Thomas Clozel, M.D., ผู้ร่วมก่อตั้งและซีอีโอของ Owkin – ซีรีส์สัมภาษณ์

Thomas Clozel, M.D. เป็นผู้ร่วมก่อตั้งและซีอีโอของ Owkin บริษัทไบโอเทค AI ที่กำลังปฏิวัติอุตสาหกรรมการดูแลสุขภาพ ด้วยพื้นฐานด้านการวิจัยคลินิก Clozel มีบทบาทสำคัญในการนำ Owkin ตั้งแต่ก่อตั้งในปี 2016 ภายใต้การนำของเขา บริษัทได้บรรลุเป้าหมายสำคัญหลายประการ รวมถึงการระดมทุนจำนวนมากและการสร้างความร่วมมือเชิงกลยุทธ์กับบริษัทเภสัชกรรมชั้นนำ เขาเคยเป็นผู้ช่วยศาสตราจารย์ด้านคลินิกออนโค-ฮีมาโตโลยีที่โรงพยาบาล Henri Mondor ใบปารีส และเคยเป็นสมาชิกของห้องปฏิบัติการมะเร็งของ Dr. Ari Melnick ที่ Weill Cornell Medical College.

Owkin เป็นบริษัทไบโอเทคโนโลยี AI ที่พัฒนาระบบ AI อิสระเพื่อเร่งการวิจัยชีวการแพทย์และการค้นหายา ก่อตั้งในปี 2016 โดยนักมะเร็ง Thomas Clozel และนักวิจัยการเรียนรู้ของเครื่อง Gilles Wainrib บริษัทผสานโมเดล AI ขั้นสูงกับข้อมูลผู้ป่วยหลายรูปแบบ งานวิจัยชีวภาพ และความเชี่ยวชาญทางคลินิก เพื่อช่วยทีมเภสัชกรรมเข้าใจโรคได้ดียิ่งขึ้น ระบุเป้าหมายการบำบัด ค้นหาไบโอมาร์คเกอร์ และทำการตัดสินใจด้านการวิจัยและพัฒนาที่มีข้อมูลอ้างอิงมากขึ้น แพลตฟอร์มหลักของบริษัทคือ K Pro ซึ่งทำหน้าที่เป็นนักวิทยาศาสตร์ AI ที่สามารถประสานโมเดลและเครื่องมือวิจัยเฉพาะทางเพื่อวิเคราะห์คำถามชีวภาพที่ซับซ้อน โดย Owkin มีเป้าหมายสุดท้ายคือสิ่งที่เรียกว่า Biological Artificial SuperIntelligence: ระบบ AI ที่พัฒนาตัวเองได้และสามารถทำส่วนที่เพิ่มขึ้นของกระบวนการค้นหายาโดยอัตโนมัติ

Owkin ได้สร้างความสัมพันธ์เชิงกลยุทธ์กับบริษัทชีวเภสัชกรรมชั้นนำหลายแห่ง รวมถึง Sanofi, Bristol Myers Squibb และ MSD และได้สร้างเครือข่ายระดับโลกที่เชื่อมโยงนักวิจัยในมหาวิทยาลัย ผู้คลินิก หุ้นส่วนข้อมูลผู้ป่วย และโครงสร้างพื้นฐานห้องปฏิบัติการ

อาชีพของคุณครอบคลุมด้านฮีมาโตโลยีคลินิก งานวิจัยมะเร็ง และชีววิทยาคอมพิวเตอร์ เมื่อคุณร่วมก่อตั้ง Owkin ในปี 2016 คุณมองเห็นข้อจำกัดใดในงานวิจัยการแพทย์แบบดั้งเดิมที่ทำให้คุณเชื่อว่า AI สามารถช่วยนักวิทยาศาสตร์เข้าใจโรคได้แตกต่างกัน?

