Джінхан Кім, генеральний директор Standigm – Серія інтерв’ю

Джінхан Кім є генеральним директором Standigm, компанії з відкритим штаб-квартирою в Південній Кореї, що займається розробкою штучного інтелекту для відкриття нових ліків.

Від ідентифікації цілей до генерації лідів, платформа штучного інтелекту Standigm генерує інсайти для кожного кроку розробки комерційно цінних ліків з внутрішніх та партнерських проектів. ​

Ви почали програмувати, коли були в 6-му класі, можете.tell про те, як ви стали цікавитися програмуванням і на чому ви почали працювати?

Так, на моєму Apple (AAPL ) II Plus. Це був каталізатор, який змінив мене з книжкового червя на творця. Я почав програмувати, починаючи з мови С, через цікавість. Я став цікавитися принципами і теоретичними аспектами моєї машини. Відтоді я став довічним учнем у сфері технологій.

Що спочатку привернуло вашу увагу до машинного навчання?

Я здобув освіту в галузі прикладної хімії та штучного інтелекту в Університеті Единбурга під керівництвом Джеффрі Гінтона. Він є нейробіологом і комп’ютерним вченим, який фактично створив глибоке навчання. Гінтон працював над штучними нейронними мережами та розробляв автономні, інтелектуальні машини – і пізніше алгоритми машинного навчання. Google (GOOGL ) найняв його десять років тому, щоб створити свій штучний інтелект, і все інше – історія.

Коли ви вперше стали залучені до перетину біології та машинного навчання?

Я працював в Інституті передових технологій Samsung, де розробляв алгоритми. Одним з алгоритмів, які я розробив, був механізм для ремонту пошкоджень ДНК. Я хотів займатися роботою в галузі біології та розв’язувати найскладніші проблеми. І людське тіло, і комп’ютери, які думають як люди, є одними з найскладніших речей, і вам потрібно працювати, щоб зрозуміти одне, щоб зрозуміти інше. Системи штучного інтелекту не тільки можуть розібрати велику кількість наукових даних, опублікованих за десятиліття з усього світу, але також можуть обробляти складності людського тіла та швидко і послідовно виявляти закономірності біологічних механізмів. Було легко побачити, як біологія та машинне навчання ідуть рука об руку.

Чи можете ви розповісти історію створення Standigm?

Моя робота в галузі охорони здоров’я та науки показала мені велику проблему в традиційному відкритті ліків: час і гроші, які витрачаються на сканування наукових досліджень і клінічних випробувань або підказок, які дають можливість створити нові ліки. Людські вчені робили цю інтенсивну роботу. Я і два мої колеги з Samsung, Санг Ок Сонг і Со Джонг Юн, побачили можливість перевести цю роботу з людей на інтелектуальну машину та розробити новий робочий процес. Крім того, я не хотів працювати за зарплату; я хотів працювати на себе, щоб привести відкриття ліків до нового стандарту, який є походженням роботи та назви “Standigm”, компанії, яку ми троє заснували. Наша модель машинного навчання зараз досягає високої точності прогнозування, а її технологія штучного інтелекту досягає максимальної віддачі від інвестицій.

Що таке проблема синтетичної доступності та як Standigm працює над її розв’язанням?

Генеративні моделі можуть проектувати нові молекулярні структури без допомоги добре підготовлених медичних хіміків, що є однією з найважливіших причин для ентузіастичного прийняття цієї технології спільнотами відкриття ліків. Найбільша перешкода тут полягає в різниці швидкості між проектуванням молекул і їх експериментальними синтезами, де проектування мільйонів сполук займає лише кілька годин, а синтез лише десяти молекул займає тижні або місяці. Оскільки лише мала частина проектованих сполук буде синтезована людьми-експертами, важливо мати хороші заходи молекулярних властивостей.

Перші моделі штучного інтелекту були грубими, і синтетичні хіміки відкинули більшість проектованих молекул через складність синтетичного плану. Деякі компанії з контрактної дослідницької діяльності навіть відмовилися готувати пропозицію для цього синтетичного проекту.

