Leland Hyman, Sherlock Biosciences’te Lead Data Scientist – Röportaj Serisi

Leland Hyman, Sherlock Biosciences’te Lead Data Scientist’tir. Bilgisayar bilimcisi ve araştırmacı olarak deneyimlidir ve makine öğrenimi ve moleküler tanı alanlarında geçmişe sahiptir.

Sherlock Biosciences, Cambridge, Massachusetts’te bulunan bir biyoteknoloji şirketidir ve CRISPR kullanarak tanı testleri geliştirir. Moleküler tanıları daha iyi, daha hızlı ve daha ucuz testlerle değiştirmeyi hedefliyorlar.

Sizce bilgisayar bilimine ilk olarak neler sizi çekmiştir?

Çok genç yaşta programlamaya başladım, ancak esas olarak arkadaşlarımla birlikte video oyunları yapmakla ilgileniyordum. İlgi alanım, özellikle 2010’ların başındaki makine öğrenimi çalışmalarıyla birlikte, üniversite ve yüksek lisans döneminde diğer bilgisayar bilim uygulamalarına yöneldi. Tüm alan, bilimsel araştırmaları ve günlük hayatımızı doğrudan etkileyebilecek yeni bir sınır gibi görünüyordu – buna karşı koyamadım.

Çellular ve Moleküler Biyoloji alanında doktora da yaptınız, bilgisayar bilimi ve biyoloji alanlarının kesişeceğini ne zaman fark ettiniz?

Bu tür kesişen çalışma, bilgisayar bilimi ve biyoloji arasındaki işbirliği, yüksek lisans eğitimim sırasında başladı. Laboratuvarımız, protein mühendisliği sorunlarını çözmek için biyokimyacılar, bilgisayar bilimcileri ve herkes arasında işbirliği içinde çalışıyordu. Makine öğreniminin biyolojik sistemlere değerli bilgiler sağlayabileceğini ve deneysel çalışmaları kolaylaştırabileceğini çabuk olarak fark ettim. Ayrıca, makine öğrenimi modellerini oluştururken biyolojik sezginin değerini anlamaya başladım. Makine öğreniminde, sorunu doğru bir şekilde çerçevelemenin kritik unsur olduğuna inanıyorum. Bu nedenle, farklı alanlar arasındaki işbirlikilerin büyük bir etkiye sahip olabileceğine inanıyorum.

2022’den beri Sherlock Biosciences’te çalışıyorsunuz, rolünüz hakkında bazı detaylar paylaşabilir misiniz?

Şu anda Sherlock Biosciences’te hesaplamalı takımın lideriyim. Ekibimiz, tanı testlerimize giren bileşenleri tasarlamak, deneysel çalışmalar yapanlarla işbirliği yapmak ve tasarımları iyileştirmek için yeni hesaplamalı yetenekler geliştirmekle sorumludur. Bu faaliyetleri koordine etmek dışında, kod tabanındaki makine öğrenimi kısımlarıyla çalışıyorum, yeni model mimarileri deniyorum ve DNA ve RNA fiziklerini simüle ediyorum.

Sherlock Biosciences’in核心nde makine öğrenimi var, topladığınız veri türleri ve hacmi hakkında bilgi verebilir misiniz ve makine öğrenimi bu verileri nasıl işliyor?

Tanı testi geliştirme sırasında, her yeni patojen için dozens to hundreds of aday testleri deneyimliyoruz. Bunların büyük çoğunluğu ticari teste girmeyecek olsa da, hatalarımızdan öğrenme fırsatı olarak görüyoruz. Bu deneylerde, iki önemli şeyi ölçüyoruz: duyarlılık ve hız. Modellerimiz, her bir testin DNA ve RNA dizilerini girdi olarak alıyor ve sonra testin duyarlılık ve hızını öngörüyor.

Makine öğrenimi, moleküler tanı bileşenlerinin en yüksek hız ve doğrulukla çalışacağını nasıl öngörüyor?

