Peter Ellman, Chủ tịch và Giám đốc điều hành của Certis Oncology Solutions – Loạt phỏng vấn

Certis Oncology Solutions, do Peter Ellman, Chủ tịch và Giám đốc điều hành, dẫn dắt, là một công ty công nghệ sinh học chuyên về lĩnh vực ung thư học. Sản phẩm của công ty là Oncology Intelligence® — dữ liệu đáp ứng điều trị dự đoán cao được rút ra từ các mô hình ung thư tiên tiến. Certis hợp tác với các nhà khoa học và nhà nghiên cứu trong ngành để mở rộng khả năng tiếp cận với ung thư học chính xác và giải quyết khoảng cách quan trọng giữa các nghiên cứu tiền lâm sàng và thử nghiệm lâm sàng.

Bạn có thể mô tả vấn đề rộng lớn hơn trong nghiên cứu ung thư mà CertisOI Assistant đang giải quyết?

Tỷ lệ thất bại của các ứng viên thuốc điều tra ung thư là cao. Gần đây đã báo cáo rằng vào năm 2023, 90% chương trình ung thư cuối cùng đã thất bại. Con số đó là một sự cải thiện đáng kể so với xu hướng lịch sử, vốn đã dao động quanh 96% cho đến năm 2022. Xem xét chi phí phát triển thuốc, tỷ lệ thất bại 90% không bền vững. Hãy tưởng tượng làm thế nào bệnh nhân sẽ được hưởng lợi nếu tỷ lệ thành công là 50%.

CertisOI Assistant ngay lập tức giải quyết hai vấn đề quan trọng góp phần vào tỷ lệ thất bại này:

• Lựa chọn mô hình tiền lâm sàng được cải thiện: Nhiều hợp chất cho thấy kết quả đầy hứa hẹn trong các nghiên cứu tiền lâm sàng nhưng không thể chứng minh hiệu quả điều trị đủ ở người. Hầu hết các thành viên của cộng đồng khoa học chỉ ra các mô hình tiền lâm sàng là một phần của vấn đề. Việc chọn các mô hình tiền lâm sàng với chữ ký biểu hiện gen chính xác (và sử dụng cấy ghép trực tiếp cho các nghiên cứu quan trọng) có thể cải thiện “dịch” vào lâm sàng.
• Xác định dấu ấn sinh học sớm hơn và tốt hơn: Việc dựa vào các dấu ấn sinh học không dự đoán chính xác phản ứng điều trị có thể dẫn đến thất bại trong các thử nghiệm lâm sàng. CertisOI Assistant được tích hợp với CertisAI, nền tảng AI/ML dự đoán bằng sáng chế của chúng tôi, cho phép xác định các dấu ấn sinh học dự đoán sớm trong quá trình phát triển thuốc.

CertisOI Assistant sử dụng AI như thế nào để cải thiện khả năng tiếp cận dữ liệu ung thư và điều gì khiến nó khác biệt so với các công cụ AI khác trong lĩnh vực này?

CertisOI Assistant cung cấp khả năng phân tích dữ liệu tiên tiến và mô hình hóa dự đoán thông qua giao diện ngôn ngữ tự nhiên dễ sử dụng. Nó nổi bật ở một số cách:

• Tích hợp dữ liệu toàn diện: Trợ lý tích hợp một loạt dữ liệu ung thư, bao gồm thông tin bệnh nhân, đặc điểm khối u, hồ sơ di truyền và dự đoán phản ứng thuốc. Cách tiếp cận toàn diện này cho phép phân tích toàn diện hơn so với các công cụ tập trung vào các loại dữ liệu riêng lẻ.
• Dự đoán dựa trên AI: Trợ lý sử dụng các thuật toán AI để dự đoán phản ứng và kháng thuốc, cung cấp thông tin về những phương pháp điều trị nào có khả năng hiệu quả cho các mô hình ung thư cụ thể. Khả năng dự đoán này rất quan trọng đối với y học cá nhân hóa và phân biệt nó với các công cụ chỉ dựa vào dữ liệu lịch sử.
• Giao diện người dùng thân thiện: Bằng cách cung cấp giao diện trực quan để truy vấn và phân tích các tập dữ liệu phức tạp, trợ lý giúp các nhà nghiên cứu dễ dàng tiếp cận và diễn giải dữ liệu ung thư mà không cần kỹ năng kỹ thuật tiên tiến.
• Đặc biệt tập trung vào các mô hình tiền lâm sàng: Trợ lý chuyên về nghiên cứu ung thư tiền lâm sàng, đặc biệt là các mô hình PDX và tế bào dòng, cung cấp thông tin độc đáo về giai đoạn phát triển thuốc sớm và sinh học khối u.
• Trực quan hóa tương tác: Trợ lý hỗ trợ trực quan hóa tương tác, chẳng hạn như nghiên cứu dược lý và tăng trưởng khối u, cho phép các nhà nghiên cứu khám phá dữ liệu một cách hấp dẫn và thông tin hơn.

CertisOI Assistant biến đổi dữ liệu phức tạp thành thông tin hành động như thế nào, đặc biệt là cho các nhà nghiên cứu làm việc về dữ liệu nhạy cảm với thuốc hoặc dữ liệu di truyền?

CertisOI Assistant tận dụng một quy trình làm việc có cấu trúc để biến đổi dữ liệu thô thành thông tin có ý nghĩa. Nó liên quan đến việc truy vấn một tập dữ liệu ung thư toàn diện, phân tích dữ liệu và trình bày kết quả dưới dạng dễ hiểu và diễn giải. Dưới đây là cách nó hoạt động:

• Truy vấn dữ liệu: CertisOI Assistant có thể truy cập một cơ sở dữ liệu quan hệ chứa thông tin chi tiết về các mô hình ung thư, bao gồm dữ liệu bệnh nhân, đặc điểm khối u, dữ liệu di truyền và dự đoán phản ứng thuốc. Nó sử dụng các truy vấn giống SQL để trích xuất dữ liệu phù hợp dựa trên nhu cầu cụ thể của nhà nghiên cứu.
• Phân tích dữ liệu: Khi dữ liệu được thu thập, CertisOI Assistant có thể thực hiện các phân tích khác nhau, chẳng hạn như xác định các đột biến phổ biến, tương quan biểu hiện gen với độ nhạy thuốc hoặc đánh giá kết quả nghiên cứu dược lý. Nó cũng có thể xếp hạng và lọc dữ liệu để làm nổi bật những phát hiện quan trọng nhất.
• Trực quan hóa: Trợ lý có thể trình bày dữ liệu dưới dạng bảng, tạo biểu đồ tương tác cho nghiên cứu dược lý và tăng trưởng khối u, và hiển thị hình ảnh mô học. Việc trực quan hóa này giúp các nhà nghiên cứu nhanh chóng nắm bắt các mẫu dữ liệu phức tạp và mối quan hệ.
• Giải thích và thông tin: Bằng cách cung cấp một giải thích rõ ràng về dữ liệu, bao gồm cả dự đoán về độ nhạy thuốc hoặc kháng thuốc, CertisOI Assistant giúp các nhà nghiên cứu đưa ra quyết định sáng suốt về các chiến lược điều trị tiềm năng hoặc hướng nghiên cứu thực nghiệm tiếp theo.
• Tùy chỉnh và linh hoạt: Các nhà nghiên cứu có thể điều chỉnh các truy vấn của họ để tập trung vào các loại ung thư cụ thể, dấu ấn di truyền hoặc phản ứng điều trị, cho phép phân tích được tùy chỉnh cao độ phù hợp với mục tiêu nghiên cứu của họ.

CertisOI Assistant tăng cường khả năng của các nhà nghiên cứu trong việc lựa chọn mô hình ung thư, thiết kế chiến lược dấu ấn sinh học hoặc thực hiện xác nhận trong môi trường ảo như thế nào?

