Standigm CEO’su Jinhan Kim – Röportaj Serisi

Jinhan Kim, Standigm’in CEO’sudur, bir iş akışı AI ilaç keşif şirketi.

Özel hedef tanımlamadan lider oluşturma sürecine kadar, Standigm iş akışı AI platformu, ticari olarak değerli ilaçların geliştirilmesi için her adımda iç ve ortaklık projelerinden gelen bilgiler oluşturur. ​

6. sınıftayken kodlamaya başladınız, ilgilenmeye nasıl başladığınızı ve ilk olarak neler üzerinde çalıştığınızı paylaşabilir misiniz?

Evet, Apple (AAPL ) II Plus ile. Bu, beni bir kitap kurdundan bir yaratıcıya dönüştüren katalizör oldu. Merak nedeniyle C programlamasına başladım. Bilgisayarımın ilkeleri ve teorik yönleri ile ilgilenmeye başladım. Oradan, teknoloji alanında ömür boyu bir öğrenen oldum.

İlk olarak makine öğrenimi ile nasıl ilgilenmeye başladınız?

Edinburgh Üniversitesi’nde uygulamalı kimya ve yapay zeka alanında eğitim aldım. Geoffrey Hinton’un altında çalıştım. O, temel olarak derin öğrenmeyi yaratmış bir nörobilimci ve bilgisayar bilimcidir. Hinton, yapay sinir ağları ve bağımsız, akıllı makineler üzerinde çalıştı ve daha sonra makine öğrenimi algoritmaları tasarladı. Google (GOOGL ), on yıl önce AI’sini yaratması için onu işe aldı ve gerisi tarih.

Biyoloji ve makine öğrenimi arasındaki kesişme noktasına ilk olarak ne zaman dahil oldunuz?

Samsung Advanced Institute of Technology’de çalışıyordum ve algoritmalar geliştiriyordum. Geliştirdiğim algoritmalar arasında DNA hasarını onarma mekanizması vardı. Biyoloji alanında çalışmak ve hedeflemek için en zor sorunları çözmek istedim. Hem insan vücudu hem de insan gibi düşünen bilgisayarlar, anlaşılması gereken en karmaşık şeylerdir ve birini anlamak için diğerini çalışmak gerekir. AI sistemleri, sadece geniş bilimsel verileri世界 çapında yayınlamakla kalmaz, aynı zamanda insan vücudunun karmaşıklıklarını hızlı ve tutarlı bir şekilde işleyebilir ve biyolojik mekanizmaların kalıplarını yakalar. Biyoloji ve makine öğreniminin el ele gittiğini görmek kolaydı.

Standigm’in arkasındaki hikayeyi paylaşabilir misiniz?

Sağlık ve bilim alanındaki çalışmalarım, geleneksel ilaç keşfinde büyük bir sorun olduğunu gösterdi: bilimsel araştırma makalelerini taramak ve ekranlama denemeleri veya yeni ilaç yaratma için atılabilecek ipuçlarını sağlayan zaman ve para. İnsan bilim adamları bu yoğun araştırmaları yapıyordu. Ben ve iki Samsung meslektaşım, Sang Ok Song ve So Jeong Yun, insanlardan akıllı bir makineye işleri kaydırmak ve yeni bir iş akışı tasarlamak için bir fırsat gördük. Ayrıca, maaş için değil, kendi adıma çalışmak, ilaç keşif yöntemlerini yeni bir standart paradigmaya getirmek istedim ve bu, Standigm’in doğuşunun ve isminin hikayesidir. Şirketin üç kurucusuyuz. Makine öğrenimi modelimiz şimdi yüksek tahmin doğruluğuna ulaşıyor ve AI teknolojisi maksimum ROI’ye ulaşıyor.

Sentetik erişilebilirlik problemi nedir ve Standigm bunu nasıl çözmektedir?

Yapay sinir ağları, iyi eğitilmiş ilaç kimyagerlerinin yardımına gerek kalmadan yeni moleküler yapılar tasarlayabilir, bu da bu teknolojinin ilaç keşif toplulukları tarafından coşkuyla benimsenmesinin en önemli nedenlerinden biridir. Burada en büyük engel, molekül tasarımı ve deneysel sentezinin hızı arasındaki farktır, burada milyonlarca bileşenin tasarımı sadece birkaç saat alır ve sadece on molekülün sentezi haftalar veya aylar alır. İnsan uzmanları tarafından sentezlenecek tasarlanan bileşiklerin sadece küçük bir kısmı olduğu için, moleküler özelliklerin iyi ölçütlerine sahip olmak önemlidir.

İlk nesil AI modelleri kaba ve sentetik kimyagerler, sentetik planın zorluğu nedeniyle tasarlanan molekülleri reddetti. Bazı CRO şirketleri bile bu sentetik kampanya için bir teklif hazırlamayı reddetti.

