金汉金，Standigm CEO – 采访系列

金汉金是Standigm的CEO，Standigm是一家工作流AI药物发现公司。

从定制的目标识别到引导生成，Standigm工作流AI平台为每一步生成见解，以开发从内部和合作项目中具有商业价值的药物。

您从六年级开始编码，您能分享一下您如何对此产生兴趣以及最初您工作的内容吗？

啊，是的 – 在我的Apple II Plus上。那是我从书虫变成创造者的催化剂。我开始编程，从C编程开始，出于好奇。我对我的电脑的原理和理论方面感兴趣。从那里，我成为技术领域的终身学习者。

您最初是什么时候对机器学习感兴趣的？

我在爱丁堡大学获得了应用化学和人工智能学位，在杰弗里·辛顿的指导下。他是一位神经科学家和计算机科学家，他基本上创造了深度学习。辛顿曾经从事人工神经网络和自主智能机器的设计，后来又从事机器学习算法的设计。十年前，谷歌聘请他创建他们的AI，剩下的就是历史了。

您最初是什么时候开始参与生物学和机器学习的交叉领域的？

我曾在三星高级技术研究所工作，我在那里开发算法。其中一个算法是我开发的DNA损伤修复机制。我想在生物学领域工作，并解决最困难的问题。人类身体和像人类一样思考的计算机一样复杂，你需要努力去理解其中一个才能掌握另一个。AI系统不仅可以深入挖掘几十年来来自世界各地的科学数据，还可以处理人类身体的复杂性，并快速地捕捉生物机制的模式。很容易看出生物学和机器学习是相互关联的。

您能分享一下Standigm背后的创立故事吗？

我的健康和科学工作揭示了传统药物发现中的一个大问题：扫描科学研究论文和筛选试验所需的时间和金钱，或者说，提供潜在新药创造的起点。人类科学家正在进行这项密集的研究。我和两位三星同事，Sang Ok Song和So Jeong Yun，看到了一种机会，将工作从人类转移到智能机器上，并设计一种新的工作流程。我也不想为工资工作，我想为自己工作，为了将药物发现方法提升到一个新的标准范式，这就是Standigm的创立故事，Standigm是我们三人共同创立的公司。我们的机器学习模型现在实现了高预测准确率，其AI技术实现了最大化的投资回报率。

什么是合成可及性问题，Standigm如何解决这个问题？

生成模型可以在没有受过训练的药物化学家的帮助下设计新的分子结构，这是该技术被药物发现社区热情采用的最重要原因之一。这里面临的最大障碍是分子设计和实验合成之间的速度差异，分子设计需要几个小时，而实验合成需要几周或几个月。由于只有设计的化合物中的一小部分将被人类专家合成，因此拥有良好的分子特性衡量标准至关重要。

第一代AI模型很粗糙，合成化学家由于合成计划的困难而拒绝了大多数设计的分子。一些CRO公司甚至拒绝为这个合成活动制定提案。

Standigm一直在解决这个问题，通过聘请经验丰富的药物化学家并将他们的专业知识添加到生成模型中，以便他们可以设计出与人类专家设计的化合物无法区分的化合物。Standigm现在拥有多个不同的生成模型，可以管理不同的药物发现阶段：命中识别、命中到引导和引导优化。这表明拥有多样化的专业知识对于任何AI药物发现公司来说是多么重要，因为人类的经验和专业知识主要用于改进AI模型并确保最佳的工作流程。

您能讨论一下Standigm用来促进药物发现的算法类型吗？

我们通常通过使用Standigm ASK来启动任何探索性项目，优先考虑有前途和新颖的目标蛋白；我们的生物平台由不同的算法组成，用于训练大量的生物网络，利用各种类型的无偏见组学数据，引入生物系统的特定上下文等。选择合适的目标蛋白是药物发现中最关键的问题之一。Standigm ASK通过提供多个作用机制（MOA）的假设来帮助疾病专家。

为了确保具有高度保护范围的专利，Standigm BEST执行各种任务，包括建议命中化合物（有效探索）、骨架跳跃（考虑合成可及性和新颖性）以及各种预测模型（药物性、ADME/Tox性质和物理化学性质）。许多较小的任务与这些更大的任务相关，例如DTI（药物-目标相互作用）、AI辅助分子模拟、选择性预测和多参数优化。

平均而言，新化合物生成与传统药物发现程序相比，节省了多少时间？

Standigm的研究人员已经合成了数百种新分子用于各种项目，其中许多被指定为不同背景下的命中和引导分子。通过采用基于AI的模型和商业资源，Standigm将新化合物生成的第一轮时间从六个月缩短到平均两个月。现在，第一次是/否决策可以在平均七个月内做出，而不是三到四年。

Standigm在潜在药物商业化方面有哪些成功故事？

使用Standigm Insight，它与Standigm ASK共享相同的技术背景，我们发现了一种可以用于罕见儿童疾病的药物分子，这得到了美国最好的儿童医院之一的科学家的验证。这一案例表明，AI技术可以帮助罕见疾病药物发现，这对于任何规模的公司来说都是一个艰难的任务，因为它需要更多的商业价值。特别是在这种经济衰退时期，当制药公司试图变得更加保守时，AI可以促进罕见和被忽视的疾病的研发。

您对深度学习和生成AI在医疗保健领域的未来有什么展望？

AI技术的成功取决于高质量数据的可用性。医疗保健领域将不可避免地出现围绕安全大量高质量数据的激烈竞争。从早期药物发现的狭隘角度来看，化学和生物数据的获取成本高，需要很长时间才能获得高质量的状态。因此，自动化实验室将是AI药物发现领域的未来，因为它可以降低高质量数据的成本 – AI技术的燃料。我们正在将我们的技术平台推向下一个水平，以便Standigm ASK可以提供更多的证据，从患者来源的数据到分子生物学；以及Standigm BEST AI模型可以通过从内部自动化实验室和合作伙伴的高质量数据进行状态-of-the-art的开发。

您还想分享关于Standigm的其他内容吗？

由于Standigm的专业知识差异很重要，因此种族平衡也至关重要。我们一直在通过在英国（剑桥）和美国（剑桥，马萨诸塞州）成立办事处来扩大我们的全球影响力，以包括网络的存在和Standigm向更国际化公司的转变。

感谢这次精彩的采访，希望了解更多的读者可以访问Standigm。