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 lại 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 gần đây nhất từng giữ vị trí Lãnh đạo Tìm kiếm và Đánh giá Phát triển Kinh doanh tại Bristol-Myers Squibb (BMY ), nơi ông đóng vai trò quan trọng trong việc tìm kiếm và đánh giá cơ hội cấp phép và quan hệ đối tác chiến lược.

BPGbio là một công ty sinh học hàng đầu, được hỗ trợ bởi trí tuệ nhân tạo và đang trong giai đoạn lâm sàng, tập trung vào sinh học ty thể và sự ổn định của protein. Công ty có một đường ống dẫn sâu rộng về các liệu pháp được phát triển bởi trí tuệ nhân tạo, bao gồm các lĩnh vực ung thư, bệnh hiếm gặp và thần kinh, với một số trong số đó đang trong các thử nghiệm lâm sàng giai đoạn cuối. Phương pháp mới của BPGbio được hỗ trợ bởi NAi, nền tảng Sinh học Tìm hiểu độc quyền của công ty, được bảo vệ bởi hơn 400 bằng sáng chế của Hoa Kỳ và quốc tế; một trong những ngân hàng sinh học lớn nhất không thuộc chính phủ với mẫu sinh học theo chiều dọc; và quyền truy cập độc quyền vào siêu máy tính mạnh nhất thế giới.

Điều gì đã truyền cảm hứng cho nền tảng Sinh học Tìm hiểu NAi, và làm thế nào nó giúp BPGbio khác biệt so với các công ty dược phẩm sinh học khác đang tận dụng trí tuệ nhân tạo?

Kể từ khi gia nhập BPGbio, tôi liên tục bị ấn tượng bởi độ sâu của sự đổi mới và tầm nhìn dài hạn mà đã đi vào việc xây dựng nền tảng Sinh học Tìm hiểu NAi. Là một 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 đầu tiên và độ sâu của dữ liệu mà nó tìm hiểu.

BPGbio là một trong những công ty đầu tiên tiên phong trong việc sử dụng trí tuệ nhân tạo 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 lớn nhất thế giới. Không giống như các công ty khác dựa vào công nghệ hẹp hoặc tập dữ liệu công khai cho một chương trình khám phá bệnh duy nhất, chúng tôi tích hợp khả năng đa omics với ngân hàng sinh học độc quyền của mình, nơi chứa hàng trăm nghìn mẫu sinh học theo chiều dọc và sử dụng trí tuệ nhân tạo Bayesian, không phải mô hình hóa trí tuệ nhân tạo, để khám phá ra những hiểu biết dựa trên sinh học, có thể thông tin cho hầu như bất kỳ giai đoạn nào của việc khám phá thuốc và tăng khả năng thành công của phát triển lâm sàng. Chúng tôi không chỉ xác định mục tiêu; chúng tôi sử dụng trí tuệ nhân tạo để thiết kế các thử nghiệm lâm sàng của chúng tôi, hiểu kết quả của các thử nghiệm lâm sàng của chúng tôi, 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 trí tuệ nhân tạo. Đường ống dẫn này bao gồm hai thử nghiệm giai đoạn 2 đang hoạt động trong ung thư агрессив và nhiều chương trình giai đoạn 3 sẵn sàng, cũng như hơn một trăm mục tiêu và dấu ấn sinh học mới mà chúng tôi đã xác định bằng cách sử dụng các mô hình trí tuệ nhân tạo của chúng tôi.

Bạn có thể giải thích cách tiếp cận sinh học đầu tiên 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 liên quan đến việc 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.

Mặc dù trí tuệ nhân tạo có thể giúp tăng tốc quá trình khám phá, việc áp dụng trí tuệ nhân tạo, đặc biệt là trí tuệ nhân tạo tạo sinh, vào cùng một tập 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 nhất.

Phương pháp tiếp cận sinh học đầu tiên của chúng tôi đảm bảo chất lượng, độ sâu, độ chính xác, tính toàn diện và số lượng của dữ liệu được đưa vào các mô hình trí tuệ nhân tạo của chúng tôi. Trong phân tích đa omics của chúng tôi, chúng tôi vượt ra ngoài việc phân tích RNA và DNA. Ngoài genomics và transcriptomics, các nhà khoa học của chúng tôi phân tích proteomics, lipidomics và metabolomics trên tất cả các lớp sinh học – cơ quan, mô, tế bào và ty thể – và chúng tôi cung cấp dữ liệu đa omics khổng lồ không thiên vị này cho các mô hình trí tuệ nhân tạo của chúng tôi để có được những hiểu biết mới.

Phương pháp tiếp cận rộng và được hỗ trợ bởi trí tuệ nhân tạo này cho phép chúng tôi nhìn vượt ra ngoài lĩnh vực bệnh để tìm ra “nguyên nhân gốc rễ” nhanh hơn. Sau khi trí tuệ nhân tạo giúp tìm ra “nguyên nhân gốc rễ”, và trước khi chúng tôi tiến hành các thử nghiệm lâm sàng, chúng tôi quay lại phòng thí nghiệm để xác nhận rằng những hiểu biết từ trí tuệ nhân tạo là chính xác. Sự tập trung vào sinh học của con người giúp chúng tôi tăng tốc và giảm thiểu rủi ro trong quá trình khám phá và phát triển.

