Thomas Clozel, Tiến sĩ Y khoa, Đồng sáng lập và Giám đốc điều hành của Owkin – Chuỗi phỏng vấn

Thomas Clozel, Tiến sĩ Y khoa là đồng sáng lập và Giám đốc điều hành của Owkin, một công ty công nghệ sinh học AI đang cách mạng hóa ngành chăm sóc sức khỏe. Với nền tảng nghiên cứu lâm sàng, Clozel đã đóng vai trò then chốt trong việc lãnh đạo Owkin kể từ khi thành lập vào năm 2016. Dưới sự dẫn dắt của ông, công ty đã đạt được những cột mốc quan trọng, bao gồm việc huy động vốn đáng kể và thiết lập các quan hệ đối tác chiến lược với các công ty dược phẩm lớn. Ông từng là Phó Giáo sư Y học Lâm sàng Onco-Hematology tại Hopital Henri Mondor ở Paris và là thành viên trước đây của phòng thí nghiệm ung bướu của Tiến sĩ Ari Melnick tại Trường Y Weill Cornell.

Owkin là một công ty công nghệ sinh học AI phát triển các hệ thống AI tự động nhằm tăng tốc nghiên cứu y sinh và khám phá thuốc. Được thành lập vào năm 2016 bởi bác sĩ ung bướu Thomas Clozel và nhà nghiên cứu học máy Gilles Wainrib, công ty kết hợp các mô hình AI tiên tiến với dữ liệu bệnh nhân đa phương thức, nghiên cứu sinh học và chuyên môn lâm sàng để giúp các đội ngũ dược phẩm hiểu sâu hơn về bệnh, xác định mục tiêu điều trị, khám phá các chỉ báo sinh học và đưa ra quyết định R&D thông minh hơn. Nền tảng chủ lực của công ty, K Pro, hoạt động như một nhà khoa học AI có khả năng điều phối các mô hình chuyên biệt và công cụ nghiên cứu để phân tích các câu hỏi sinh học phức tạp, và Owkin cuối cùng đang hướng tới cái mà họ gọi là Trí tuệ Nhân tạo Siêu thông minh Sinh học: một hệ thống AI tự cải tiến có khả năng thực hiện ngày càng nhiều phần của quy trình khám phá thuốc một cách tự động.

Owkin đã thiết lập các mối quan hệ chiến lược với các công ty dược sinh học lớn bao gồm Sanofi, Bristol Myers Squibb và MSD, và đã xây dựng một mạng lưới toàn cầu bao phủ các nhà nghiên cứu học thuật, bác sĩ, đối tác dữ liệu bệnh nhân và cơ sở hạ tầng phòng thí nghiệm.

Sự nghiệp của bạn đã trải qua lĩnh vực huyết học lâm sàng, nghiên cứu ung bướu và sinh học tính toán. Khi bạn đồng sáng lập Owkin vào năm 2016, bạn đã nhận thấy những hạn chế nào trong nghiên cứu y học truyền thống khiến bạn tin rằng AI có thể giúp các nhà khoa học hiểu bệnh theo cách khác?

Tôi là một bác sĩ ung bướu và đã gặp những bệnh nhân 35 tuổi mắc ung thư, nhưng không có gì trong tiền sử của họ giải thích tại sao họ lại mắc bệnh, hay tại sao họ tái phát. Chúng tôi cũng không có khoa học tốt nào để giải thích – ngay cả khi đã có hàng trăm năm nghiên cứu. Điều đó khiến tôi suy nghĩ: sinh học không phải là vấn đề ở quy mô con người. Nó đòi hỏi suy luận qua các quy mô, từ phân tử tới toàn bộ sinh vật, và đồng thời xử lý nhiều loại dữ liệu khác nhau – từ mẫu mô sinh thiết tới lịch sử điều trị của bệnh nhân. Để làm được điều đó, chúng ta cần AI. Và tôi nghĩ dữ liệu duy nhất có thể đưa chúng ta đến gần hiểu biết đó ở người là dữ liệu bệnh nhân. Vì vậy vào năm 2016, tôi đã đồng sáng lập Owkin cùng Gilles Wainrib, và chúng tôi bắt đầu với học liên hợp – một phương pháp cho phép các mô hình AI học từ dữ liệu bệnh viện mà không cần dữ liệu rời khỏi bệnh viện – để mở khóa dữ liệu đó và tìm ra câu trả lời.

AI sinh tạo có thể tạo ra một lượng lớn các giả thuyết sinh học có vẻ hợp lý. Các nhà nghiên cứu nên làm thế nào để phân biệt một khám phá thực sự mới so với một mối tương quan do AI tạo ra nhưng cuối cùng lại sai?

