Стефано Пасифіко та Девід Хігер, співзасновники Epistemic AI – Серія інтерв’ю

Epistemic AI використовує сучасні методи обробки природної мови (NLP), машинного навчання та глибокого навчання для картування відносин між зростаючою кількістю біомедичних знань з різних публічних та приватних джерел, включаючи тексти та бази даних. За допомогою процесу картування знань користувачі можуть взаємодіяти з платформою для картування та розуміння підмножин біомедичних знань, що розкривають концепції та відносини, які інакше залишаються непоміченими при традиційному пошуку.

Ми взяли інтерв’ю у співзасновників Epistemic AI, щоб обговорити останні досягнення.

Стефано Пасифіко має понад 10 років досвіду у сфері прикладного штучного інтелекту та NLP. Раніше він працював у Bloomberg, де провів 7 років, а потім перейшов до Elemental Cognition перед заснуванням Epistemic.

Девід Хігер є професором даних науки та нейробіології в Нью-Йоркському університеті та має досвід у сфері комп’ютерних наук, штучного інтелекту та біології. Він є членом Національної академії наук. Як засновники, вони об’єднують свої знання у сфері прикладного штучного інтелекту та NLP для розуміння великих колекцій знань з досвідом у сфері комп’ютерної біології та біомедичних наук.

Що спонукало вас до штучного інтелекту та обробки природної мови (NLP)?

Стефано Пасифіко: Коли я був студентом у Римі, штучний інтелект був ще досить незнайомим (насправді це було дуже окrajнє). Я запитав свого радника, яку спеціалізацію мені слід вибрати серед тих, що були доступні. Він сказав: “Якщо ви хочете заробляти гроші, то слід вибрати програмну інженерію та бази даних, але якщо ви хочете бути дивним, але дуже просунутим, то виберіть штучний інтелект”. Мене зацікавило слово “дивний”. Потім я почав працювати над представленням знань та висновками, щоб вивчити, як автономні агенти можуть грати у футбол чи рятувати людей. Потім дві речі зробили мене закоханим у NLP: по-перше, автономні агенти можуть спілкуватися між собою природною мовою! По-друге, створення формальних знаних баз вручну є складним, тоді як природна мова (у тексті) вже надає найбільшу базу знань усіх часів. Тепер ці спостереження можуть здатися очевидними, але раніше вони не були так поширені.

Яка була ідея створення Epistemic AI?

Стефано Пасифіко: Я збираюсь зробити сміливе твердження. Ніхто сьогодні не має адекватних інструментів для розуміння та зв’язку знань, присутніх у великих, зростаючих колекціях документів та даних. Раніше я працював над цією проблемою у сфері фінансів. Подумайте про новини, фінансові звіти, ціни, корпоративні дії, звіти тощо. Я виявив, що ця проблема є інтоксикаційною. І, звичайно, це складна проблема; і важлива! Коли я зустрів свого співзасновника, доктора Девіда Хігера, ми провели певний час, оцінюючи можливості створення стартапу у сфері біомедичної промисловості. Коли ми зрозуміли масштаб інформації, що генерується у цій сфері, усе стало на свої місця. Біомедичні дослідники борються з перевантаженням інформації, намагаючись впоратися з величезною та швидко зростаючою базою біомедичних знань, включаючи документи (наприклад, статті, патенти, клінічні дослідження) та бази даних (наприклад, гени, білки, шляхи, препарати, захворювання, медичні терміни). Це велика проблема для дослідників, і, не маючи адекватного рішення, вони змушені використовувати базові інструменти пошуку (PubMed та Google (GOOGL ) Scholar) та досліджувати ручні бази даних. Ці інструменти підходять для пошуку документів, що відповідають ключовим словам (наприклад, одному гену чи опублікованій статті), але не для отримання повного знання про певну тему чи піддомен (наприклад, COVID-19), або для інтерпретації результатів експериментів з високою пропускною здатністю біології, таких як секвенування генів, експресія білків чи скринінг хімічних сполук. Ми створили Epistemic AI з ідеєю вирішити цю проблему за допомогою платформи, яка дозволяє їм ітеративно:

1. Зменшити час збору інформації та побудови повних карт знань
2. Показати міждисциплінарну інформацію, яку інакше можна було б знайти лише з великими труднощами (важливі відкриття часто відбуваються при розгляді білого простору між дисциплінами);
3. Визначити каузальні гіпотези, знайшовши шляхи та відсутні зв’язки у вашій карті знань.

Які публічні та приватні джерела використовуються для картування цих відносин?

Стефано Пасифіко: На даний момент ми приймаємо всі публічні джерела, які можемо отримати, включаючи Pubmed та clinicaltrials.gov. Ми приймаємо бази даних генів, препаратів, захворювань та їх взаємодій. Ми також включаємо приватні джерела даних для вибраних клієнтів, але не можемо розкрити жодних деталей ще.

Які машинні технології використовуються для картування знань?

Стефано Пасифіко: Одним з глибоко укорінених переконань у Epistemic AI є те, що фанатизм не допомагає у створенні продуктів. Будування архітектури, що інтегрує кілька машинних методів, було рішенням, прийнятим на ранній стадії, і ці методи включають представлення знань, моделі трансформерів, графові вкладення, а також простіші моделі, такі як регресії та випадкові ліси. Кожна компонента є такою простою, як це необхідно, але не простішою. Хоча ми вважаємо, що вже побудували компоненти NLP, які є найкращими для певних завдань, ми не бояться простіших базових моделей, коли це можливо.

