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

Charles Fisher, Ph.D., Unlearn’in CEO’su ve kurucusudur. Unlearn, klinik gelişim sürecindeki en büyük tıkanıklıkları çözmek için AI’ı kullanan bir platformdır: uzun süreli deneme süreçleri, yüksek maliyetler ve belirsiz sonuçlar. Unlearn’in yeni AI modelleri, hastaların sağlık sonuçlarını tahmin etmek için büyük miktarda hasta verilerini analiz eder. Klinik denemelere dijital ikizleri entegre ederek, Unlearn klinik araştırmaları hızlandırabilir ve hastalara hayat kurtaran yeni tedavileri getirebilir.

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’da teorik fizik alanında Philippe Meyer Bursu sahibi olmuştur ve Boston Üniversitesi’nde biyofizik alanında doktora sonrası bilim insanı olarak çalışmıştır. Charles, Harvard Üniversitesi’nden biyofizik alanında doktora ve Michigan Üniversitesi’nden biyofizik alanında lisans derecesine sahiptir.

Siz, biyolojinin temelinde matematik ve hesaplamanın olması gerektiğine dair temel inançta azınlıksınız. Bu sonuçlara nasıl ulaştınız?

Sanırım bu, biyoloji eğitiminde matematik ve hesaplamalı yöntemlerin yeterince vurgulanmamasının bir sonucu. Ancak, derin sinir ağları bize karmaşık sistemler için yeni araçlar sağladı ve otomasyon, büyük ölçekli biyolojik veri setlerinin oluşturulmasına yardımcı oluyor. Biyolojinin önümüzdeki on yılda hesaplamalı bir bilim dalına dönüşeceğini düşünüyorum.

Bu inanç nasıl Unlearn’i kurmanıza yol açtı?

Geçmişte, biyolojide kullanılan hesaplamalı yöntemler genellikle gerçek sorunları çözmek yerine, uygulamalardan uzak sorunları çözmek için görülüyordu. Amacımız, tıp alanında sorunları çözmek için yeni AI yöntemleri geliştirmek, ancak aynı zamanda klinik denemeler gibi gerçek değer gösterebileceğimiz alanları bulmaktır.

Unlearn’in tıp alanında deneme yanılma yöntemini ortadan kaldırmak için AI’ı kullanma misyonunu açıklar mısınız?

Mühendislikte, bir cihazı bilgisayar modeli kullanarak tasarlayıp test etmek ve sonra gerçek şeyi inşa etmek yaygındır. Tıpta da benzer bir şeyi yapmak istiyoruz. Bir tedaviyi hastaya uygulamadan önce, simülasyon kullanarak tedavi sonucunu tahmin edebilir miyiz? Sanırım bu alanda henüz çok ileride değiliz, ancak amacımız bu teknolojiyi geliştirmek.

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

Unlearn, klinik deneme katılımcılarının dijital ikizlerini oluşturan AI modelleri geliştirir. Her katılımcının dijital ikizi, klinik denemede placebo grubuna dahil olursa hangi sonucu elde edeceğini tahmin eder. Eğer AI modellerimiz mükemmel olarak doğru olsaydı, teoride klinik denemeler placebo grubu olmadan yapılabilirdi. Ancak modellerimiz hatalar yapabilir, bu nedenle daha küçük placebo grupları olan randomize denemeler tasarlamayı hedefliyoruz. Bu, deneme sürelerini kısaltmaya yardımcı olur.

Unlearn’in düzenleyici onaylı Prognostic Covariate Adjustment (PROCOVA™) metodolojisi hakkında daha ayrıntılı bilgi verebilir misiniz?

PROCOVA, dijital ikizlerin klinik denemelerde kullanılmasını sağlayan ve modelin hatalarını düzeltmek için istatistiksel bir yöntem olan kovaryant ayarlaması kullanır. Bu, daha küçük kontrol grupları veya daha yüksek istatistiksel güç ile çalışmalara olanak tanır. Ayrıca, bu çözümleri 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 birden fazla çözüm geliştirebiliriz. Örneğin, PROCOVA’yı geliştirdik çünkü çok düşük riskli bir çözümdür ve bu nedenle Avrupa İlaç Ajansı’ndan (EMA) sürekli sonuçlarla ilgili fase 2 ve 3 klinik denemelerde birincil analiz için onay aldık. Ancak PROCOVA, dijital ikizlerden elde edilen tüm bilgileri kullanmaz, bu nedenle daha yenilikçi çözümler geliştirmeyi hedefliyoruz.

Unlearn’in tıpta AI’ı kullanmasındaki en önemli zorluklar ve başarılar nelerdir?

En büyük zorluk, tıp alanında AI’ın uygulanmasıyla ilgili kültürel bir zorluktur. Şu anda, tıp araştırmacılarının çoğu AI hakkında yeterli bilgiye sahip değildir ve genellikle AI teknolojileri hakkında yanlış bilgilendirilmişlerdir. Sanırım bu durum değişecektir, ancak biyoloji ve tıp, bilgisayar teknolojilerinin benimsenmesinde genellikle diğer alanlardan geride kalır. Teknolojik atılımlar elde ettik, ancak düzenleyici onaylar veya müşteri kanıtları gibi prova noktaları en önemli şeylerdir.

Biyolojide matematik ve hesaplama kullanımına ilişkin genel vizyonunuz nedir?

 Biyoloji ve tıpta, gelecekteki deneylerin sonuçlarını doğru ve nicel olarak tahmin edebilmeliyiz. Şu anda, klinik denemelere giren ilaçların yaklaşık %90’ı başarısız oluyor, genellikle因为 gerçekten işe yaramıyor. Sanırım bu durum, biyoloji ve tıp disiplinlerinin temelinde matematik ve hesaplamalı yöntemlerin yer almasıyla değişecektir. Umarım, Unlearn’de yaptığımız çalışma, tıbbi araştırmada önemli bir pratik sorunu çözmek için “AI-öncelikli” bir yaklaşımın değerini vurgulayacaktır ve gelecekteki araştırmacılar bu kültürü daha geniş bir sorun setine uygulayabileceklerdir.

Harika röportaj için teşekkür ederiz, daha fazla bilgi almak isteyen okuyucular Unlearn’i ziyaret edebilirler.