John Beeler, Tiến sĩ, Phó Chủ tịch Phát triển Kinh doanh, BPGbio – Loạt Phỏng vấn

John Beeler, Tiến sĩ, Phó Chủ tịch Phát triển Kinh doanh tại BPGbio, mang đến hơn hai thập kỷ kinh nghiệm trong lĩnh vực công nghệ sinh học và phát triển kinh doanh, với chuyên môn sâu rộng về liệu pháp mới. Trước khi gia nhập BPGbio, ông最近 từng là Lãnh đạo Tìm kiếm và Đánh giá Phát triển Kinh doanh tại Bristol-Myers Squibb, nơi ông đóng vai trò then chốt trong việc tìm kiếm và đánh giá cơ hội cấp phép và quan hệ đối tác chiến lược.

BPGbio là một công ty dược phẩm sinh học hàng đầu, tập trung vào sinh học và protein, với nền tảng AI mạnh mẽ. Công ty có một đường ống dẫn sâu các liệu pháp được phát triển bởi AI, bao gồm các lĩnh vực như ung thư, bệnh hiếm gặp và thần kinh, bao gồm một số liệu pháp đang trong giai đoạn thử nghiệm lâm sàng cuối cùng. Phương pháp mới của BPGbio được hỗ trợ bởi NAi, nền tảng Sinh học Điều tra độc quyền, được bảo vệ bởi hơn 400 bằng sáng chế của Mỹ và quốc tế; một trong những ngân hàng sinh học lớn nhất không thuộc chính phủ với mẫu vật liệu dài hạn; và quyền truy cập độc quyền vào siêu máy tính mạnh nhất thế giới.

Điều gì đã启发 nền tảng Sinh học Điều tra NAi, và làm thế nào nó giúp BPGbio khác biệt với các công ty dược phẩm sinh học khác sử dụng AI?

Kể từ khi gia nhập BPGbio, tôi liên tục bị ấn tượng bởi độ sâu của sự đổi mới và tầm nhìn dài hạn đã đi vào xây dựng nền tảng Sinh học Điều tra NAi. Là người đã dành hai thập kỷ trong lĩnh vực công nghệ sinh học và phát triển kinh doanh – đánh giá một loạt các nền tảng và công ty – tôi có thể nói rằng NAi nổi bật với nền tảng sinh học và độ sâu của dữ liệu nó điều tra.

BPGbio là một trong những công ty đầu tiên tiên phong trong việc sử dụng AI cho việc khám phá thuốc. Trong 15 năm qua, đội ngũ đã tinh chỉnh NAi thành một nền tảng tích hợp dữ liệu đa omics độc quyền và một trong những ngân hàng sinh học dài hạn lớn nhất thế giới. Không giống như các công ty khác dựa vào công nghệ hẹp hoặc dữ liệu công khai cho một chương trình khám phá bệnh, chúng tôi tích hợp khả năng đa omics với ngân hàng sinh học độc quyền của mình, chứa hàng trăm nghìn mẫu vật liệu dài hạn, được chú thích lâm sàng, và sử dụng AI Bayesian nhân quả, không phải mô hình hóa AI tạo sinh, để khám phá các thông tin sinh học dựa trên cơ chế, có thể thông tin cho bất kỳ giai đoạn nào của khám phá thuốc và tăng khả năng thành công trong phát triển lâm sàng. Chúng tôi không chỉ xác định mục tiêu; chúng tôi sử dụng AI để thiết kế các thử nghiệm lâm sàng, hiểu kết quả của các thử nghiệm lâm sàng, và tinh chỉnh các phương pháp điều trị của chúng tôi.

Kết quả của chúng tôi nói lên tất cả: Chúng tôi có một trong những đường ống dẫn lâm sàng tiên tiến và mạnh mẽ nhất trong ngành công nghệ sinh học AI. Đường ống dẫn này bao gồm hai thử nghiệm giai đoạn 2 đang hoạt động trong các loại ung thư hung hãn, nhiều chương trình sẵn sàng cho giai đoạn 3, và hơn một trăm mục tiêu và dấu ấn sinh học mới mà chúng tôi đã xác định bằng cách sử dụng các mô hình AI của mình.

Bạn có thể giải thích cách tiếp cận sinh học trước của BPGbio giúp tăng tốc và giảm thiểu rủi ro trong quá trình khám phá thuốc?

Quá trình phát triển thuốc có tỷ lệ thành công khoảng 10% để được chấp thuận bởi FDA, phản ánh những rủi ro và thách thức đáng kể khi đưa một loại thuốc mới ra thị trường. Do đó, điều quan trọng không phải là tốc độ và số lượng mục tiêu bạn khám phá; mà là chất lượng của chúng.