Bir insan nasıl öğrendiğini düşündüğümüzde, iki temel strateji vardır. Bir yanda, bir kişi bir görevi sadece deneme-yanılma yoluyla öğrenebilir. Görevi tekrar tekrar deneyebilir ve birçok başarısızlıktan sonra, görevin kurallarını sonunda kendisi öğrenebilir. Bu strateji, internet öncesi popülerdi. Ancak, bu kişiye görevin kurallarını hemen öğretebilecek bir öğretmen verebiliriz. İyi bir öğretmene sahip olan öğrenci, deneme-yanılma yaklaşımından çok daha hızlı öğrenebilir, ancak sadece öğretmenin görevi tam olarak anladığı takdirde.

Makine öğrenimi modellerini eğittiğimiz yaklaşım, bu iki stratejinin arasında bir yerdedir. Makine öğrenimi modellerimize, mükemmel bir “öğretmen” olmasa da, DNA ve RNA zincirlerinin fiziksel özelliklerine ilişkin bazı bilgiler verebiliriz. Bu, daha az veri ile daha iyi öngörülerde bulunmalarına yardımcı olur. Bunu yapmak için, testlerin DNA ve RNA dizileri üzerinde beberapa biyofizik simülasyonu çalıştırıyoruz. Sonra, simülasyon sonuçlarını modele veriyoruz ve testin hız ve duyarlılığını öngörmesini istiyoruz. Bu işlemi, laboratuvarda gerçekleştirdiğimiz tüm deneyler için tekrarlıyoruz ve model, öngörülerini gerçeğe göre ayarlıyor. Yeterince tekrarlandığında, sonunda DNA ve RNA fiziklerinin her bir testin hız ve duyarlılığıyla nasıl ilişkili olduğunu öğreniyor.

Sherlock Biosciences’te AI algoritmalarının kullanıldığı diğer yollar nelerdir?

Çok çeşitli sorunları çözmek için makine öğrenimi algoritmalarını kullandık. Pazar araştırması ve görüntü analizi ile ilgili birkaç örnek geliyor aklıma. Pazar araştırması için, farklı müşteri türleri hakkında bilgi edinmek ve hastalık testi ihtiyacının karşılanmamış olabileceği insan sayısını öğrenmek için modeller eğittik. Ayrıca, lateral akış şeritlerinin (COVID testlerinde kullanılan türden) resimlerini analiz eden ve otomatik olarak pozitif bir bandın olup olmadığını öngören modeller geliştirdik. Bir insan için basit bir görev gibi görünse de, binlerce resmi elle açıklamanın ne kadar zahmetli olduğunu biliyorum.

CRISPR gibi biyobilim teknolojileriyle birlikte çalışan makine öğrenimi modelleri oluştururken karşılaşılan zorluklar nelerdir?

Veri erişimi, makine öğrenimi modellerini herhangi bir biyobilim teknolojisiyle uygulamadaki temel zorluktur. CRISPR ve DNA veya RNA tabanlı teknolojiler, özellikle nükleik asitlerin proteinlere kıyasla çok daha küçük yapısal veri setlerine sahip olmasından dolayı özel bir zorlukla karşılaşıyorlar. Bu nedenle, son yıllarda protein makine öğrenimi alanındaki büyük ilerlemeleri (AlphaFold2 gibi) gördük, ancak DNA ve RNA makine öğrenimi stilleri hala geride kalıyor.

CRISPR ve biyobilimle entegre AI’nın geleceği hakkında vizyonunuz nedir?

Protein mühendisliği ve ilaç keşfi alanlarında şu anda büyük bir AI patlaması yaşıyoruz ve bu gelişmelerin eczacılık endüstrisinde gelişmeyi hızlandıracağına inanıyorum. CRISPR ve diğer DNA ve RNA tabanlı teknolojilerde de benzer bir şeyin önümüzdeki yıllarda olmasını umuyorum. Bu, tanı, insan tıbbı ve sentetik biyoloji alanlarında büyük bir etkiye sahip olabilir. Zaten, Sherlock’ta tanı ve CRISPR teknolojilerimizin geliştirilmesinde hesaplamalı araçların faydalarını gördük ve bu tür çalışmaların alanın ilerlemesine yönelik bir “kar topu” etkisine yol açabileceğini umuyorum.

Harika bir röportaj için teşekkür ederiz, daha fazla bilgi almak isteyen okuyucular Sherlock Biosciences ziyaret edebilir.