ฉันเป็นนักมะเร็งและได้พบผู้ป่วยอายุ 35 ปีที่เป็นมะเร็ง แต่ประวัติของพวกเขาไม่อธิบายว่าทำไมพวกเขาถึงเป็นโรคนี้หรือทำไมถึงเกิดการกลับมาของโรคอีก และเรายังไม่มีวิทยาศาสตร์ที่ดีพอที่จะอธิบายได้ — แม้จะมีการวิจัยตลอดร้อยปีที่ผ่านมา ดังนั้นมันทำให้ฉันคิด: ชีววิทยาไม่ใช่ปัญหาที่อยู่ในระดับมนุษย์ มันต้องการการให้เหตุผลข้ามระดับ ตั้งแต่ระดับโมเลกุลจนถึงสิ่งมีชีวิตทั้งหมด และข้ามหลายประเภทของข้อมูลพร้อมกัน — ตั้งแต่การตัดชิ้นเนื้อเยื่อไปจนถึงประวัติการรักษาของผู้ป่วย สำหรับสิ่งนั้น เราต้องการ AI และฉันคิดว่าข้อมูลที่ใกล้เคียงที่สุดกับความเข้าใจในมนุษย์คือข้อมูลผู้ป่วย ดังนั้นในปี 2016 ฉันจึงร่วมก่อตั้ง Owkin กับ Gilles Wainrib และเราเริ่มด้วย federated learning — วิธีที่ทำให้โมเดล AI สามารถเรียนรู้จากข้อมูลของโรงพยาบาลโดยไม่ต้องให้ข้อมูลนั้นออกจากโรงพยาบาล — เพื่อเปิดใช้ข้อมูลเหล่านั้นและหาคำตอบ

AI สร้างสรรค์สามารถสร้างสมมติฐานชีวภาพที่สมเหตุสมผลจำนวนมาก นักวิจัยควรแยกแยะการค้นพบใหม่อย่างแท้จริงจากความสัมพันธ์ที่ดูเชื่อถือได้แต่ในที่สุดเป็นเท็จที่สร้างโดย AI อย่างไร?

คุณควรถือว่าทุกสมมติฐานของคุณผิดจนกว่าจะพิสูจน์ได้ว่าถูก นี่เป็นการออกแบบโดยเจตนา ฉันเชื่อว่าเอเย่นต์ AI แนวหน้า — ระบบ AI ขั้นสูงและอิสระ — เมื่อได้รับเครื่องมือและข้อมูลที่เหมาะสม จะสามารถสร้างสมมติฐานที่แม่นยำได้ดีกว่าที่เราทำอยู่ในปัจจุบัน และที่ Owkin โมเดลของเราจะจัดอันดับสมมติฐานตามความเป็นไปได้ที่มันจะยืนหยัดได้ โดยอิงจากรูปแบบที่เรียนรู้จากข้อมูล

แต่เรายังต้องทดสอบมันก่อน ทั้งในห้องปฏิบัติการและผ่านการทดลองทางคลินิก ก่อนที่เราจะวางใจอย่างเต็มที่ ที่ Owkin เราทำเช่นนั้นผ่านสิ่งที่เราเรียกว่า “lab in the loop” — ทดสอบการพยากรณ์ของ AI ทุกครั้งบนตัวอย่างชีวภาพจริงก่อนที่จะเชื่อถือ — จากนั้นจึงเข้าสู่การทดลองทางคลินิก ดังนั้นเรายังคงต้องทดสอบสมมติฐานแต่ละอย่างในเชิงทดลองเช่นเคย แต่ AI ช่วยให้เราใช้ทรัพยากรได้ดียิ่งขึ้นโดยชี้นำเส้นทางการทดสอบที่มีโอกาสสำเร็จสูงที่สุด

K Pro ผสานการพยาธิวิทยา,จีโนมิกส์,ชีววิทยาเชิงพื้นที่และผลลัพธ์ทางคลินิก การรวมข้อมูลประเภทต่าง ๆ เหล่านี้เข้าด้วยกันทำให้ได้หลักฐานชีวภาพที่แข็งแกร่งกว่าการพึ่งพาชุดข้อมูลหรือรูปแบบเดียวอย่างไร?