Quá trình khép kín này giảm thiểu sự không chắc chắn và cuối cùng giảm thiểu rủi ro trong quá trình phát triển. Từ quan điểm của tôi trong phát triển kinh doanh, đây là chìa khóa để xây dựng niềm tin với các đối tác tiềm năng – vì phương pháp tiếp cận của chúng tôi cải thiện khả năng thành công từ đầu.

Làm thế nào việc tích hợp trí tuệ nhân tạo với siêu máy tính mạnh nhất thế giới, Frontier, giúp 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 cho việc 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 tập dữ liệu lớn của mình để xác định các mẫu, mối tương quan, nguyên nhân và những hiểu biết có thể 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 bệnh án 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 quan điểm thương mại, sức mạnh tính toán này cho phép chúng tôi mở khóa những hiểu biết 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 hiểu biết độc đáo nào mà nền tảng NAi đã khám phá ra trong những lĩnh vực này, và làm thế nào chúng đã định hình các thử nghiệm của bạn?

BPGbio đang tích cực chạy một thử nghiệm giai đoạn 2b về glioblastoma (GBM) và đã hoàn thành một thử nghiệm giai đoạn 2a cho ung thư tụy, cả hai thử nghiệm đều sử dụng ứng viên thuốc nhỏ phân tử 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 của 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 mở giai đoạn 1 với 128 bệnh nhân về BPM31510, và kết quả thử nghiệm lâm sàng đã xác nhận những hiểu biết 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 bệnh nhân và chúng tôi dự kiến sẽ công bố kết quả thử nghiệm GBM giai đoạn 2 của chúng tôi vào cuối năm nay.

Bạn nhìn thấy những thách thức và cơ hội nào trong việc đối phó với các bệnh hiếm gặp như thiếu hụt CoQ10 nguyên phát và bệnh epidermolysis bullosa?

Bệnh hiếm gặp ở trẻ em thường thiếu các phương pháp điều trị hiệu quả do sự phức tạp và tỷ lệ thấp, và trẻ em mắc những bệnh này thường phải đối mặt với tuổi thọ ngắn. Điều này tạo ra những thách thức cho việc tuyển bệnh nhân vào 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. Ứng viên thuốc hàng đầu của chúng tôi, BPM31510, đã nhận được nhiều chỉ định từ FDA – bao gồm Chỉ định Thuốc mồ côi và Chỉ định Bệnh hiếm gặp ở Trẻ em – cho cả thiếu hụt CoQ10 nguyên phát và bệnh epidermolysis bullosa (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 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.

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

Trí tuệ nhân tạo Bayesian cho phép nền tảng của chúng tôi đi từ việc xác định các mối liên kết đến việc khám phá ra các mối quan hệ nguyên nhân – kết quả mà 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 theo chiều dọc, 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 được hơn.

Từ quan điểm chiến lược, điều này vô cùng quý giá. Xác nhận những gì cần nhắm đến 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 về các enzyme 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 vào các protein “không thể điều trị”?

Chương trình suy giảm protein mục tiêu dựa trên enzyme E2 của BPGbio là một trong những lĩnh vực thú vị và đổi mới nhất trong đường ống dẫn của chúng tôi. Các phương pháp suy giảm protein mục tiêu truyền thống dựa vào các enzyme 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 enzyme 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 phương pháp đầu tiên trong lĩnh vực này, và sự tiến bộ sớm 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 phương pháp 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 hiểu biết được hỗ trợ bởi trí tuệ nhân tạo với sự giám sát của con người để đảm bảo tính hợp lệ của các khám phá của bạn?

Tại BPGbio, chúng tôi xem trí tuệ nhân tạo như một công cụ mạnh mẽ – nhưng không phải là sự thay thế – cho chuyên môn của con người. Các hiểu biết được hỗ trợ bởi trí tuệ nhân tạo 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, bao gồm các nhà sinh học, bác sĩ lâm sàng và nhà khoa học dữ liệu.

Sự hợp tác này đảm bảo rằng mọi hiểu biết đều được đặt trong bối cảnh sinh học và lâm sàng. Đây là một trong những lý do tại sao BPGbio đã đạt được tỷ lệ thành công cao trong các thử nghiệm lâm sàng – chúng tôi kết hợp tốc độ và quy mô của trí tuệ nhân tạo với sự nghiêm ngặt và phán quyết của các chuyên gia có kinh nghiệm.

Bạn nhìn thấy tiềm năng gì cho các dấu ấn sinh học được khám phá bởi trí tuệ nhân tạo trong việc cách mạng hóa chẩn đoán sớm ở các bệnh như Parkinson?

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

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 mới dựa trên máu. 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 nhìn 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 bệnh nhân. Trí tuệ nhân tạo dựa trên sinh học có tiềm năng chuyển đổi y học chính xác bằng cách khám phá ra những hiểu biết 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 hiểu biết 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 trí tuệ nhân tạo để tìm hiểu nghiêm ngặt các đầu vào sinh học và các mô dịch, ngành công nghiệp có thể mở khóa toàn bộ tiềm năng của trí tuệ nhân tạo để chuyển đổi phát triển thuốc và mang lại những đột phá giúp giải quyết 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 đó.

Cảm ơn vì cuộc phỏng vấn tuyệt vời, độc giả muốn tìm hiểu thêm nên truy cập BPGbio.