Standigm, bu sorunu, deneyimli ilaç kimyagerlerini işe alarak ve onların uzmanlıklarını üretken modellere ekleyerek çözmektedir, böylece insan uzmanları tarafından tasarlananlarla ayırt edilemeyecek bileşikler tasarlayabilirler. Standigm, şimdi farklı ilaç keşif aşamalarını yönetebilecek çeşitli üretken modellere sahiptir: hit tanımlama, hit-to-lead ve lead optimizasyonu. Bu, AI ilaç keşif şirketleri için insan deneyimine ve uzmanlığa sahip olmanın önemini gösteriyor, çünkü her projede insan deneyimi ve uzmanlığı, AI modellerini geliştirmek ve en iyi iş akışlarını güvence altına almak için kullanılır.

Standigm’in ilaç keşfine yardımcı olmak için kullandığı algoritmalar hakkında konuşabilir misiniz?

Genellikle, Standigm ASK kullanarak vaat edilen ve yeni hedef proteinleri önceliklendirerek keşif projelerine başlarız; biyoloji platformumuz, büyük biyolojik ağları eğitmek, çeşitli türden önyargısız omik verileri kullanmak, biyolojik sistemlerin özel bağlamını tanıtmak gibi farklı algoritmalar içerir. Doğru hedef protein seçmek, ilaç keşfinde en kritik konulardan biridir. Standigm ASK, hastalık uzmanlarına MOA (etki mekanizması) hakkında多lu hipotezler sunar.

Standigm BEST, yüksek korumalı aralıkları olan patentleri güvence altına almak için çeşitli görevleri gerçekleştirir, bunlar arasında hit bileşiklerini önerme (etkin keşif), iskele atlamak (sentetik erişilebilirlik ve yenilik dikkate alınarak) ve ilaçlanabilirlik için çeşitli öngörücü modeller (etkinlik, ADME/Tox özellikleri ve fiziko-kimyasal özellikler) bulunur. Bu daha büyük görevlere bağlı birçok küçük görev vardır, zoals DTI (ilaç-hedef etkileşimi), AI destekli moleküler simülasyonlar, seçicilik öngörüsü ve çok parametreli optimizasyon.

Yeni bileşik oluşturma konusunda geleneksel ilaç keşif prosedürlerine kıyasla ortalama olarak ne kadar zaman kazanılmaktadır?

Standigm araştırmacıları, çeşitli projeler için yüzlerce yeni molekül sentezledi, bunların birçoğu farklı bağlamlarda hit ve lider moleküller olarak belirlendi. AI tabanlı modelleri ve ticari kaynakları benimseyerek, Standigm, ilk tur yeni bileşik oluşturma süresini altı aydan ortalama iki aya düşürdü. Şimdi, ilk git/gitmeme kararları ortalama yedi ayda verilebilir, bu da önceki üç veya dört yıla kıyasla önemli bir azalma.

Standigm’in potansiyel ilaç ticarileştirme başarı hikayeleri nelerdir?

Standigm Insight kullanarak, teknik olarak Standigm ASK ile aynı olan bir ilaç molekülünü, ABD’deki en iyi çocuk hastanelerinden birinden bir bilim insanı tarafından doğrulanan, nadir bir pediatrik hastalık için bulduk. Bu durum, AI teknolojisini nadir hastalık ilaç keşfinde kullanmanın zorluğunu gösteriyor, bu, herhangi bir şirket için ticari değer gerektirdiği için zor bir görev. Özellikle bu resesyon döneminde, ilaç şirketleri daha muhafazakar olmaya çalışırken, AI, nadir ve ihmal edilmiş hastalık araştırmalarını teşvik edebilir.

Derin öğrenme ve üretken AI’nin sağlık alanındaki geleceği ile ilgili vizyonunuz nedir?

AI teknolojisinin başarısı, yüksek kaliteli verilerin kullanılabilirliğine bağlıdır. Sağlık sektöründe yüksek kaliteli veri edinme konusunda büyük bir rekabet olacaktır. Erken ilaç keşfi açısından, kimya ve biyoloji verileri pahalı ve yüksek kaliteli duruma gelmeleri uzun zaman alır. Bu nedenle, otomatik laboratuvar, AI ilaç keşif alanının geleceği olacaktır, çünkü yüksek kaliteli verilerin maliyetini düşürebilir – AI teknolojisini besleyen yakıt. Teknoloji platformlarımızı bir sonraki seviyeye taşımaya çalışıyoruz, böylece Standigm ASK, hasta türetilen verilere kadar moleküler biyolojiye kadar daha açık kanıtlar sunabilir ve Standigm BEST AI modelleri, içten otomasyonlu laboratuvarlardan ve işbirlikçilerden yüksek kaliteli verilerle state-of-the-art olabilir.

Standigm hakkında paylaşmak istediğiniz başka bir şey var mı?

Standigm için farklı uzmanlıkların dengesi önemli olduğu gibi, etnik kökenlerin dengesi de kritiktir. Küresel ortamda varlığımızı genişletiyoruz, İngiltere (Cambridge) ve ABD (Cambridge, MA) ofislerini kuruyoruz ve ağların varlığını ve Standigm’i daha uluslararası bir şirket haline getirmeyi amaçlıyoruz.

Harika röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular Standigm’i ziyaret edebilir.