เรากำลังพยายามมองเห็นภาพเต็มของสาเหตุที่ทำให้คนเป็นโรคแต่ละคน ข้อมูลแต่ละประเภทให้ภาพส่วนหนึ่งของมัน — แต่ไม่มีข้อมูลใดที่สามารถให้คำอธิบายเชิงสาเหตุทั้งหมดได้

หากคุณสามารถมองโรคจากหลายมุมพร้อมกัน คุณจะเข้าใกล้ภาพเต็มได้มากขึ้น นั่นคือสิ่งที่เราต้องการทำในทุกระดับของชีววิทยา — ตัวอย่างเช่น การเชื่อมโยงกิจกรรมของยีนกับโครงสร้างทางกายภาพของเนื้อเยื่อ และเชื่อมโยงชีววิทยาพื้นฐานของผู้ป่วย (ยีนและโมเลกุล) กับสิ่งที่สังเกตได้จริงในคลินิก (ภาพเนื้อเยื่อ, บันทึกการรักษา, การตอบสนองต่อการรักษา)

นี่คือความสำคัญของ AI: มันสามารถผสานข้อมูลที่แตกต่างกันอย่างมากเหล่านี้และค้นหารูปแบบพื้นฐานที่ทำให้เข้าใกล้ภาพเต็ม — สิ่งที่สมองมนุษย์ทำได้ยากมากโดยลำพัง

Owkin อธิบายการค้นพบที่สร้างโดย AI ว่าเป็นสมมติฐานไม่ใช่ข้อเท็จจริง สมมติฐานของ K Pro ต้องผ่านขั้นตอนใดบ้างก่อนที่ทีมของคุณจะพิจารณาว่ามีความหมายทางชีวภาพพอที่จะมีอิทธิพลต่อการตัดสินใจพัฒนายา?

สี่ขั้นตอน

ขั้นแรก การทำซ้ำเชิงคอมพิวเตอร์: สัญญาณนั้นยังคงอยู่เมื่อเปรียบเทียบกับชุดข้อมูลผู้ป่วยอิสระ และข้ามประเภทข้อมูลที่ไม่ได้ใช้ในการสร้างสัญญาณนั้นเลยหรือไม่? ขั้นตอนนี้ใช้ต้นทุนต่ำและช่วยคัดกรองผู้สมัครส่วนใหญ่ตั้งแต่แรก

ขั้นที่สอง การตรวจสอบเชิงกลไก: มีคำอธิบายเชิงสาเหตุที่สอดคล้องและสมเหตุสมผล — ส่วนใหม่ของชีววิทยาที่เป็นไปได้หรือไม่? และหลักฐานจริง ๆ บ่งบอกตามที่โมเดลอ้างหรือไม่? เราตรวจสอบหลักฐานพื้นฐาน ไม่ใช่แค่ข้อสรุป นี่คือจุดที่ข้อมูลจากทีมชีวการแพทย์ผู้เชี่ยวชาญของเรามีความสำคัญอย่างมาก

ขั้นที่สาม เราทดสอบในห้องปฏิบัติการ เราตรวจสอบการพยากรณ์โดยใช้โมเดลที่ได้จากผู้ป่วย — รวมถึงออร์แกโนอิด (รุ่นขนาดเล็กที่ปลูกในห้องปฏิบัติการของเนื้องอกผู้ป่วย) — ผ่านการทดสอบยาและการทดลองตัดต่อยีน ขั้นตอนนี้คือจุดที่ความสัมพันธ์อาจกลายเป็นข้ออ้างเชิงสาเหตุจริง หรือไม่เป็น

