Джинхан Кім, генеральний директор Standigm – Серія інтерв’ю

Джинхан Кім є генеральним директором Стандігма, компанія, що займається розробкою ліків у сфері ШІ.

Платформа штучного інтелекту робочого процесу Standigm генерує інформацію для кожного кроку розробки комерційно цінних препаратів із власних і партнерських проектів, починаючи від індивідуальної ідентифікації цілей і закінчуючи створенням потенційних клієнтів.​

Ви почали кодувати, коли були в 6-му класі, чи могли б ви поділитися, як ви зацікавилися цим і над чим спочатку працювали?

Ах, так – на моєму Apple II Plus. Це стало каталізатором для того, щоб перетворити мене з книжкового хробака на творця. Я почав програмувати, починаючи з програмування на Сі, з цікавості. Я зацікавився принципами та теоретичними аспектами мого комп’ютера. З цього моменту я все життя навчався в галузі технологій.

Що спочатку привабило вас у машинному навчанні?

Я здобув ступінь із прикладної хімії та штучного інтелекту в Единбурзькому університеті під керівництвом Джеффрі Гінтона. Він нейробіолог і комп’ютерник, який створив глибоке навчання. Хінтон працював над штучними нейронними мережами та розробляв автономні інтелектуальні машини, а згодом і алгоритми машинного навчання. Google найняв його десять років тому, щоб створити свій штучний інтелект, а решта вже історія.

Коли ви вперше залучилися до перетину біології та машинного навчання?

Раніше я працював у Samsung Advanced Institute of Technology, де розробляв алгоритми. Одним із розроблених мною алгоритмів був механізм відновлення пошкодженої ДНК. Я хотів продовжувати роботу в галузі біології та вирішувати найскладніші задачі. І людське тіло, і комп’ютери, які думають як люди, настільки ж складні, як усе, і вам потрібно працювати, щоб зрозуміти одне, щоб зрозуміти інше. Системи штучного інтелекту можуть не тільки копатися в обширних наукових даних, опублікованих протягом десятиліть з усього світу, але вони також можуть обробляти складні особливості людського тіла та швидко та узгоджено вловлювати закономірності біологічних механізмів. Було легко побачити, як біологія та машинне навчання йдуть рука об руку.

Чи можете ви поділитися історією генезису Standigm?

Моя робота в галузі охорони здоров’я та науки виявила, що для мене було великою проблемою у відкритті традиційних ліків: час і гроші, необхідні для сканування наукових досліджень і скринінгових випробувань або підказок, які дають точку стрибка для потенційних нових ліків створення. Вчені-людини проводили ці інтенсивні дослідження. Я та двоє колег із Samsung, Санг Ок Сонг і Со Чон Юн, побачили можливість перекласти роботу від людей на розумну машину та розробити новий робочий процес. Крім того, я не хотів працювати за зарплату; Я хотів працювати на себе, щоб привести методи відкриття ліків до нової стандартної парадигми, яка є основою роботи та назви «Standigm», компанії, яку ми троє заснували. Наша модель машинного навчання тепер забезпечує високу точність прогнозів, а технологія штучного інтелекту забезпечує максимальну рентабельність інвестицій.

Що таке синтетична проблема доступності та як Standigm працює для її вирішення?

Генеративні моделі можуть створювати нові молекулярні структури без допомоги добре підготовлених хіміків-медиків, що є однією з найважливіших причин для захоплення цією технологією спільнотами дослідників ліків. Найбільшою перешкодою тут є різниця у швидкості між моделюванням молекул та їх експериментальним синтезом, де проектування мільйонів сполук займає лише години, а синтез лише десяти молекул займає тижні чи місяці. Оскільки лише крихітна частка розроблених сполук буде синтезована експертами-людьми, важливо мати хороші показники молекулярних властивостей.

Моделі ШІ першого покоління були грубими, і хіміки-синтетики відмовилися від більшості розроблених молекул через складність синтетичного плану. Деякі CRO компанії навіть відмовилися готувати пропозиції щодо цієї синтетичної кампанії.

