Charles Fisher, Ph.D., Unlearn’in CEO & Kurucusu – Röportaj Serisi

Charles Fisher, Ph.D., Unlearn‘in CEO ve kurucusudur. Unlearn, klinik gelişim sürecindeki en büyük tıkanıklıkları – uzun süreli deneme süreçleri, yüksek maliyetler ve belirsiz sonuçlar – çözmek için AI’yi kullanır. Their novel AI modelleri, geniş hasta verilerini analiz ederek hasta sağlığı sonuçlarını tahmin eder. Dijital ikizleri klinik denemelerine entegre ederek Unlearn, klinik araştırmaları hızlandırır ve hayat kurtaran yeni tedavileri hastalara ulaştırır.

Charles, fizik, makine öğrenimi ve hesaplamalı biyoloji arasındaki ilgi alanlarına sahip bir bilim insanıdır. Daha önce Charles, Leap Motion’da makine öğrenimi mühendisi ve Pfizer’de hesaplamalı biyolog olarak çalışmıştır. École Normale Supérieure’de teorik fizik alanında Philippe Meyer Bursu sahibi olmuş ve Boston Üniversitesi’nde biyofizik alanında doktora sonrası bilim insanı olarak görev yapmıştır. Charles, Harvard Üniversitesi’nden biyofizik alanında doktora ve Michigan Üniversitesi’nden biyofizik alanında lisans derecesine sahiptir.

Sizin temel inancınız, matematik ve hesaplamaların biyolojinin temeli olması gerektiği yönünde. Bu sonuçlara nasıl ulaştınız?

Bu muhtemelen matematik ve hesaplamalı yöntemlerin son yıllarda biyoloji eğitiminde yeterince vurgulanmamış olmasından kaynaklanmaktadır, ancak benim gördüğüm kadarıyla, insanlar fikirlerini değiştiriyor ve bana katılıyorlar. Derin sinir ağları, karmaşık sistemler için yeni bir araç seti sundu ve otomasyon, büyük ölçekli biyolojik veri setlerinin oluşturulmasına yardımcı oluyor. Biyolojinin önümüzdeki on yılda hesaplamalı bir bilim dalına dönüşeceği kaçınılmaz görünüyor.

Bu inanç nasıl Unlearn’i kurmaya dönüştü?

Geçmişte, biyolojideki birçok hesaplamalı yöntem, tıp uygulamalarından uzak sorunları çözmeye yönelik olarak görülüyordu, bu da gerçek değer göstermeyi zorlaştırdı. Amacımız, tıpta sorunları çözmek için yeni AI yöntemleri geliştirmek, ancak aynı zamanda, klinik denemeleri gibi, gerçek değer gösterebileceğimiz alanları bulmak.

Unlearn’in tıp alanında AI kullanarak deneme yanılma yöntemini ortadan kaldırma misyonunu açıklar mısınız?

Mühendislikte bir cihazı bilgisayarlı bir model kullanarak tasarlayıp test etmek ve sonra gerçek şeyi inşa etmek yaygındır. Biz de tıpta benzer bir şeyi ermögilmek istiyoruz. Bir tedaviyi bir hastaya vermeden önce, onun etkisini simüle edebilir miyiz? Sanırım bu alanda henüz çok uzağız, ancak amacımız, bunu mümkün kılacak teknolojiyi geliştirmek.

Unlearn’in klinik denemelerinde dijital ikizleri kullanması nasıl araştırma sürecini hızlandırır ve sonuçları iyileştirir?

Unlearn, klinik deneme katılımcılarının dijital ikizlerini oluşturan AI modelleri geliştirir. Her katılımcının dijital ikizi, klinik bir denemede plasebo grubuna dahil edilmesi durumunda hangi sonucu elde edeceğini tahmin eder. Eğer AI modellerimiz mükemmel olarak doğru olsalardı, prensipte klinik denemeleri plasebo grubu olmadan yürütebilirdik. Ancak uygulamada, tüm modeller hatalar yapar, bu nedenle daha küçük plasebo grupları kullanarak randomize denemeler tasarlamayı hedefliyoruz. Bu, çalışmaya katılma sürecini hızlandırır ve deneme sürelerini kısaltır.

Unlearn’in düzenleyici onaylı Prognostik Kovaryant Ayarlaması (PROCOVA™) metodolojisi hakkında daha ayrıntılı bilgi verebilir misiniz?