Tôi đã đề cập đến hai lĩnh vực đầu tiên – phần mô hình ung thư và thiết kế chiến lược dấu ấn sinh học – vào đầu cuộc phỏng vấn này, vì vậy tôi sẽ tập trung vào việc thực hiện xác nhận trong môi trường ảo. CertisOI Assistant cung cấp một môi trường ảo để kiểm tra và xác nhận các giả thuyết liên quan đến hiệu quả của thuốc, tương tác mục tiêu và khám phá dấu ấn sinh học mà không cần thực hiện các thí nghiệm phòng thí nghiệm ngay lập tức. Điều này cho phép họ nhanh chóng tinh chỉnh các giả thuyết của mình và tập trung nỗ lực thực nghiệm vào các hướng đi đầy hứa hẹn nhất.

Dưới đây là một số ví dụ:

• Dự đoán phản ứng thuốc: Sử dụng dự đoán dựa trên AI về phản ứng và kháng thuốc để đánh giá cách các mô hình khác nhau có khả năng phản ứng với các loại thuốc cụ thể. Điều này có thể giúp xác nhận hiệu quả tiềm năng của một loại thuốc trong môi trường ảo trước khi chuyển sang nghiên cứu trong ống nghiệm hoặc trong vivo.
• Phân tích di truyền và phân tử: Phân tích dữ liệu di truyền, bao gồm đột biến, biểu hiện gen và biến thể số lượng bản sao, để xác định các mục tiêu tiềm năng và xác nhận sự liên quan của chúng với cơ chế hoạt động của thuốc. Điều này có thể giúp hiểu cơ sở phân tử của độ nhạy hoặc kháng thuốc.
• Khám phá dấu ấn sinh học: Tương quan các đặc điểm phân tử với dự đoán phản ứng thuốc để xác định các dấu ấn sinh học dự đoán tiềm năng. Điều này có thể hướng dẫn việc lựa chọn quần thể bệnh nhân có nhiều khả năng được lợi từ một liệu pháp cụ thể.
• Khám phá liệu pháp kết hợp: Khám phá dự đoán về sự tương tác thuốc để xác định các kết hợp thuốc hứa hẹn có thể tăng cường kết quả điều trị. Điều này có thể cung cấp thông tin về các chiến lược kết hợp tiềm năng có thể được xác nhận thêm bằng thực nghiệm.
• Phân tích mô học: Sử dụng hình ảnh mô học để xác nhận các hiệu ứng hình thái của thuốc trên mô khối u, cung cấp thêm bằng chứng về cơ chế hoạt động và hiệu quả tiềm năng của thuốc.
• So sánh giữa các mô hình: So sánh các mô hình khác nhau để hiểu cách các nền tảng di truyền khác nhau ảnh hưởng đến phản ứng thuốc, giúp xác nhận các giả thuyết về vai trò của các gen hoặc con đường cụ thể trong môi trường ảo.
• Tìm kiếm ảo: Thực hiện tìm kiếm ảo của thuốc chống lại một loạt các mô hình để ưu tiên các ứng viên cho xác nhận thực nghiệm tiếp theo.

Có thể chia sẻ các ví dụ về cách các nhà nghiên cứu dự kiến sử dụng công cụ này để cải thiện quy trình làm việc hoặc đạt được đột phá?

Ví dụ đơn giản nhất là lựa chọn mô hình tiền lâm sàng. Mỗi nghiên cứu tiền lâm sàng bắt đầu với việc lựa chọn mô hình khối u. CertisOI Assistant loại bỏ nỗ lực thủ công ra khỏi quá trình này và mang lại sự chính xác lớn cho việc lựa chọn các mô hình tối ưu cho bất kỳ nghiên cứu nào.