Bạn nên coi mọi giả thuyết của mình là sai cho đến khi chứng minh ngược lại. Đó là thiết kế cố ý. Tôi tin rằng các đại lý AI tiên tiến – các hệ thống AI tự động và tiên tiến – khi được cung cấp công cụ và dữ liệu phù hợp, sẽ tạo ra các giả thuyết chính xác hơn so với hiện tại. Tại Owkin, các mô hình của chúng tôi xếp hạng các giả thuyết dựa trên khả năng chúng sẽ được xác nhận, dựa trên các mẫu đã học từ dữ liệu.

Nhưng chúng tôi vẫn cần kiểm nghiệm chúng, đầu tiên trong phòng thí nghiệm và sau đó qua các thử nghiệm lâm sàng, trước khi có thể đặt niềm tin hoàn toàn. Tại Owkin, chúng tôi thực hiện điều này thông qua cái mà chúng tôi gọi là “phòng thí nghiệm trong vòng lặp” – kiểm tra mọi dự đoán AI trên các mẫu sinh học thực tế trước khi tin tưởng – và sau đó trong các thử nghiệm lâm sàng. Vì vậy chúng tôi vẫn phải kiểm nghiệm mỗi giả thuyết một cách thực nghiệm, như mọi lúc. Nhưng AI giúp chúng tôi sử dụng nguồn lực tốt hơn bằng cách chỉ dẫn chúng tôi tới các con đường thử nghiệm có khả năng thành công cao nhất.

K Pro kết hợp bệnh lý, genomics, sinh học không gian và kết quả lâm sàng. Việc đưa các loại dữ liệu khác nhau này lại với nhau tạo ra bằng chứng sinh học mạnh mẽ hơn so với việc dựa vào một bộ dữ liệu hay một mô thức duy nhất như thế nào?

Chúng tôi đang cố gắng nhìn toàn cảnh những gì đã gây ra bệnh của một người. Mỗi loại dữ liệu này cung cấp cho bạn một khoảnh khắc của một phần – nhưng không có loại nào có thể đưa ra toàn bộ giải thích nguyên nhân.

Nếu bạn có thể nhìn bệnh từ nhiều góc đồng thời, bạn sẽ gần hơn tới bức tranh toàn diện. Đó là mục tiêu của chúng tôi trên mọi quy mô sinh học – ví dụ, liên kết hoạt động gene với cấu trúc mô, và liên kết sinh học nền tảng của bệnh nhân (gene và phân tử) với những gì thực tế quan sát được trong lâm sàng (hình ảnh mô, hồ sơ y tế, phản ứng với điều trị).

Đó là lý do AI quan trọng: nó có thể kết hợp những loại dữ liệu rất khác nhau này và tìm ra các mẫu tiềm ẩn đưa chúng ta gần hơn tới toàn bộ bức tranh – điều mà con người khó có thể thực hiện một cách độc lập.

Owkin mô tả các khám phá do AI tạo ra là các giả thuyết chứ không phải là sự thật. Một giả thuyết K Pro cần trải qua những giai đoạn nào trước khi đội ngũ của bạn coi nó đủ ý nghĩa sinh học để ảnh hưởng đến quyết định phát triển thuốc?

Four stages.

First, computational replication: does the signal hold up when checked against independent patient datasets, and across data types that weren’t used to generate it in the first place? This step is cheap to run and it eliminates the majority of candidates early.

Second, mechanistic scrutiny: is there a coherent, causal explanation — a plausible new piece of biology? And does the evidence actually say what the model claims it says? We interrogate the underlying evidence, not just the conclusion. This is where input from our expert biomedical team is hugely important.

Third, we test it in the lab. We check the prediction using patient-derived models — including organoids (miniature, lab-grown versions of a patient’s tumor) — through drug testing and gene-editing experiments. This is the step where a correlation either becomes a real causal claim, or doesn’t.

Fourth, patients. We’re currently testing OKN4395 — a drug candidate whose underlying biology K Pro helped us understand — in our INVOKE clinical trial. We’re also using that trial to improve our AI: it collects detailed patient data throughout, so we’re not only testing a drug, we’re testing whether the model’s reasoning about the disease mechanism and the right patient population was correct.

Owkin tests selected K Pro predictions in its wet laboratory using approaches such as patient-derived organoids and genetic perturbation. How does this laboratory feedback improve the system, and what happens when experimental results contradict the original prediction?

K Pro dự đoán sinh học mới, chúng tôi thiết kế thí nghiệm và kiểm tra nó bằng các mô hình phòng thí nghiệm được lấy từ bệnh nhân — bao gồm organoid, co-culture (nuôi chung các loại tế bào để quan sát tương tác) và các mô hình mà các gene cụ thể đã được bật hoặc tắt. Kết quả sau đó được đưa trở lại hệ thống để cải thiện nó. Hiện nay, một phần của vòng lặp này vẫn được thực hiện thủ công; tự động hoá hoàn toàn sẽ là bước tiếp theo của chúng tôi.