Чи можете ви назвати деякі компанії, некомерційні організації чи академічні установи, які використовують платформу Epistemic?

Стефано Пасифіко: Хоча б я хотів би, ми не домовилися з нашими користувачами про це. Я можу сказати, що у нас були реєстрації від дуже відомих установ усіх трьох секторів (компаній, некомерційних організацій та академічних установ). Крім того, ми плануємо залишити платформу безкоштовною для академічних/некомерційних цілей.

Як Epistemic допомагає дослідникам у визначенні біомаркерів центральної нервової системи (ЦНС) та інших захворювань?

Доктор Девід Хігер: Нейробіологія є дуже міждисциплінарною сферою, яка включає молекулярну та клітинну біологію та геноміку, але також психологію, хімію та принципи фізики, інженерії та математики. Це така широка сфера, що ніхто не може бути експертом у всіх цих областях. Дослідники в академічних установах та фармацевтичних/біотехнологічних компаніях змушені спеціалізуватися. Але ми знаємо, що важливі відкриття відбуваються на перетині піддисциплін. Штучно-інтелектуальна платформа, яку ми будемо створювати, дозволяє кожному бути більш міждисциплінарним, бачити зв’язки між своїми індивідуальними підобластями експертизи та іншими темами, та визначати нові гіпотези. Це особливо важливо у нейробіології, оскільки це така міждисциплінарна сфера. Функція та дисфункція людського мозку є найскладнішою проблемою, з якою коли-небудь стикалася наука. Ми на місії змінити спосіб роботи біомедичних вчених та їхню думку.

Epistemic також дозволяє відкриття генетичних механізмів захворювань ЦНС. Чи можете ви розповісти про це?

Доктор Девід Хігер: Більшість неврологічних захворювань, психічних захворювань та розладів розвитку не мають простого пояснення у вигляді генетичних відмінностей. Є кілька синдромних захворювань, для яких відомо, що певна мутація викликає захворювання. Але це не типово. Є сотні генетичних відмінностей, наприклад, які були пов’язані з аутизмом. Є деяке розуміння деяких з цих генів про функції, які вони виконують у базовій біології. Наприклад, деякі гени, пов’язані з аутизмом, тримають синапси разом у мозку (зазначимо, однак, що ці гени зазвичай виконують різні функції в інших органах тіла). Але майже немає розуміння того, як ці генетичні відмінності можуть пояснити складний набір поведінкових відмінностей, які проявляються у осіб з аутизмом. Ще гірше, дві особи з однією й тією ж генетичною відмінністю можуть мати зовсім різні результати, одна з яких діагностована з аутизмом, а інша – ні. І дві особи з зовсім різними генетичними профілями можуть мати один і той же результат з дуже схожими поведінковими дефектами. Щоб зрозуміти все це, потрібно зробити зв’язок від геноміки та молекулярної біології до клітинної нейробіології (як генетичні відмінності можуть викликати індивідуальні нейрони, які функціонують по-різному) та до системної нейробіології (як ці відмінності у клітинній функції можуть викликати мережі великої кількості взаємопов’язаних нейронів, які функціонують по-різному) та до психології (як ці відмінності у функції нейронної мережі можуть викликати відмінності у когніції, емоціях та поведінці). І все це потрібно розуміти з точки зору розвитку. Генетична відмінність може викликати дефект у певному аспекті нейронної функції. Але мозок не просто сидить і приймає це. Мозок дуже адаптивний. Якщо є відсутня або пошкоджена механізм, то мозок буде розвиватися інакше, щоб компенсувати це якомога краще. Ця компенсація може бути молекулярною, наприклад, підвищенням рівня іншого синаптичного рецептора для заміни функції пошкодженого синаптичного рецептора. Або компенсація може бути поведінковою. Кінцевий результат залежить не тільки від початкової генетичної відмінності, але також від різних спроб компенсувати, покладаючись на інші молекулярні, клітинні, циркуляторні, системні та поведінкові механізми.

Ніхто не має знань, щоб зрозуміти все це. Нам всі потрібна допомога. Штучно-інтелектуальна платформа, яку ми будемо створювати, дозволяє кожному зібрати та зв’язати всі відповідні біомедичні знання, побачити зв’язки та визначити нові гіпотези.

Як біофармацевтичні компанії та академічні установи використовують Epistemic для боротьби з викликом COVID-19?

Стефано Пасифіко: Ми випустили публічну версію нашої платформи, яка включає дані, пов’язані з COVID, та є безкоштовною для всіх, хто проводить дослідження щодо COVID-19. Вона доступна за адресою https://covid.epistemic.ai

Які інші захворювання чи генетичні питання, над якими працює Epistemic?

Стефано Пасифіко: Ми співпрацювали з дослідниками аутизму та зараз створюємо нову дослідницьку роботу щодо муковісцидозу. Але ми раді співпрацювати з будь-якими іншими дослідниками чи установами, які можуть потребувати нашої допомоги.

Чи є щось ще, що ви хотіли б поділитися про Epistemic?

Стефано Пасифіко: Ми будемо рух людей, які хочуть змінити спосіб роботи біомедичних дослідників та їхню думку. Ми щиро сподіваємося, що багато ваших читачів будуть бажати приєднатися до нас!

Дякуємо вам обом за те, що ви знайшли час, щоб відповісти на наші питання. Читачам, які бажають дізнатися більше, слід відвідати Epistemic AI.