ขั้นที่สี่ ผู้ป่วย เรากำลังทดสอบ OKN4395 — สารสกัดยาที่มีพื้นฐานชีวภาพที่ K Pro ช่วยให้เราเข้าใจ — ในการทดลองคลินิก INVOKE ของเรา เราใช้การทดลองนี้เพื่อพัฒนา AI ของเรา: มันเก็บข้อมูลผู้ป่วยอย่างละเอียดตลอดกระบวนการ ดังนั้นเราไม่ได้ทดสอบยาเพียงอย่างเดียว แต่ยังทดสอบว่าการให้เหตุผลของโมเดลเกี่ยวกับกลไกของโรคและกลุ่มผู้ป่วยที่เหมาะสมนั้นถูกต้องหรือไม่

Owkin ทดสอบการพยากรณ์ K Pro ที่เลือกในห้องปฏิบัติการเปียกโดยใช้วิธีเช่นออร์แกโนอิดที่ได้จากผู้ป่วยและการก่อกวนทางพันธุกรรม การตอบรับจากห้องปฏิบัติการนี้ปรับปรุงระบบอย่างไร และจะเกิดอะไรขึ้นเมื่อผลการทดลองขัดแย้งกับการพยากรณ์เดิม?

K Pro พยากรณ์ชีววิทยาใหม่ เราออกแบบการทดลองและทดสอบโดยใช้โมเดลห้องปฏิบัติการที่ได้จากผู้ป่วย — รวมถึงออร์แกโนอิด, co-cultures (การปลูกเซลล์หลายประเภทร่วมกันเพื่อดูการโต้ตอบ) และโมเดลที่เปิดหรือปิดยีนเฉพาะ ผลลัพธ์จะถูกส่งกลับเข้าสู่ระบบเพื่อปรับปรุง ปัจจุบันบางส่วนของลูปนี้ยังทำด้วยมือ; การทำให้เป็นอัตโนมัติเต็มรูปแบบคือขั้นตอนต่อไปของเรา

เรามีการวัดผลของการตอบรับนี้แล้ว ในการศึกษาที่เราปล่อยบน ArXiv (คลังข้อมูลบทความวิทยาศาสตร์) ในปีนี้ เอเย่นต์ AI ที่ได้รับการตอบรับจากห้องปฏิบัติการแบบวนซ้ำนี้ทำได้ดีกว่าการเลือกแบบสุ่มถึง 166–185% ในการระบุยีนที่เปลี่ยนแปลงพฤติกรรมของเซลล์อย่างมีนัยสำคัญ — ยีนประเภทที่ควรเป็นเป้าหมายของยา

บริษัทเภสัชกรรมควรใช้เมตริกใดในการประเมินนักวิทยาศาสตร์ AI? ความสำเร็จควรวัดโดยความแม่นยำของการพยากรณ์, ความสามารถทำซ้ำ, จำนวนเป้าหมายที่ตรวจสอบแล้ว, การตัดสินใจการทดลองคลินิกที่ดีขึ้น หรือมาตรฐานอื่น?

เราคิดว่ามาตรฐานที่สำคัญที่สุดคือความน่าเชื่อถือ AI ที่สามารถให้คำตอบที่แม่นยำเป็นครั้งคราวอาจน่าสนใจ แต่ระบบ AI จะเป็นประโยชน์จริงต่ออุตสาหกรรมเมื่อมันสามารถตอบคำถามเดียวกันได้ในลักษณะเดียวกันอย่างสม่ำเสมอ ไม่ว่าคุณจะถามกี่ครั้งก็ตาม

นั่นคือสิ่งที่ทำให้ระบบเหล่านี้เปลี่ยนจากการสาธิตที่ดูดีเป็นพื้นฐานของกระบวนการทำงานจริง นั่นคือวิธีที่เราสร้าง K Pro — เพื่อให้การให้เหตุผลของ AI ภายในทำตามกระบวนการที่ทำซ้ำได้และโปร่งใสทุกครั้งที่ตอบคำถาม

การทำซ้ำทางวิทยาศาสตร์เป็นสิ่งสำคัญในการวิจัยยา K Pro แสดงให้นักวิจัยเห็นว่าชุดข้อมูล, กระบวนการวิเคราะห์และขั้นตอนการให้เหตุผลใดที่มีส่วนทำให้ได้ข้อสรุป เพื่อให้ผลลัพธ์สามารถตรวจสอบได้อย่างอิสระอย่างไร?