Mặc dù AI có thể giúp tăng tốc quá trình khám phá, việc áp dụng AI, đặc biệt là AI tạo sinh, vào cùng một dữ liệu công khai được sử dụng trong quá trình khám phá thuốc truyền thống, sẽ không nhất thiết thay đổi kết quả của các thử nghiệm lâm sàng, điều này cuối cùng là điều quan trọng duy nhất.

Tiếp cận sinh học trước của chúng tôi đảm bảo chất lượng, độ sâu, độ chính xác, tính toàn diện và số lượng của dữ liệu đi vào các mô hình AI của chúng tôi. Trong phân tích đa omics của chúng tôi, chúng tôi đi vượt ra ngoài việc phân tích RNA và DNA. Ngoài genomics và transcriptomics, các nhà khoa học của chúng tôi tạo hồ sơ proteomics, lipidomics và metabolomics trên tất cả các lớp của sinh học con người – cơ quan, mô, tế bào và bộ phận – và chúng tôi cung cấp dữ liệu đa omics khổng lồ, không thiên vị, cho các mô hình AI nhân quả của chúng tôi để khám phá các thông tin mới.

Cách tiếp cận rộng, được hỗ trợ bởi AI, này cho phép chúng tôi nhìn vượt ra ngoài khu vực bệnh để tìm “nguyên nhân gốc rễ” nhanh hơn. Sau khi AI giúp tìm thấy “nguyên nhân gốc rễ”, và trước khi chúng tôi đi đến các thử nghiệm lâm sàng, chúng tôi quay lại phòng thí nghiệm ướt để xác nhận các thông tin từ AI là chính xác. Sự tập trung vào sinh học con người giúp chúng tôi tăng tốc và giảm thiểu rủi ro trong quá trình khám phá và phát triển.

Cách tiếp cận vòng kín này giảm thiểu sự không chắc chắn và cuối cùng giảm thiểu quá trình phát triển. Từ góc độ phát triển kinh doanh của tôi, đây là chìa khóa để xây dựng niềm tin với các đối tác tiềm năng – vì cách tiếp cận của chúng tôi cải thiện khả năng thành công từ đầu.

Làm thế nào việc tích hợp AI với siêu máy tính nhanh nhất thế giới, Frontier, tăng cường khả năng phân tích dữ liệu bệnh nhân và xác định mục tiêu thuốc?

Thông qua quan hệ đối tác với Bộ Năng lượng Hoa Kỳ, chúng tôi có quyền truy cập độc quyền vào siêu máy tính Frontier tại Phòng thí nghiệm Quốc gia Oak Ridge để phân tích phát triển thuốc. Siêu máy tính này có thể thực hiện 1,35 quintillion tính toán mỗi giây.

Sức mạnh tính toán này cho phép chúng tôi sử dụng bộ dữ liệu khổng lồ của mình để xác định các mẫu, mối tương quan, nguyên nhân và thông tin hành động mà nếu không sẽ vẫn còn bị che giấu trong các phân tích quy mô nhỏ hơn và giảm thời gian cần thiết từ tháng xuống còn giờ.

Ví dụ, trong thời gian COVID, chúng tôi đã phân tích hồ sơ y tế điện tử (EMR) của 280.000 bệnh nhân cùng với thông tin lâm sàng của họ. Chúng tôi đã xác định các yếu tố nguy cơ di truyền cho các nhóm dân tộc cụ thể, mở đường cho y học cá nhân hóa. Chúng tôi đã phân tích 1,2 tỷ vật liệu khác nhau để khám phá các phương pháp điều trị tiềm năng cho COVID chỉ trong vài giờ.

Từ góc độ thương mại, sức mạnh tính toán này cho phép chúng tôi mở khóa các thông tin một cách nhanh hơn và hiệu quả hơn so với những người khác, tăng tốc thời gian đến quan hệ đối tác, thử nghiệm lâm sàng và cuối cùng là lợi ích cho bệnh nhân.

BPGbio có các chương trình lâm sàng trong glioblastoma và ung thư tụy. Những thông tin độc đáo nào mà nền tảng NAi đã khám phá trong các lĩnh vực này, và làm thế nào chúng đã định hình các thử nghiệm của bạn?

BPGbio đang hoạt động một thử nghiệm giai đoạn 2b trên glioblastoma (GBM) và đã hoàn thành một thử nghiệm giai đoạn 2a cho ung thư tụy, cả hai thử nghiệm với ứng viên thuốc phân tử nhỏ BPM31510 của chúng tôi.