Một ví dụ khác là phát triển chiến lược dấu ấn sinh học. Cách tiếp cận truyền thống là đưa ra giả thuyết về dấu ấn sinh học hoặc dấu ấn sinh học nào có thể liên quan đến cơ chế hoạt động của thuốc và sau đó kiểm tra các giả thuyết này trong các nghiên cứu tiền lâm sàng, thường là một quá trình lặp lại. Nếu dữ liệu tiền lâm sàng đầy hứa hẹn, các nhà nghiên cứu phải xác nhận dấu ấn sinh học dự đoán trong các thử nghiệm lâm sàng trên người — và như đã thảo luận, tỷ lệ thất bại là cao.

CertisOI Assistant giúp các nhà nghiên cứu xác định và xác nhận dấu ấn sinh học dự đoán chính xác hơn, sớm hơn trong quá trình phát triển và với ít lần lặp lại hơn so với quy trình làm việc truyền thống — tiết kiệm thời gian, tiền bạc và cải thiện cơ hội thành công thương mại.

Loại mô hình ung thư hoặc tập dữ liệu nào mà công cụ hỗ trợ và làm thế nào sự đa dạng này có lợi cho cộng đồng nghiên cứu?

Phiên bản hiện tại của CertisOI cung cấp cho các nhà nghiên cứu quyền truy cập vào thư viện mô hình khối u PDX và PDX-derived đang mở rộng nhanh chóng của Certis và toàn bộ Cơ sở dữ liệu tế bào khối u (CCLE) của các mô hình. Các thuật toán của nền tảng cũng dựa trên dữ liệu từ Genomics of Drug Sensitivity in Cancer (GDSC), International Cancer Genome Consortium (ICGC), CI ALMANAC, O’Neil và các tập dữ liệu khác. Cách tiếp cận toàn diện này cho phép phân tích toàn diện hơn so với các công cụ tập trung vào các loại dữ liệu riêng lẻ.

CertisOI Assistant được thiết kế để thân thiện với người dùng. Làm thế nào để đảm bảo rằng nó có thể tiếp cận được với các nhà nghiên cứu có thể không có chuyên môn kỹ thuật sâu?

Một số tính năng làm cho CertisOI Assistant có thể tiếp cận được với các nhà nghiên cứu ở mọi cấp độ:

• Giao diện trực quan: Giao diện được thiết kế để trực quan và dễ điều hướng, cho phép người dùng thực hiện các truy vấn và phân tích phức tạp mà không cần phải hiểu các chi tiết kỹ thuật cơ bản.
• Quy trình làm việc được hướng dẫn: Trợ lý cung cấp quy trình làm việc được hướng dẫn cho các nhiệm vụ nghiên cứu chung, chẳng hạn như truy vấn dự đoán phản ứng thuốc, phân tích dữ liệu di truyền và khám phá nghiên cứu dược lý. Điều này giúp người dùng tập trung vào các câu hỏi nghiên cứu của họ mà không bị sa lầy vào các phức tạp kỹ thuật.
• Xử lý ngôn ngữ tự nhiên: Người dùng có thể tương tác với trợ lý bằng cách sử dụng các truy vấn ngôn ngữ tự nhiên, làm cho việc truy cập thông tin họ cần dễ dàng hơn cho những người không có chuyên môn kỹ thuật. Trợ lý diễn giải các truy vấn và dịch chúng thành các truy vấn cơ sở dữ liệu phù hợp.
• Tài liệu toàn diện: Tài liệu chi tiết và hướng dẫn giúp người dùng hiểu cách sử dụng trợ lý một cách hiệu quả. Điều này bao gồm hướng dẫn từng bước, ví dụ và giải thích về các khái niệm chính.
• Trực quan hóa tương tác: Trợ lý cung cấp trực quan hóa tương tác cho phân tích dữ liệu, chẳng hạn như biểu đồ và hình ảnh mô học, cho phép người dùng khám phá và diễn giải dữ liệu một cách trực quan mà không cần phải viết mã.
• Hỗ trợ phản hồi: Người dùng có thể truy cập hỗ trợ phản hồi để giúp họ với bất kỳ câu hỏi hoặc vấn đề nào. Điều này đảm bảo họ có thể nhận được sự giúp đỡ nhanh chóng và tiếp tục nghiên cứu của mình mà không bị chậm trễ không cần thiết.
• Truy vấn có thể tùy chỉnh: Mặc dù trợ lý cung cấp các quy trình làm việc mặc định, nhưng nó cũng cho phép tùy chỉnh, cho phép người dùng điều chỉnh các truy vấn để đáp ứng nhu cầu nghiên cứu cụ thể của họ mà không cần kiến thức kỹ thuật chuyên sâu.