K Pro บันทึกและแสดงกระบวนการให้เหตุผลของ AI ที่ใช้ตอบทุกคำถาม

ทุกชุดข้อมูลที่ใช้จะระบุด้วยแหล่งที่มาและเวอร์ชัน คุณสามารถเห็นกลุ่มผู้ป่วยที่ลดลงในแต่ละขั้นตอนการกรอง — ตัวอย่างเช่น จากผู้ป่วยสี่พันคนเหลือสามร้อยคน ทุกเครื่องมือที่เรียกใช้จะแสดง ทุก “skill” ที่ใช้จะแสดง ทุกขั้นตอนการให้เหตุผลจะแสดง

“skill” คือกระบวนการทำงานทางวิทยาศาสตร์ที่ถูกเข้ารหัสไว้หนึ่งครั้ง — ลำดับการวิเคราะห์, เกณฑ์, การให้เหตุผล — ซึ่ง K Pro จะนำไปใช้โดยตรงทุกครั้งที่เกี่ยวข้อง Skill มีความสำคัญต่อการทำซ้ำเป็นพิเศษ เพราะเป็นหนึ่งในวิธีที่ K Pro ลดความแปรปรวนตามธรรมชาติของระบบ AI — งานเดียวกันที่ทำสองครั้งควรให้คำตอบเดียวกัน เรากำลังต่อยอดจากนี้ต่อไป เนื่องจากความสามารถในการตรวจสอบงานของ AI เป็นข้อได้เปรียบสำคัญในอุตสาหกรรมของเรา

Owkin กำลังพัฒนาเอเย่นต์ K Pro ที่ออกแบบเฉพาะสำหรับ AstraZeneca และ Sanofi ความร่วมมือเหล่านี้สอนอะไรคุณเกี่ยวกับการผสานนักวิทยาศาสตร์ AI เข้าในกระบวนการทำงานของบริษัทเภสัชกรรมที่มีอยู่โดยไม่ทำให้การควบคุมของมนุษย์, การกำกับดูแล หรือความเข้มงวดทางวิทยาศาสตร์อ่อนลง?

คุณต้องเข้าหาบริษัทเภสัชกรรมตามจุดที่พวกเขาอยู่ ทุกบริษัทมีการตั้งค่า, ประวัติ, และความต้องการรับ AI ที่แตกต่างกัน — และภายในแต่ละบริษัท ทีมต่าง ๆ มีความต้องการที่แตกต่างกัน

ประสบการณ์ของเราที่ทำงานกับบริษัทเภสัชกรรมตลอดเกือบสิบปีที่ผ่านมา คือพวกเขาจะให้ความสำคัญกับการควบคุมและความเข้มงวดเสมอ และคุณจะไม่สามารถเข้าถึงได้หากไม่ตรงตามมาตรฐานการกำกับดูแลของพวกเขา

ดังนั้นเราจึงสร้าง K Pro ให้สามารถอธิบายได้ — หมายความว่าคุณสามารถเห็นวิธีการให้เหตุผล, เครื่องมือที่เลือก, และข้อมูลที่เรียกใช้ — มีความยืดหยุ่นพอที่จะทำงานภายในระบบที่บริษัทมีอยู่โดยไม่ต้องเปลี่ยนแปลงโครงสร้างพื้นฐาน และสามารถเข้าถึงข้อมูลที่เป็นกรรมสิทธิ์ได้ตรงที่จัดเก็บอยู่โดยไม่ต้องย้ายหรือทำสำเนา

สิ่งนี้ช่วยสร้างความเชื่อมั่นที่จำเป็นสำหรับการนำ AI ไปใช้ในอุตสาหกรรมเภสัชกรรมอย่างมาก

ข้อมูลผู้ป่วยแบบหลายมิติอาจมีอคติของสถาบัน, คำอธิบายที่ไม่สอดคล้องและประชากรที่ถูกแทนที่ไม่เพียงพอ Owkin ป้องกันข้อจำกัดเหล่านี้ไม่ให้กลายเป็นข้อสรุปชีวภาพที่ทำให้เข้าใจผิดหรือทำให้กลุ่มผู้ป่วยที่อาจได้รับประโยชน์จากการค้นหาถูกจำกัดอย่างไร?

