นด้วยการเลือกแบบจำลองมะเร็ง CertisOI Assistant นำความแม่นยำและความแม่นยำมาสู่กระบวนการนี้

อีกตัวอย่างหนึ่งคือการออกแบบกลยุทธ์ชี้วัดทางชีวภาพ วิธีการแบบดั้งเดิมคือการสมมติฐานว่าชี้วัดทางชีวภาพหรือชี้วัดทางชีวภาพใดที่อาจเชื่อมโยงกับกลไกการออกฤทธิ์ของยา แล้วทดสอบสมมติฐานเหล่านั้นในการศึกษาก่อนการ臨床 ซึ่งเป็นกระบวนการที่ต้องทำซ้ำๆ ถ้าข้อมูลก่อนการ臨คลินิกมีแนวโน้มที่ดี นักวิจัยจะต้องยืนยันชี้วัดทางชีวภาพที่คาดการณ์ได้ในการศึกษาการรักษาในมนุษย์ – และดังที่กล่าวถึง อัตราการล้มเหลวคือสูง

CertisOI Assistant ช่วยให้นักวิจัยระบุและยืนยันชี้วัดทางชีวภาพที่แม่นยำและคาดการณ์ได้ในช่วงแรกของกระบวนการพัฒนา โดยใช้เวลาและเงินน้อยลง และเพิ่มโอกาสในการประสบความสำเร็จในเชิงพาณิชย์

คุณสามารถอธิบายได้อย่างไรว่าเครื่องมือนี้รองรับแบบจำลองมะเร็งหรือชุดข้อมูลใดบ้าง และประโยชน์ของการเข้าถึงข้อมูลนี้คืออะไร?

รุ่นปัจจุบันของ CertisOI ให้นักวิจัยสามารถเข้าถึงไลบรารีแบบจำลอง PDX และ PDX ที่ได้รับจาก Certis ซึ่งกำลังขยายตัวอย่างรวดเร็ว และทั้ง CCLE ของแบบจำลองเซลล์ไลน์ แพลตฟอร์มนี้ยังดึงข้อมูลจาก GDSC, ICGC, CI ALMANAC, O’Neil และชุดข้อมูลอื่นๆ วิธีการผสมผสานข้อมูลที่ครอบคลุมนี้ทำให้สามารถวิเคราะห์ได้มากกว่าเครื่องมือที่มุ่งเน้นไปที่ประเภทข้อมูลที่แยกออกมา

CertisOI Assistant ได้รับการออกแบบให้ใช้งานง่าย คุณรับรองว่ามันสามารถเข้าถึงได้สำหรับนักวิจัยที่อาจไม่มีประสบการณ์ทางเทคนิคมากนักได้อย่างไร?

คุณลักษณะหลายอย่างทำให้ CertisOI Assistant สามารถเข้าถึงได้สำหรับนักวิจัยทุกระดับ:

• อินเทอร์เฟซที่ใช้งานง่าย: อินเทอร์เฟซได้รับการออกแบบให้ใช้งานง่ายและเข้าใจได้ง่าย ทำให้ผู้ใช้สามารถทำการค้นหาที่ซับซ้อนและวิเคราะห์ได้โดยไม่ต้องเข้าใจรายละเอียดทางเทคนิค
• กระบวนการทำงานที่มีคำแนะนำ: ผู้ช่วยให้กระบวนการทำงานที่มีคำแนะนำสำหรับงานวิจัยทั่วไป เช่น การค้นหาการคาดการณ์การตอบสนองของยา การวิเคราะห์ข้อมูลทางพันธุกรรม และการสำรวจการศึกษาพาร์มาโคโลจี ซึ่งช่วยให้ผู้ใช้สามารถมุ่งเน้นไปที่คำถามการวิจัยโดยไม่ต้องจมอยู่กับความซับซ้อนของเทคนิค
• การประมวลผลภาษาธรรมชาติ: ผู้ใช้สามารถโต้ตอบกับผู้ช่วยโดยใช้คำถามภาษาธรรมชาติ ทำให้การเข้าถึงข้อมูลที่ต้องการง่ายขึ้นสำหรับผู้ที่ไม่มีประสบการณ์ทางเทคนิค ผู้ช่วยตีความคำถามและแปลเป็นคำสั่งฐานข้อมูลที่เหมาะสม
• เอกสารที่ครอบคลุม: เอกสารและคำแนะนำที่มีรายละเอียดช่วยให้ผู้ใช้เข้าใจวิธีการใช้ผู้ช่วยอย่างมีประสิทธิภาพ ซึ่งรวมถึงคำแนะนำแบบขั้นตอน ตัวอย่าง และคำอธิบายเกี่ยวกับแนวคิดหลัก
• การแสดงผลแบบโต้ตอบ: ผู้ช่วยให้การแสดงผลแบบโต้ตอบสำหรับการวิเคราะห์ข้อมูล เช่น แผนภูมิสำหรับการศึกษาพาร์มาโคโลจีและฮิสโตโลยี ทำให้ผู้ใช้สามารถสำรวจและตีความข้อมูลได้อย่างรวดเร็วและง่ายดายโดยไม่ต้องเขียนโค้ด
• การสนับสนุนที่ตอบสนอง: ผู้ใช้สามารถเข้าถึงการสนับสนุนที่ตอบสนองได้เพื่อช่วยเหลือเกี่ยวกับคำถามหรือปัญหาใดๆ ทำให้พวกเขาสามารถได้รับความช่วยเหลืออย่างรวดเร็วและไม่ต้องหยุดงานวิจัยโดยไม่จำเป็น
• การปรับแต่งคำถาม: แม้ว่าผู้ช่วยจะให้กระบวนการทำงานโดยค่าเริ่มต้น แต่ก็ยังช่วยให้ผู้ใช้สามารถปรับแต่งคำถามได้ ทำให้สามารถปรับให้เหมาะสมกับความต้องการการวิจัยเฉพาะของตนโดยไม่ต้องมีความรู้ทางเทคนิคลึกซึ้ง

การทำงานร่วมกันเป็นส่วนสำคัญของการวิจัย คุณสามารถอธิบายได้อย่างไรว่า CertisOI Assistant ส่งเสริมการทำงานร่วมกันระหว่างนักวิจัยหรือสถาบัน?