Hợp tác là một khía cạnh quan trọng của nghiên cứu. CertisOI Assistant hỗ trợ làm việc nhóm giữa các nhà nghiên cứu hoặc tổ chức như thế nào?

CertisOI Assistant cho phép các nhà nghiên cứu từ các nhóm hoặc tổ chức khác nhau truy cập cùng một tập dữ liệu và công cụ, cho phép họ làm việc hợp tác trên các dự án hoặc câu hỏi nghiên cứu chung. Nền tảng cũng giúp dễ dàng tải xuống và chia sẻ các truy vấn dữ liệu, kết quả và thông tin giữa các thành viên trong nhóm, vì vậy mọi người tham gia vào một dự án đều có thể đóng góp hiệu quả.

Thử thách lớn nhất trong việc mở rộng việc áp dụng AI trong nghiên cứu ung thư là gì và làm thế nào để giải quyết chúng?

Các thách thức đáng kể bao gồm bảo mật dữ liệu, tích hợp dữ liệu và niềm tin vào các dự đoán kết quả AI. Tôi không phải là chuyên gia về bảo mật dữ liệu hoặc tích hợp dữ liệu, nhưng những tâm hồn vĩ đại đang làm việc để giải quyết những thách thức đó. Về việc tin tưởng vào các dự đoán được tạo bởi AI, chúng tôi cần các cách thức hiệu quả và đáng tin cậy để xác nhận những dự đoán đó.

Certis đã thực hiện một cách tiếp cận hai mặt đối với điều này: xác nhận trong môi trường ảo thông qua các nghiên cứu xác nhận chéo nội bộ và xác nhận trong vivo – thực hiện các nghiên cứu trong các mô hình chuột có liên quan lâm sàng để đánh giá độ chính xác của các dự đoán của nền tảng của chúng tôi. Theo thời gian, những công cụ này cũng sẽ được xác nhận lâm sàng trong bệnh nhân – nhưng tất nhiên, điều đó sẽ mất rất nhiều thời gian, tiền bạc và sự sẵn sàng thay đổi mô hình điều trị ung thư hiện tại. Cộng đồng y tế và quản lý sẽ phải ngừng dựa vào cách mọi thứ đã được thực hiện và chấp nhận sức mạnh của phân tích tính toán để thông báo quyết định.

Bạn hình dung công cụ như CertisOI Assistant sẽ định hình tương lai của điều trị ung thư và y học chính xác như thế nào?

Y học hiện đại vẫn chưa có cách tốt để kết hợp bệnh nhân với các phương pháp điều trị lý tưởng. Tổng thể, chỉ 10% bệnh nhân ung thư trải qua lợi ích lâm sàng từ các phương pháp điều trị được kết hợp với đột biến DNA của khối u. Điều đó không chỉ ảnh hưởng đến sức khỏe của bệnh nhân mà còn gây hại về mặt tài chính. Một ước tính 2,5 tỷ đô la — với chữ B — bị lãng phí cho các phương pháp điều trị không hiệu quả. Đó là một thực tế rất buồn khi 42% bệnh nhân ung thư cạn kiệt tài sản của họ vào năm thứ hai sau khi chẩn đoán.

Công cụ như CertisOI Assistant và CertisAI sẽ giúp chúng tôi thực hiện lời hứa của y học chính xác — đưa người bệnh đến phương pháp điều trị tối ưu cho hình thức ung thư duy nhất của họ lần đầu tiên, mọi lúc…. Và để dân chủ hóa khả năng tiếp cận các phương pháp điều trị cá nhân hóa hiệu quả hơn.

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