Джінхан Кім, генеральний директор Standigm – Серія інтерв’ю

Джінхан Кім є генеральним директором Standigm, компанії з відкритим штучним інтелектом для відкриття ліків.

Від налаштованої ідентифікації цілі до генерації лідерів, платформа штучного інтелекту Standigm генерує відомості на кожному етапі для розробки комерційно цінних ліків з внутрішніх та партнерських проектів. ​

Ви почали програмування, коли були в 6-му класі, можете.tell нам, як ви стали цікавитися цим та над чим ви спочатку працювали?

О, так – на моєму Apple II Plus. Це було каталізатором, який змінив мене з книжкового червя на творця. Я почав програмувати, починаючи з мови С, з цікавості. Я став цікавитися принципами та теоретичними аспектами мого комп’ютера. Відтоді я став довічним учнем у сфері технологій.

Що спочатку привернуло вашу увагу до машинного навчання?

Я здобув ступінь у галузі прикладної хімії та штучного інтелекту в Університеті Единбурга під керівництвом Джеффрі Хінтона. Він є нейробіологом та комп’ютерним вченим, який фактично створив глибоке навчання. Хінтон працював над штучними нейронними мережами та проектував автономні, інтелектуальні машини – а згодом і алгоритми машинного навчання. Google найняв його десять років тому, щоб створити свій штучний інтелект, і все інше – історія.

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

Я працював у Samsung Advanced Institute of Technology, де розробляв алгоритми. Одним з алгоритмів, які я розробив, був механізм для ремонту пошкоджень ДНК. Я хотів продовжити роботу в галузі біології та вирішувати найскладніші проблеми для цілі. І людське тіло, і комп’ютери, які думають як люди, є такими ж складними, як і все інше, і вам потрібно працювати, щоб зрозуміти одне, щоб схопити 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, що біологія та машинне навчання йдуть рука об руку.

Чи можете ви поділитися історією походження Standigm?

Моя робота у сфері охорони здоров’я та науки показала мені велику проблему у традиційному відкритті ліків: час і гроші, необхідні для сканування наукових досліджень та клінічних випробувань або підказок, які надають стартовий пункт для потенційного створення нових ліків. Людські вчені проводили це інтенсивне дослідження. Я та два мої колеги з Samsung, Санг Ок Сонг та Со Джонг Юн, побачили можливість перейти роботу від людей до інтелектуальної машини та розробити новий робочий процес. Крім того, я не хотів працювати за зарплату; я хотів працювати на себе, щоб привести методи відкриття ліків до нового стандартного парадигми, який є походженням роботи та назвою “Standigm”, компанії, яку ми троє заснували. Наші моделі машинного навчання зараз досягають високої точності прогнозування, а наша технологія штучного інтелекту досягає максимальної віддачі від інвестицій.

Що таке проблема синтетичної доступності та як Standigm працює над її вирішенням?

Генеративні моделі можуть проектувати нові молекулярні структури без допомоги добре підготовлених медичних хіміків, що є однією з найкритичніших причин для ентузіастичного прийняття цієї технології фармацевтичними спільнотами. Найвищим бар’єром тут є різниця у швидкості між проектуванням молекул та їх експериментальними синтезами, де проектування мільйонів сполук займає лише кілька годин, а синтез лише десяти молекул займає тижні або місяці. Оскільки лише мала частина спроектованих сполук буде синтезована людьми-експертами, важливо мати хороші заходи молекулярних властивостей.

Перші моделі штучного інтелекту були грубими, і синтетичні хіміки відмовилися від більшості спроектованих молекул через складність синтетичного плану. Деякі компанії, що надають послуги з досліджень та розробок, навіть відмовилися готувати пропозицію для цього синтетичного проекту.

Standigm працює над цим питанням, наймаючи досвідчених медичних хіміків та додаючи їхню експертизу до генеративних моделей, щоб вони могли проектувати сполуки, які не можна відрізнити від тих, що були спроектовані людьми-експертами. Standigm зараз має кілька різних генеративних моделей, які можуть керувати різними стадіями відкриття ліків: ідентифікація хітів, хіт-лід та оптимізація лідерів. Це показує важливість наявності різноманітної експертизи для будь-якої компанії з відкриття ліків за допомогою штучного інтелекту, де людський досвід та експертиза в основному використовуються для покращення моделей штучного інтелекту та забезпечення найкращих робочих процесів для кожного проекту.

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

Ми зазвичай починаємо будь-які дослідницькі проекти, пріоритезуючи перспективні та нові білкові цілі за допомогою Standigm ASK; наш біологічний платформ складається з різних 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 найкритичніших питань у відкритті ліків. Standigm ASK допомагає експертам з хвороб, надаючи кілька гіпотез про механізм дії.

Для забезпечення патентів з високим рівнем захисту Standigm BEST виконує різні завдання, включаючи пропозицію хіт-сполук (ефективне дослідження), саффол-хопінг (з урахуванням синтетичної доступності та новизни) та різні передбачувальні моделі для фармакологічних властивостей (активності, властивостей ADME/Tox та фізико-хімічних властивостей). Багато менших завдань пов’язані з цими більшіми, наприклад, взаємодія лік-ціль (DTI), штучно-інтелектуальні молекулярні симуляції, передбачення селективності та багаторозмірна 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. За допомогою моделей, заснованих на штучному інтелекті, та комерційних ресурсів Standigm скоротив час для першого раунду генерації нових сполук з шести місяців до двох місяців у середньому для більшості проектів. Тепер перші рішення про продовження чи припинення проекту можна приймати в середньому за сім місяців замість трьох-чотирьох років.

Які існують успішні історії Standigm щодо потенційного комерціалізації ліків?

За допомогою Standigm Insight, який має той же технічний фон, що й Standigm ASK, ми знайшли молекулу ліків, яку можна використовувати для рідкісної дитячої хвороби, підтвердженої вченим з одного з найкращих дитячих госпіталів у США. Цей випадок показує, що технологія штучного інтелекту може допомогти у відкритті ліків для рідкісних хвороб, складному завданні 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 дослідженням та розробкам рідкісних та зневажених 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 перспективи раннього відкриття ліків, хімічних та біологічних даних є дорогими та потребують тривалого часу для забезпечення високоякісного статусу. Тому автоматизована лабораторія буде майбутнім для галузі відкриття ліків за допомогою штучного інтелекту, оскільки вона може зменшити 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 були найновішими, отримуючи високоякісні дані з автоматизованих лабораторій та співробітників.

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

Оскільки баланс різноманітної експертизи важливий для Standigm, баланс етнічної приналежності також критичний. Ми розширюємо нашу присутність у глобальному середовищі, засновуючи офіси у Великій Британії (Кембріджі) та США (Кембріджі, Массачусетсі), щоб включити присутність мережі та перетворити Standigm на більш міжнародну компанію.

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