Thông qua nền tảng NAi, chúng tôi đã hiểu rằng hầu hết các khối u rắn hung hãn đều được gây ra bởi sự rối loạn chức năng ty thể trong môi trường khối u. BPM31510 là một loại thuốc chứa ubidecarenone với hiệu ứng chống ung thư được trung gian bởi các cơ chế phân tử trong ty thể, kích hoạt quá trình chết tế bào ung thư được điều chỉnh. Chúng tôi đã chạy một nghiên cứu thử nghiệm lâm sàng giai đoạn 1 mở với 128 bệnh nhân trên BPM31510, và kết quả thử nghiệm lâm sàng đã xác nhận các thông tin mà NAi đã khám phá. NAi đã giúp chúng tôi tối ưu hóa gần như mọi khía cạnh của các liệu pháp này, từ liều tối ưu và thời gian đến việc lựa chọn bệnh nhân. Thử nghiệm GBM của chúng tôi hiện đang tuyển dụng và chúng tôi dự kiến sẽ báo cáo kết quả thử nghiệm giai đoạn 2 của chúng tôi vào cuối năm nay.

Bệnh hiếm gặp như thiếu hụt CoQ10 nguyên phát và bệnh biểu mô nang là một焦 điểm chính của BPGbio. Những thách thức và cơ hội nào bạn thấy trong việc đối phó với các tình trạng này?

Bệnh hiếm gặp ở trẻ em thường thiếu các lựa chọn điều trị hiệu quả do sự phức tạp và tỷ lệ mắc thấp, và trẻ em mắc các tình trạng này thường phải đối mặt với tuổi thọ ngắn. Điều đó đặt ra thách thức cho việc tuyển dụng thử nghiệm, điều hướng quy định và phát triển liệu pháp.

Tại BPGbio, chúng tôi tự hào khi đối mặt với những thách thức phức tạp này. Hợp chất dẫn đầu của chúng tôi, BPM31510, đã nhận được nhiều chỉ định từ FDA – bao gồm Chỉ định Thuốc mồ côi và Bệnh hiếm gặp ở Trẻ em – cho cả thiếu hụt CoQ10 nguyên phát và bệnh biểu mô nang (EB). Đây là những cột mốc quan trọng phản ánh tiềm năng lâm sàng của các chương trình của chúng tôi và mở cửa cho các voucher xem xét ưu tiên khi được chấp thuận.

Chúng tôi đang lên kế hoạch cho một thử nghiệm giai đoạn 3 cho thiếu hụt CoQ10 nguyên phát và đang tích cực khám phá các quan hệ đối tác để thúc đẩy chương trình EB của chúng tôi. Điều này bao gồm việc đánh giá các công thức thuốc bôi ngoài da như các lựa chọn điều trị. Chúng tôi tin rằng nền tảng của BPGbio có thể tạo ra tác động chuyển đổi trong không gian này.

AI Bayesian đóng vai trò quan trọng trong nền tảng của bạn. Làm thế nào nó cụ thể giúp trong việc xác định các mục tiêu thuốc hoặc dấu ấn sinh học mới?

AI Bayesian cho phép nền tảng của chúng tôi đi vượt ra ngoài việc xác định các mối liên kết để khám phá các mối quan hệ nguyên nhân – kết quả thúc đẩy bệnh. Nó mô hình hóa sự không chắc chắn, tính đến sự biến đổi của dữ liệu và tạo ra các dự đoán mạnh mẽ mà hướng dẫn việc khám phá liệu pháp và dấu ấn sinh học.

Bằng cách tích hợp dữ liệu đa omics và lâm sàng dài hạn, các mô hình của chúng tôi có thể xác định các cơ chế sinh học đằng sau sự tiến triển của bệnh và các điểm can thiệp tối ưu. Điều này làm cho quá trình khám phá trở nên chính xác hơn và quá trình phát triển trở nên dự đoán hơn.

Từ góc độ chiến lược, điều này vô cùng quý giá. Xác nhận những gì cần nhắm mục tiêu và tại sao nó quan trọng về mặt sinh học thay đổi cách bạn ưu tiên các chương trình, thiết kế thử nghiệm và nói chuyện với các đối tác. Nó xây dựng niềm tin vào khoa học.

Công việc của bạn trên các enzym E2 cho sự suy giảm protein mục tiêu là đột phá. Làm thế nào nền tảng NAi đã vượt qua các thách thức truyền thống trong việc nhắm mục tiêu các protein “không thể điều trị”?