Chúng tôi đã đo lường được tác động của phản hồi này. Trong một nghiên cứu chúng tôi công bố trên ArXiv (kho lưu trữ các bài báo khoa học) năm nay, các đại lý AI nhận được loại phản hồi phòng thí nghiệm lặp lại này đã tốt hơn 166–185 % so với lựa chọn ngẫu nhiên trong việc xác định các gene thay đổi đáng kể cách một tế bào hoạt động — những gene mà thực sự đáng để nhắm tới bằng thuốc.

What metrics should pharmaceutical companies use to evaluate an AI scientist? Should success be measured by predictive accuracy, reproducibility, the number of validated targets, improved clinical-trial decisions or another standard?

We think the benchmark that matters most is reliability. An AI that can occasionally produce a very accurate answer is interesting, but AI systems only become genuinely useful to the industry when they can answer the same question the same way, reliably, no matter how many times you ask.

That’s what shifts these systems from a flashy demo to the foundation of an actual workflow. That’s how we’ve built K Pro — so that the AI reasoning inside it follows the same reproducible, transparent process every time it answers a question.

Scientific reproducibility is essential in drug research. How does K Pro show researchers which datasets, analytical workflows and reasoning steps contributed to a conclusion so that its findings can be independently reviewed?

K Pro documents and displays the reasoning process the AI goes through to answer every query.

Every dataset it uses is identified by source and version. You can see the patient group narrow at each filtering step — for example, how four thousand patients became three hundred. Every tool it calls on is shown. Every “skill” it uses is shown. Every reasoning step is shown.

A “skill” is a scientific workflow that’s been encoded once — the sequence of analyses, the thresholds, the reasoning — which K Pro then applies identically every time it’s relevant. Skills are especially important for reproducibility, because they’re one of the ways K Pro reduces the natural variability of AI systems — the same task run twice should give the same answer. We’re continuing to build on this, because the ability to verify an AI’s work is a key advantage in our industry.

Owkin is developing purpose-built K Pro agents for AstraZeneca and Sanofi. What have these collaborations taught you about integrating AI scientists into established pharmaceutical workflows without weakening human oversight, governance or scientific rigor?

You have to meet pharmaceutical companies where they are. Every company has a different setup, a different history, and a different appetite for AI adoption — and within each company, different teams have different needs.

Our experience working with pharma companies over almost the last decade is that they will always prioritize oversight and rigor, and you won’t even get in the door without meeting their governance standards.

So we’ve built K Pro to be interpretable — meaning you can see how it reasons, what tools it selects, and what data it calls on — flexible enough to work within a company’s existing systems without requiring them to change infrastructure, and able to access proprietary data exactly where it’s already stored, without ever moving or duplicating it.

That goes a long way toward building the trust needed for pharma adoption.

Multimodal patient data can contain institutional biases, inconsistent annotations and underrepresented populations. How does Owkin prevent these limitations from becoming misleading biological conclusions or narrowing the patients who may benefit from a discovery?

All data contains some form of bias, whether from the lab it came from or the patients it represents. Our approach is to understand our datasets as fully as possible, so we can identify whether bias exists and how to account for it.

We’re able to do this because we have strong relationships with the researchers who originally generated each dataset, and they help us examine it in depth.

We’re confident that if a relevant dataset exists, we can find it. But if there’s a gap — for example, a patient population isn’t well represented in existing data — we’re able to generate new data to rigorous standards ourselves, working with academic partners, as we did with our MOSAIC dataset.

You have described Owkin’s long-term objective as Biological Artificial Superintelligence. What capabilities would distinguish that from today’s AI research tools, and what evidence would convince you that an AI system genuinely understands biology rather than simply identifying increasingly sophisticated patterns?

Biological Artificial Superintelligence (BASI) — our term for an AI system capable of independently proposing genuinely new, correct biology — arrives when an AI system starts reliably suggesting new disease biology that human research hasn’t uncovered, and that later proves to be correct.

We’re building toward that with a system that can:

• Work autonomously, refining its own hypotheses without needing human intervention at every step, including designing and running experiments in automated labs
• Reason about cause and effect in biological systems, not just spot correlations

As for whether the AI genuinely “understands” biology, that’s an interesting philosophical question. At what point do a model’s internal representations become complex enough to count as real understanding, rather than just very sophisticated pattern-matching? For now, I’ll settle for it being able to reliably suggest new biology that turns out to be true.

Thank you for the great interview, readers who wish to learn more should visit Owkin.