Standigm працює над цією проблемою, найнявши досвідчених хіміків-медиків і додавши їхній досвід до генеративних моделей, щоб вони могли розробляти сполуки, які неможливо відрізнити від тих, які розроблені експертами-людьми. У Standigm тепер є кілька різних генеративних моделей, які можуть керувати різними етапами відкриття ліків: ідентифікація звернень, звернення до потенційного клієнта та оптимізація потенційних клієнтів. Це показує важливість різноманітного досвіду для будь-якої компанії, що займається розробкою ліків зі штучним інтелектом, де людський досвід і експертиза переважно використовуються для вдосконалення моделей штучного інтелекту та забезпечення найкращих робочих процесів замість кожного проекту.

Чи можете ви обговорити типи алгоритмів, які використовує Standigm для полегшення відкриття ліків?

Зазвичай ми починаємо будь-які дослідницькі проекти з визначення пріоритетів перспективних і нових цільових білків за допомогою Standigm ASK; наша біологічна платформа складається з різних алгоритмів для навчання масивних біологічних мереж, використання різних типів неупереджених даних omics, представлення конкретних контекстів біологічних систем тощо. Вибір правильного цільового білка є одним із найважливіших питань у відкритті ліків. Standigm ASK допомагає експертам із захворювань, надаючи численні гіпотези MOA (механізму дії).

Щоб захистити патенти з високим захисним діапазоном, Standigm BEST виконує різні завдання, включаючи пропозицію хіт-сполучень (ефективне дослідження), скаффолд-перескок (враховуючи синтетичну доступність і новизну) і різні моделі прогнозування лікарських засобів (активність, властивості ADME/Tox і фізико-хімічні властивості). . Багато дрібніших завдань пов’язані з цими більшими, як-от DTI (взаємодія лікарський засіб-мішень), молекулярне моделювання за допомогою штучного інтелекту, прогнозування селективності та багатопараметрична оптимізація.

Скільки часу в середньому заощаджується, коли йдеться про створення нових сполук у порівнянні зі старими процедурами відкриття ліків?

Дослідники Standigm синтезували сотні нових молекул для проектів, багато з яких позначаються як хіт-молекули та молекули-лідери в різних контекстах. Завдяки застосуванню моделей на основі штучного інтелекту та комерційних ресурсів Standigm скоротила час для першого раунду створення нових сполук із шести місяців до середнього двох місяців для більшості проектів. Тепер перші рішення йти/не йти можна приймати в середньому через сім місяців замість трьох-чотирьох років.

Які історії успіху Standigm щодо потенційної комерціалізації ліків?

Використовуючи Standigm Insight, яка має ту саму технічну базу, що й Standigm ASK, ми знайшли молекулу ліків, яку можна використовувати для лікування рідкісного педіатричного захворювання, підтвердженого вченим з однієї з найкращих дитячих лікарень у США. Цей випадок показує, що технологія ШІ може допомога у відкритті ліків від рідкісних захворювань, складне завдання для компанії будь-якого розміру через потребу в більшій комерційній цінності. Особливо під час цієї рецесії, коли фармацевтичні компанії намагаються бути більш консервативними, штучний інтелект може сприяти дослідженням і розробкам рідкісних і забутих захворювань.

Яке ваше бачення майбутнього глибокого навчання та генеративного ШІ в охороні здоров’я?

Успіх технології ШІ залежить від наявності високоякісних даних. Навколо забезпечення великої кількості високоякісних даних у секторі охорони здоров’я неминуче буде велика конкуренція. З більш вузької точки зору раннього відкриття ліків, хімічні та біологічні дані є дорогими та потребують багато часу для забезпечення статусу високої якості. Таким чином, автоматизована лабораторія стане майбутнім для галузі відкриття ліків ШІ, оскільки вона може зменшити вартість високоякісних даних – палива для технології ШІ. Ми просуваємо наші технологічні платформи на наступний рівень, щоб Standigm ASK могла надати більш очевидні докази, від даних пацієнтів до молекулярної біології; тому моделі Standigm BEST AI можуть бути найсучаснішими, надаючи високоякісні дані з власних автоматизованих лабораторій і співробітників.

Чи є ще щось, чим ви хотіли б поділитися про Standigm?

Оскільки баланс диференційованого досвіду важливий для Standigm, баланс етнічних груп також є критичним. Ми розширюємо свою присутність у глобальному середовищі, засновуючи офіси у Великобританії (Кембридж) і США (Кембридж, Массачусетс), щоб включити присутність мереж і перетворення Standigm на більш міжнародну компанію.

Дякую за чудове інтерв’ю, читачі, які хочуть дізнатися більше, повинні відвідати Стандігма.