Standigm працює над цим питанням, наймаючи досвідчених медичних хіміків та додаючи їхній досвід до генеративних моделей, щоб вони могли проектувати сполуки, які не можна відрізнити від тих, які були проектовані людьми-експертами. Standigm зараз має кілька різних генеративних моделей, які можуть керувати різними стадіями відкриття ліків: ідентифікація хітів, генерація лідів та оптимізація лідів. Це показує важливість наявності різноманітних знань для будь-якої компанії з відкриття ліків за допомогою штучного інтелекту, де людський досвід і знання в основному використовуються для покращення моделей штучного інтелекту та забезпечення найкращих робочих процесів замість кожного проекту.

Чи можете ви розповісти про типи алгоритмів, які використовуються Standigm для сприяння відкриттю ліків?

Ми зазвичай починаємо будь-які дослідницькі проекти, пріоритизуючи перспективні та нові білкові цілі за допомогою Standigm ASK; наш біологічний платформ складається з окремих алгоритмів для навчання великих біологічних мереж, використання різних типів необмежених омік-даних, введення конкретних контекстів біологічних систем тощо. Вибір правильної білкової цілі є однією з найважливіших проблем у відкритті ліків. Standigm ASK допомагає експертам з хвороб, надаючи кілька гіпотез про механізм дії.

Щоб забезпечити патенти з високим рівнем захисту, Standigm BEST виконує різні завдання, включаючи підказки хіт-сполук (ефективне дослідження), scaffold hopping (з урахуванням синтетичної доступності та новизни) та різні передбачувальні моделі для фармакологічних властивостей (активності, ADME/Tox властивостей та фізико-хімічних властивостей). Багато менших завдань пов’язані з цими більшіми завданнями, такими як взаємодія лік-ціль, штучно-асистовані молекулярні симуляції, передбачення селективності та багатопараметрична оптимізація.

Як багато часу в середньому економиться при генерації нових сполук порівняно з традиційними процедурами відкриття ліків?

Дослідники Standigm синтезували сотні нових молекул для проектів, багато з яких були призначені як хіт- та лід-молекули в різних контекстах. Прийом моделей, заснованих на штучному інтелекті, та комерційних ресурсів Standigm зменшила час першого раунду генерації нових сполук з шести місяців до двох місяців в середньому для більшості проектів. Тепер перші рішення про продовження чи припинення проекту можна приймати в середньому за сім місяців замість трьох-чотирьох років.

Які успішні історії Standigm щодо потенційного комерційного використання ліків?

За допомогою Standigm Insight, який має相同 технічну основу, як і Standigm ASK, ми знайшли молекулу ліків, яку можна використовувати для рідкісної дитячої хвороби, підтвердженої вченим з одного з найкращих дитячих лікарень у США. Цей випадок показує, що технологія штучного інтелекту може допомогти у відкритті ліків для рідкісних хвороб, що є складним завданням для компанії будь-якого розміру через необхідність більшої комерційної цінності. Особливо в цей час рецесії, коли фармацевтичні компанії намагаються бути більш консервативними, штучний інтелект може сприяти дослідженню рідкісних і зanedbаних хвороб.

Яка ваша бачення майбутнього глибокого навчання та генеративного штучного інтелекту в сфері охорони здоров’я?

Успіх технології штучного інтелекту залежить від наявності високоякісних даних. Невідворотно буде велика конкуренція за забезпечення великої кількості високоякісних даних у сфері охорони здоров’я. З вузької точки зору раннього відкриття ліків, хімічних та біологічних даних є дорогими та вимагають тривалого часу для забезпечення високої якості. Тому автоматизована лабораторія буде майбутнім для галузі відкриття ліків за допомогою штучного інтелекту, оскільки вона може знизити вартість високоякісних даних – палива для технології штучного інтелекту. Ми просунуємо наші технологічні платформи на наступний рівень, щоб Standigm ASK міг надавати більш очевидні докази, від даних пацієнтів до молекулярної біології; і щоб моделі штучного інтелекту Standigm BEST могли бути найновішими завдяки високоякісним даним з наших внутрішніх автоматизованих лабораторій та колег.

Чи є щось інше, що ви хотіли б розповісти про Standigm?

Як і баланс різноманітних знань важливий для Standigm, так і баланс етнічних груп є критичним. Ми розширюємо нашу присутність у глобальному середовищі шляхом створення офісів у Великій Британії (Кембріджі) та США (Кембріджі, Массачусетсі), щоб включити присутність мережі та перетворення Standigm на більш міжнародну компанію.

Дякую за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати Standigm.