Jinhan Kim, CEO của Standigm – Loạt bài phỏng vấn

Jinhan Kim là CEO của Standigm, một công ty khám phá thuốc bằng trí tuệ nhân tạo.

Từ việc xác định mục tiêu tùy chỉnh đến việc tạo ra các hợp chất dẫn đầu, nền tảng trí tuệ nhân tạo của Standigm tạo ra những hiểu biết cho từng bước để phát triển các loại thuốc có giá trị thương mại từ các dự án trong nhà và hợp tác. ​

Bạn bắt đầu lập trình khi bạn còn học lớp 6, bạn có thể chia sẻ về cách bạn trở nên quan tâm và những gì bạn đã làm việc ban đầu?

Ah, đúng – trên máy tính Apple (AAPL ) II Plus của tôi. Đó là chất xúc tác giúp tôi chuyển từ một người yêu sách thành một người sáng tạo. Tôi bắt đầu lập trình, bắt đầu với ngôn ngữ C, vì tò mò. Tôi trở nên quan tâm đến các nguyên tắc và khía cạnh lý thuyết của máy tính. Từ đó, tôi trở thành một người học suốt đời trong lĩnh vực công nghệ.

Điều gì ban đầu thu hút bạn đến với học máy?

Tôi đã tốt nghiệp ngành hóa học ứng dụng và trí tuệ nhân tạo tại Đại học Edinburgh dưới sự hướng dẫn của Geoffrey Hinton. Ông là một nhà khoa học thần kinh và nhà khoa học máy tính đã tạo ra học sâu. Hinton đã làm việc trên các mạng nơ-ron nhân tạo và thiết kế các máy tự động thông minh – và sau đó, các thuật toán học máy. Google (GOOGL ) đã thuê ông cách đây mười năm để tạo ra trí tuệ nhân tạo của họ và phần còn lại là lịch sử.

Khi nào bạn đầu tiên tham gia vào sự giao thoa giữa sinh học và học máy?

Tôi từng làm việc tại Viện Công nghệ Tiên tiến Samsung, nơi tôi đang phát triển các thuật toán. Một trong những thuật toán tôi đã phát triển là một cơ chế để sửa chữa tổn thương DNA. Tôi muốn theo đuổi công việc trong lĩnh vực sinh học và giải quyết các vấn đề khó khăn nhất để nhắm mục tiêu. Cả cơ thể con người và máy tính nghĩ giống như con người đều phức tạp như nhau, và bạn cần phải làm việc để hiểu một trong hai để nắm bắt được cái kia. Các hệ thống trí tuệ nhân tạo không chỉ có thể đào sâu vào dữ liệu khoa học rộng lớn được xuất bản trong nhiều thập kỷ từ khắp nơi trên thế giới, mà còn có thể xử lý các phức tạp của cơ thể con người và nhanh chóng bắt được các mẫu của các cơ chế sinh học. Điều đó dễ dàng thấy được sự giao thoa giữa sinh học và học máy.

Bạn có thể chia sẻ câu chuyện về sự ra đời của Standigm?

Công việc của tôi trong lĩnh vực sức khỏe và khoa học đã tiết lộ một vấn đề lớn trong việc khám phá thuốc truyền thống: thời gian và tiền bạc cần để quét các bài nghiên cứu khoa học và sàng lọc thử nghiệm hoặc các manh mối cung cấp điểm khởi đầu cho việc tạo ra các loại thuốc mới. Các nhà khoa học con người đang làm việc nghiên cứu này. Tôi và hai đồng nghiệp của Samsung, Sang Ok Song và So Jeong Yun, đã thấy một cơ hội để chuyển công việc từ con người sang một máy thông minh và thiết kế một quy trình làm việc mới. Ngoài ra, tôi không muốn làm việc cho một mức lương; tôi muốn làm việc cho chính mình, để đưa phương pháp khám phá thuốc đến một tiêu chuẩn mới, đó là sự ra đời của công việc và tên của “Standigm”, công ty mà ba chúng tôi đã đồng sáng lập. Mô hình học máy của chúng tôi hiện đạt được độ chính xác dự đoán cao và công nghệ trí tuệ nhân tạo của nó đạt được ROI tối đa.