Chương trình suy giảm protein mục tiêu dựa trên enzym E2 của BPGbio là một trong những lĩnh vực tiên tiến và sáng tạo nhất trong đường ống dẫn của chúng tôi. Các phương pháp suy giảm protein mục tiêu truyền thống dựa vào các enzym E3, điều này hạn chế phạm vi mục tiêu và có thể dẫn đến kháng thuốc. Phương pháp của chúng tôi sử dụng các phức hợp enzym E2 được sửa đổi sau dịch mã – được khám phá bởi nền tảng NAi – để mở rộng proteome có thể điều trị.

Đây là một cách tiếp cận tiên phong, và sự tiến bộ ban đầu mà chúng tôi đang thấy đã thu hút sự chú ý trên toàn ngành dược phẩm và công nghệ sinh học. Chúng tôi hiện đang áp dụng điều này cho lĩnh vực ung thư, thần kinh và bệnh hiếm gặp. Đây là một ví dụ tuyệt vời về cách NAi không chỉ hỗ trợ khám phá – mà còn cho phép chúng tôi suy nghĩ lại những gì có thể trong phát triển thuốc.

Làm thế nào BPGbio cân bằng các thông tin được hỗ trợ bởi AI với sự giám sát của con người để đảm bảo tính hợp lệ của các khám phá của bạn?

Tại BPGbio, chúng tôi xem AI như một công cụ mạnh mẽ – nhưng không phải là sự thay thế – cho chuyên môn của con người. Các thông tin được hỗ trợ bởi AI của chúng tôi được dựa trên dữ liệu sinh học chất lượng cao và được liên tục xác nhận chéo bởi các nhóm của chúng tôi gồm các nhà sinh học, bác sĩ lâm sàng và nhà khoa học dữ liệu.

Sự hợp tác này đảm bảo rằng mọi thông tin đều được đặt trong bối cảnh sinh học và lâm sàng. Đây là một trong những lý do BPGbio đã đạt được tỷ lệ thành công cao như vậy trong các thử nghiệm lâm sàng – chúng tôi kết hợp tốc độ và quy mô của AI với sự nghiêm ngặt và phán quyết khoa học mà chỉ các chuyên gia có kinh nghiệm mới có thể mang lại.

Cơ hội nào bạn thấy cho các dấu ấn sinh học được khám phá bởi AI để cách mạng hóa chẩn đoán sớm trong các bệnh như Parkinson?

Sức mạnh của nền tảng của chúng tôi nằm ở khả năng điều tra sinh học một cách rộng và sâu – vì vậy khi NAi khám phá một mục tiêu cho mục đích điều trị, nó thường có thể được sử dụng để chẩn đoán cũng như vậy.

Trong bệnh Parkinson, chúng tôi đã xây dựng các mô hình sinh học hệ thống bằng cách sử dụng mẫu bệnh nhân từ gần 400 cá nhân bởi Viện Parkinson và chúng tôi đã xác định N-acetylputrescine (NAP) như một dấu ấn sinh học máu mới. Chúng tôi đã xác nhận nó thông qua một bảng chẩn đoán được chứng nhận CLIA, và nghiên cứu của chúng tôi đã được công bố cho thấy rằng khi kết hợp với các đặc điểm lâm sàng như mất khứu giác và rối loạn giấc ngủ REM, bảng này đã cải thiện đáng kể độ chính xác của chẩn đoán và đánh giá rủi ro sớm. Điều này có tiềm năng cho phép can thiệp sớm hơn và cải thiện kết quả cho bệnh nhân.

Vai trò nào bạn thấy BPGbio sẽ đóng trong việc định hình tương lai của y học chính xác?

Không có một giải pháp phù hợp cho tất cả trong việc điều trị bệnh nhân. AI dựa trên sinh học có tiềm năng chuyển đổi y học chính xác bằng cách khám phá các thông tin mới giúp phân loại bệnh nhân, do đó cải thiện thiết kế thử nghiệm, phân loại bệnh nhân và tỷ lệ thành công của liệu pháp. Những thông tin này sẽ dẫn đến sự phát triển hiệu quả hơn của các xét nghiệm chẩn đoán và điều trị cho một loạt các bệnh hiếm gặp và phức tạp.

Bằng cách tận dụng AI để điều tra nghiêm ngặt các đầu vào sinh học và các mô hình chuyển dịch, ngành công nghiệp có thể mở khóa toàn bộ tiềm năng của AI để chuyển đổi phát triển thuốc và mang lại những đột phá đáp ứng các nhu cầu y tế chưa được đáp ứng. Chương tiếp theo của y học chính xác sẽ được viết bởi những người có thể kết hợp đổi mới với tác động, và BPGbio sẵn sàng dẫn đầu cuộc tấn công này.

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