ข้อมูลทั้งหมดมีอคติในรูปแบบใดรูปแบบหนึ่ง ไม่ว่าจะมาจากห้องปฏิบัติการหรือผู้ป่วยที่เป็นตัวแทน วิธีของเราคือทำความเข้าใจชุดข้อมูลให้เต็มที่ที่สุด เพื่อให้เราสามารถระบุว่ามีอคติหรือไม่และวิธีจัดการกับมัน

เราสามารถทำเช่นนี้ได้เพราะเรามีความสัมพันธ์ที่แน่นแฟ้นกับนักวิจัยผู้สร้างชุดข้อมูลแต่ละชุดตั้งแต่แรก และพวกเขาช่วยเราตรวจสอบอย่างละเอียด

เรามั่นใจว่าหากมีชุดข้อมูลที่เกี่ยวข้อง เราจะสามารถค้นหาได้ แต่หากมีช่องว่าง — ตัวอย่างเช่น ประชากรผู้ป่วยบางกลุ่มไม่ได้รับการแทนที่อย่างดีในข้อมูลที่มี — เราสามารถสร้างข้อมูลใหม่ตามมาตรฐานที่เข้มงวดด้วยตนเอง โดยร่วมมือกับพันธมิตรทางวิชาการ เช่นเดียวกับชุดข้อมูล MOSAIC ของเรา

คุณได้อธิบายเป้าหมายระยะยาวของ Owkin ว่าเป็น Biological Artificial Superintelligence ความสามารถใดที่จะทำให้แตกต่างจากเครื่องมือวิจัย AI ในปัจจุบัน และหลักฐานอะไรที่จะทำให้คุณเชื่อว่าระบบ AI เข้าใจชีววิทยาจริง ๆ ไม่ใช่แค่การระบุรูปแบบที่ซับซ้อนมากขึ้นเรื่อย ๆ?

Biological Artificial Superintelligence (BASI) — คำที่เราใช้เรียกระบบ AI ที่สามารถเสนอชีววิทยาใหม่ที่แท้จริงและถูกต้องได้โดยอิสระ — จะเกิดขึ้นเมื่อระบบ AI เริ่มเสนอชีววิทยาโรคใหม่อย่างเชื่อถือได้ที่การวิจัยของมนุษย์ยังไม่ค้นพบและในภายหลังพิสูจน์ว่าเป็นความจริง

เรากำลังมุ่งสู่เป้าหมายนั้นด้วยระบบที่สามารถ:

• ทำงานโดยอัตโนมัติ ปรับสมมติฐานของตนเองโดยไม่ต้องการการแทรกแซงของมนุษย์ในทุกขั้นตอน รวมถึงการออกแบบและดำเนินการทดลองในห้องปฏิบัติการอัตโนมัติ
• ให้เหตุผลเกี่ยวกับสาเหตุและผลในระบบชีวภาพ ไม่ใช่เพียงการระบุความสัมพันธ์เท่านั้น

ส่วนเรื่องว่า AI จะ “เข้าใจ” ชีววิทยาจริงหรือไม่เป็นคำถามเชิงปรัชญาที่น่าสนใจ ที่จุดใดที่การแสดงผลภายในของโมเดลมีความซับซ้อนพอที่จะถือว่าเป็นการเข้าใจจริง ๆ ไม่ใช่แค่การจับคู่รูปแบบที่ซับซ้อนมากขึ้น? สำหรับตอนนี้ ฉันพอใจกับการที่มันสามารถเสนอชีววิทยาใหม่อย่างเชื่อถือได้และพิสูจน์ว่าเป็นความจริง

ขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมควรเยี่ยมชม Owkin.