Standigm giải quyết vấn đề về khả năng tổng hợp nhân tạo như thế nào?

Các mô hình tạo sinh có thể thiết kế các cấu trúc phân tử mới mà không cần sự giúp đỡ của các nhà hóa học dược phẩm được đào tạo tốt, đó là một trong những lý do quan trọng nhất cho việc áp dụng công nghệ này bởi các cộng đồng khám phá thuốc. Vấn đề lớn nhất ở đây là sự khác biệt về tốc độ giữa việc thiết kế các phân tử và tổng hợp thực nghiệm, nơi thiết kế hàng triệu hợp chất chỉ mất vài giờ và tổng hợp chỉ mười phân tử mất vài tuần hoặc vài tháng. Vì chỉ một phần nhỏ của các hợp chất được thiết kế sẽ được tổng hợp bởi các chuyên gia con người, nên rất quan trọng để có các biện pháp tốt về các tính chất phân tử.

Các mô hình trí tuệ nhân tạo thế hệ đầu tiên rất thô sơ, và các nhà hóa học tổng hợp từ chối hầu hết các phân tử được thiết kế do sự khó khăn của kế hoạch tổng hợp. Một số công ty CRO thậm chí từ chối chuẩn bị một đề xuất cho chiến dịch tổng hợp này.

Standigm đã làm việc trên vấn đề này bằng cách thuê các nhà hóa học dược phẩm có kinh nghiệm và thêm chuyên môn của họ vào các mô hình tạo sinh để họ có thể thiết kế các hợp chất không thể phân biệt với những hợp chất được thiết kế bởi các chuyên gia con người. Standigm hiện có một số mô hình tạo sinh khác nhau có thể quản lý các giai đoạn khám phá thuốc khác nhau: xác định hit, hit-to-lead và tối ưu hóa lead. Điều này cho thấy sự quan trọng của việc có chuyên môn đa dạng cho bất kỳ công ty khám phá thuốc bằng trí tuệ nhân tạo nào, nơi kinh nghiệm và chuyên môn của con người chủ yếu được sử dụng để cải thiện các mô hình trí tuệ nhân tạo và để đảm bảo các quy trình làm việc tốt nhất cho mỗi dự án.

Bạn có thể thảo luận về các loại thuật toán được Standigm sử dụng để tạo điều kiện cho việc khám phá thuốc?

Chúng tôi thường bắt đầu bất kỳ dự án khám phá nào bằng cách ưu tiên các protein mục tiêu hứa hẹn và mới bằng Standigm ASK; nền tảng sinh học của chúng tôi bao gồm các thuật toán riêng biệt để đào tạo các mạng sinh học lớn, sử dụng các loại dữ liệu omics không thiên vị khác nhau, giới thiệu các ngữ cảnh cụ thể của các hệ thống sinh học và như vậy. Việc chọn đúng protein mục tiêu là một trong những vấn đề quan trọng nhất trong khám phá thuốc. Standigm ASK giúp các chuyên gia bệnh tật bằng cách cung cấp nhiều giả thuyết về MOA (cơ chế hoạt động).

Để đảm bảo các bằng sáng chế với phạm vi bảo vệ cao, Standigm BEST thực hiện các nhiệm vụ khác nhau, bao gồm đề xuất các hợp chất hit (khám phá hiệu quả), hopping khung (xét về khả năng tổng hợp và tính mới) và các mô hình dự đoán khác nhau cho khả năng thuốc (hoạt tính, tính chất ADME/Tox và tính chất vật lý). Nhiều nhiệm vụ nhỏ hơn liên quan đến những nhiệm vụ lớn hơn, như DTI (tương tác thuốc-mục tiêu), mô phỏng phân tử hỗ trợ trí tuệ nhân tạo, dự đoán tính chọn lọc và tối ưu hóa đa tham số.

