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平台为每一步生成洞察力，以开发从内部和合作项目中产生商业价值的药物。

您在六年级时开始编码，您能分享一下您如何对此产生兴趣以及您最初工作的内容吗？

啊，是的 – 在我的Apple (AAPL ) II Plus上。那是我从书虫变成创造者的催化剂。我开始编程，首先学习C语言，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。

是什么最初吸引您对机器学习的兴趣？

我在爱丁堡大学获得了应用化学和人工智能学位，在那里我学习了杰弗里·辛顿的课程。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设计自主、智能机器的工作，以及后来的机器学习算法。谷歌十年前雇佣他来创建他们的AI，剩下的就是历史了。

您最初是什么时候开始涉足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，在那里我开发算法。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。人类身体和能够像人类一样思考的计算机都是非常复杂的东西，你需要努力去理解其中一个才能掌握另一个。AI系统不仅可以浏览几十年来从世界各地发表的广泛科学数据，还可以处理人类身体的复杂性，并快速、连贯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或提供潜在新药创造的线索所需的时间和金钱。人类科学家正在进行这项密集的研究。我和两位三星同事，宋圣玉和尹素静，看到将工作从人类转移到智能机器并设计新的工作流的机会。另外，我不想为工资工作；我想为自己工作，为了将药物发现方法提升到新的标准范式，这就是Standigm的由来，三位我们共同创立的公司。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经过训练的药物化学家的帮助下设计新的分子结构，这是药物发现社区热情采用这种技术的最关键原因之一。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，设计数百万个化合物只需要几个小时，而合成仅十个分子需要数周或数月。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性质衡量标准至关重要。

第一代AI模型很粗糙，合成化学家拒绝了大多数设计的分子，因为合成计划很困难。一些CRO公司甚至拒绝为这个合成活动准备提案。

Standigm一直在解决这个问题，通过聘用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，以便他们能够设计出无法与人类专家设计的分子区分开来的化合物。Standigm现在拥有多个不同的生成模型，可以处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药物发现公司来说都是非常重要的，在那里，人类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，而不是每个项目。

您能讨论一下Standigm使用的算法类型来促进药物发现吗？

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质；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，利用各种无偏见的组学数据，引入生物系统的特定背景等。选择正确的目标蛋白质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-靶标相互作用）、AI辅助分子模拟、选择性预测和多参数优化。

在新化合物生成方面，平均节省了多少时间，相比传统的药物发现程序？

Standigm的研究人员已经为项目合成了数百个新分子，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大多数项目的平均两个月。现在，第一次_go/不去决定可以在平均七个月内做出，而不是三年或四年。

Standigm在潜在药物商业化方面的一些成功故事是什么？

使用Standigm Insight（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，这种疾病由美国最好的儿童医院之一的科学家验证。这表明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困难的任务，因为它需要更多的商业价值。特别是在这种经济衰退时期，制药公司试图更加保守，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且耗时。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提升到下一个水平，以便Standigm ASK可以提供更多明显的证据，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那里获取高质量数据来实现最先进的状态。

您还想分享关于Standigm的其他信息吗？

由于专业知识的平衡对于Standigm至关重要，因此种族的平衡也至关重要。我们一直在全球范围内扩大我们的存在，通过在英国（剑桥）和美国（马萨诸塞州剑桥）建立办事处，包括网络的存在和将Standigm转变为一个更加国际化的公司。

感谢这次精彩的采访，希望了解更多的读者可以访问Standigm。