PROCOVA™, ilk geliştirdiğimiz ve katılımcıların dijital ikizlerinin klinik denemelerinde kullanılmasına olanak tanıyan yöntemdir, böylece deneme sonuçları, modelin yaptığı hatalara karşı dayanıklı hale gelir. Temel olarak, PROCOVA, bazı katılımcıların plasebo grubuna rastgele atanmasını kullanarak, istatistiksel bir yöntem olan kovaryant ayarlaması ile dijital ikizlerin tahminlerini düzeltir. Bu, daha küçük kontrol grupları veya daha yüksek istatistiksel güç ile çalışmalara olanak tanır ve aynı zamanda tedavi etkinliğinin sağlam değerlendirmelerini sağlar. Ayrıca, bu çözümlerimizi genişletmek ve daha güçlü çalışmalar sunmak için Ar-Ge çalışmalarımıza devam ediyoruz.

Unlearn, AI çözümlerinin geliştirilmesinde inovasyonu düzenleyici uyuma nasıl dengelemektedir?

Klinik denemelere yönelik çözümler genellikle kullanım bağlamına göre düzenlenir, bu nedenle farklı risk profillerine sahip, farklı kullanım durumlarına yönelik çoklu çözümler geliştirebiliriz. Örneğin, PROCOVA’yı geliştirdik çünkü çok düşük riskli bir yöntemdir, bu da bizi, sürekli sonuçlarla fase 2 ve 3 klinik denemelerde birincil analiz için Avrupa İlaç Ajansı’ndan (EMA) bir nitelik görüşü almaya yöneltti. Ancak PROCOVA, deneme katılımcıları için oluşturduğumuz dijital ikizlerden sağlanan tüm bilgileri kullanmaz – düzenleyici rehberlik ile uyumlu olmak için bazı performansları bırakır. Tabii ki, Unlearn, sınırları zorlayıp, daha inovatif çözümler geliştirmek için var, bu nedenle daha erken aşamadaki çalışmalarda veya post-hoc analizlerde kullanılabilecek, PROCOVA’dan daha fazla verimlilik sağlayan diğer tür yöntemler (örneğin, Bayesci analizler) için hedeflenen uygulamalara yönelik çözümler lanç edebiliriz.

Unlearn için tıp alanında AI kullanımının en önemli zorlukları ve başarıları nelerdir?

Bize ve tıp alanındaki sorunlara AI uygulayan diğerlerine yönelik en büyük zorluk, kültürel bir zorluktur. Şu anda, tıptaki majority araştırmacılar AI ile çok fazla aşin Değiller ve genellikle altta yatan teknolojiler hakkında yanlış bilgilendirilmişlerdir. Sanırım bu, önümüzdeki yıllarda değişecektir, ancak biyoloji ve tıp, genel olarak, bilgisayar teknolojilerinin benimsenmesinde diğer alanlardan geride kalıyor. Birçok teknolojik atılımda bulunduk, ancak benim için en önemli şeyler, düzenleyiciler veya müşterilerden gelen kanıtlar.

Biyolojide matematik ve hesaplama kullanımına ilişkin kapsayıcı vizyonunuz nedir?

Bana göre, bir şeyi “bilim” olarak adlandırmak için, gelecekteki deneylerin sonuçları hakkında doğru, nicel tahminler yapma amacına sahip olması gerekir. Şu anda, yaklaşık %90’ı insan klinik denemelerine giren ilaçlar başarısız oluyor, genellikle因为 çalışmıyor. Bu nedenle, biyoloji ve tıp alanlarında doğru, nicel tahminler yapmak için çok uzağız. Sanırım bu, bu disiplinlerin temelinde bir değişiklik olmadan değişmez – matematik ve hesaplamalı yöntemler biyolojinin temel akıl yürütme araçları haline gelene kadar. Umarım, Unlearn’de yaptığımız çalışma, önemli bir pratik soruna AI-first yaklaşımının değerini vurgular ve gelecekteki araştırmacılar bu kültürü daha geniş bir sorun yelpazesine uygulayabilir.

Harika bir röportaj için teşekkür ederiz. Daha fazla bilgi öğrenmek isteyen okuyucular Unlearn ziyaret edebilir.