Thời gian trung bình được tiết kiệm khi tạo ra các hợp chất mới so với các thủ tục khám phá thuốc truyền thống là bao nhiêu?

Các nhà nghiên cứu của Standigm đã tổng hợp hàng trăm phân tử mới cho các dự án, nhiều trong số đó được chỉ định là phân tử hit và lead trong các ngữ cảnh khác nhau. Bằng cách áp dụng các mô hình dựa trên trí tuệ nhân tạo và tài nguyên thương mại, Standigm đã giảm thời gian cho vòng đầu tiên của việc tạo ra các hợp chất mới từ sáu tháng xuống trung bình hai tháng cho hầu hết các dự án. Hiện tại, quyết định đi/no-go đầu tiên có thể được thực hiện trong trung bình bảy tháng thay vì ba đến bốn năm.

Có những câu chuyện thành công nào của Standigm về việc thương mại hóa thuốc tiềm năng?

Sử dụng Standigm Insight, chia sẻ cùng nền tảng kỹ thuật với Standigm ASK, chúng tôi đã tìm thấy một phân tử thuốc có thể được sử dụng cho một bệnh hiếm gặp ở trẻ em, được xác nhận bởi một nhà khoa học từ một trong những bệnh viện nhi tốt nhất tại Hoa Kỳ. Trường hợp này cho thấy công nghệ trí tuệ nhân tạo có thể giúp khám phá thuốc cho các bệnh hiếm gặp, một nhiệm vụ khó khăn cho bất kỳ công ty nào do nhu cầu về giá trị thương mại. Đặc biệt trong thời kỳ suy thoái này, khi các công ty dược phẩm cố gắng trở nên bảo thủ hơn, trí tuệ nhân tạo có thể thúc đẩy nghiên cứu và phát triển trong các bệnh hiếm gặp và bị bỏ qua.

Visions của bạn cho tương lai của học sâu và trí tuệ nhân tạo tạo sinh trong lĩnh vực chăm sóc sức khỏe là gì?

Thành công của công nghệ trí tuệ nhân tạo phụ thuộc vào sự sẵn có của dữ liệu chất lượng cao. Sẽ có sự cạnh tranh lớn xung quanh việc đảm bảo một lượng lớn dữ liệu chất lượng cao trong lĩnh vực chăm sóc sức khỏe. Từ góc độ hẹp hơn của khám phá thuốc sớm, dữ liệu hóa học và sinh học rất tốn kém và đòi hỏi thời gian dài để đạt được trạng thái chất lượng cao. Do đó, phòng thí nghiệm tự động sẽ là tương lai của lĩnh vực khám phá thuốc bằng trí tuệ nhân tạo, vì nó có thể giảm chi phí của dữ liệu chất lượng cao – nhiên liệu cho công nghệ trí tuệ nhân tạo. Chúng tôi đang đẩy mạnh các nền tảng công nghệ của mình lên cấp độ tiếp theo để Standigm ASK có thể cung cấp bằng chứng rõ ràng hơn, từ dữ liệu bệnh nhân đến sinh học phân tử; và để các mô hình trí tuệ nhân tạo của Standigm BEST có thể là hiện đại nhất bằng cách cung cấp dữ liệu chất lượng cao từ các phòng thí nghiệm tự động trong nhà và các đối tác.

Có điều gì khác mà bạn muốn chia sẻ về Standigm?

Là sự cân bằng của chuyên môn đa dạng là quan trọng cho Standigm, sự cân bằng của các dân tộc cũng rất quan trọng. Chúng tôi đã mở rộng sự hiện diện của mình trong môi trường toàn cầu bằng cách thành lập văn phòng tại Anh (Cambridge) và Mỹ (Cambridge, MA) để bao gồm sự hiện diện của các mạng lưới và sự chuyển đổi của Standigm thành một công ty quốc tế hơn.

Cảm ơn vì cuộc phỏng vấn tuyệt vời, những người đọc muốn tìm hiểu thêm nên truy cập Standigm.