ด้วย CertisOI Assistant นักวิจัยจากทีมหรือสถาบันต่างๆ สามารถเข้าถึงชุดข้อมูลและเครื่องมือเดียวกัน ทำให้สามารถทำงานร่วมกันในโครงการหรือคำถามการวิจัยที่ใช้ร่วมกัน แพลตฟอร์มนี้ยังช่วยให้สามารถดาวน์โหลดและแบ่งปันคำถามข้อมูล ผลลัพธ์ และข้อมูลเชิงลึกระหว่างสมาชิกในทีม ทำให้ทุกคนในโครงการสามารถมีส่วนร่วมได้อย่างมีประสิทธิภาพ

คุณสามารถอธิบายได้อย่างไรว่าความท้าทายที่ยิ่งใหญ่ที่สุดในการขยายการนำ AI ไปใช้ในงานวิจัยโรคมะเร็ง และสามารถแก้ไขได้อย่างไร?

ความท้าทายที่สำคัญรวมถึงความปลอดภัยของข้อมูล การผสมผสานข้อมูล และความเชื่อมั่นในผลลัพธ์ของ AI ฉันไม่ใช่ผู้เชี่ยวชาญด้านความปลอดภัยของข้อมูลหรือการผสมผสานข้อมูล แต่มีคนเก่งๆ ที่ทำงานเพื่อแก้ไขปัญหาเหล่านั้น สำหรับการเชื่อมั่นในผลลัพธ์ของ AI ที่สร้างโดย AI เราต้องการวิธีการที่มีประสิทธิภาพและเชื่อถือได้ในการตรวจสอบผลลัพธ์เหล่านั้น

Certis ได้ใช้แนวทางสองทางเพื่อแก้ไขปัญหานี้: การตรวจสอบใน silico ผ่านการศึกษาที่ทำภายในและข้ามการตรวจสอบ และการตรวจสอบใน vivo – โดยการทำการศึกษาในแบบจำลองหนูทางคลินิกที่เกี่ยวข้องเพื่อประเมินความแม่นยำของการคาดการณ์บนแพลตฟอร์มของเรา ในระยะยาว เครื่องมือเหล่านี้จะถูกตรวจสอบทางคลินิกในผู้ป่วยมนุษย์ แต่สิ่งนั้นจะใช้เวลาและเงินจำนวนมาก เช่นเดียวกับความเต็มใจที่จะเปลี่ยนแปลงแนวทางปฏิบัติในการรักษาโรคมะเร็งในปัจจุบัน ชุมชนทางการแพทย์และการกำกับดูแลจะต้องหยุดพึ่งพาวิธีการที่ทำมาอย่างยาวนานและยอมรับพลังของการวิเคราะห์เชิงคำนวณเพื่อแจ้งการตัดสินใจ

คุณมองเห็นเครื่องมืออย่าง CertisOI Assistant ว่าจะมีอิทธิพลต่อการรักษาโรคมะเร็งและยารักษาโรคมะเร็งด้วยความแม่นยำในอนาคตอย่างไร?

การแพทย์สมัยใหม่ยังไม่มีวิธีที่ดีในการจับคู่ผู้ป่วยกับการรักษาที่เหมาะสมโดยรวม มีเพียง 10% ของผู้ป่วยโรคมะเร็งเท่านั้นที่ได้รับประโยชน์ทางคลินิกจากการรักษาที่ตรงกับการกลายพันธุ์ของยีนที่พบในเนื้องอก ซึ่งไม่เพียงแต่ส่งผลเสียต่อสุขภาพของผู้ป่วย แต่ยังทำให้พวกเขาเสียหายทางการเงินอีกด้วย มีการประมาณการว่าใช้เงิน 2.5 พันล้านดอลลาร์ ที่ใช้ไปกับการรักษาที่ไม่มีประสิทธิผล นอกจากนี้ยังเป็นเรื่องที่น่าเสียใจที่ 42% ของผู้ป่วยโรคมะเร็ง ใช้เงินหมดภายในสองปีหลังการวินิจฉัย

เครื่องมืออย่าง CertisOI Assistant และ CertisAI จะช่วยให้เราบรรลุเป้าหมายของการรักษาโรคมะเร็งด้วยความแม่นยำ – โดยการให้ผู้ป่วยได้รับการรักษาที่เหมาะสมที่สุดสำหรับรูปแบบโรคมะเร็งเฉพาะของตนในครั้งแรกทุกครั้ง…. และเพื่อทำให้การเข้าถึงการดูแลส่วนบุคคลที่มีประสิทธิภาพมากขึ้นเป็นประชาธิปไตย

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Certis Oncology Solutions เพื่อเรียนรู้เพิ่มเติม