KI in der Medizin: Biowissenschaften und Wirkstoffforschung

Hallo Habr! Heute zeige ich Ihnen meine Übersetzung eines wunderbaren Interviews mit Alexander Zhavoronkov . Ich hoffe, es ist für Sie genauso interessant zu lesen wie für mich zu übersetzen.



Künstliche Intelligenz verspricht uns bessere Gesundheit, schnellere Arzneimittelentwicklung und -tests. All dies geschieht mit dem Ziel, die Patientenergebnisse zu verbessern. Heute sprechen wir mit einem Weltexperten für den Einsatz künstlicher Intelligenz in den Biowissenschaften, dessen Ziel es ist, Medikamente schneller und billiger zu finden und zu entwickeln.

Alexander Zhavoronkov ist der Gründer und CEO von Insilico Medicine. Das Unternehmen ist führend auf dem Gebiet der künstlichen Intelligenz der nächsten Generation, deren Methoden auf die Entdeckung neuer Medikamente, die Entwicklung von Biomarkern und die Erforschung des Alterns abzielen. Vor Insiliko war er in leitenden Funktionen bei ATI Technologies, NeuroG Neuroinformatics, der Stiftung für biogerontologische Forschung und YLabs.AI tätig. Seit 2012 hat er mehr als 130 von Experten begutachtete wissenschaftliche Artikel und 2 Bücher veröffentlicht. Sechs Jahre lang organisierte er bei Basel Life / EMBO in Basel die jährlichen Foren „Forschung zum Altern für die Wirkstoffforschung und künstliche Intelligenz für das Gesundheitswesen“. Alexander ist außerordentlicher Professor am Buck Institute for Aging Research.



Michael Kriegsman: Erzählen Sie uns kurz über Insilico Medicine und woran Sie arbeiten.

Alexander Zhavoronkov: Wir konzentrieren uns hauptsächlich auf die Anwendung künstlicher Intelligenzmethoden der nächsten Generation für die Arzneimittelentwicklung, die Entwicklung von Biomarkern und die Alterungsforschung. Wir konzentrieren uns speziell auf zwei Techniken des maschinellen Lernens: Generative Adversarial Networks ( GAN ) und verstärktes Lernen . Dies sind die Methoden, mit denen wir auf unserem Gebiet am meisten Erfahrung haben.

Wir verwenden diese Methoden für zwei Zwecke. Eine davon ist die Identifizierung biologischer Ziele und die Erstellung von Biomarkern aus verschiedenen Arten von Daten sowie die Erstellung neuer Moleküle, neuer molekularer Strukturen mit bestimmten Eigenschaften. Wir waren eines der ersten Unternehmen, vielleicht das erste, das neue Moleküle mithilfe einer neuen Technologie namens generativ-kompetitive Netzwerke herstellte und diese Moleküle experimentell testete.

Was ist eine Arzneimittelentwicklungspipeline?

Michael Kriegsman: Geben Sie uns einen Kontext. Was ist eine Arzneimittelentwicklungspipeline? Warum ist es so schwer? Reden wir darüber. Dann können wir weitermachen, wie KI es besser und einfacher macht.

Alexander Zhavoronkov: Die Entdeckung und Entwicklung von Arzneimitteln ist ein sehr langer Prozess. Es ist auch einer dieser Prozesse, bei denen Sie mehr Fehler als Erfolge haben. Tatsächlich gibt es weit mehr Misserfolge als Erfolge.

Es sind mehr als 2,6 Milliarden US-Dollar erforderlich, um ein Medikament zu entwickeln und auf den Markt zu bringen, um eine bestimmte Krankheit zu behandeln. Dies geschieht, nachdem das Molekül an Tieren getestet wurde. Nachdem das Molekül an Tieren getestet wurde, beträgt die Ausfallrate 92%. Wenn ein Arzneimittel am Menschen getestet wird, versagt es in 92% der Fälle. Der Prozess ist also nicht nur langwierig, sondern auch riskant.

Typischerweise beträgt die für die Entdeckung und Entwicklung eines Moleküls erforderliche Zeit etwa zehn Jahre. Menschen, die den Prozess initiieren, sind nicht immer anwesend, wenn das Molekül eindringt. Der Prozess besteht aus mehreren Phasen.

Das erste ist die Erstellung von Hypothesen. Sie stellen eine Hypothese auf, eine Theorie einer bestimmten Krankheit und bestimmen die geeigneten Ziele. Sie sprechen darüber, welche Proteine ​​an der Krankheit beteiligt sind und welche Proteine ​​die Ursache sind.

Danach entwickeln Sie einen Antikörper oder ein kleines Molekül für dieses Zielprotein. Wenn Sie ein kleines Molekül entwickeln, überprüfen Sie normalerweise zunächst große Bibliotheken von Verbindungen, die dieses bestimmte Ziel treffen können, und führen alle Arten von Experimenten durch, um festzustellen, wie gut diese kleinen Moleküle an dieses Ziel binden.

Danach wählen Sie mehrere Optionen aus. Sie bestimmen, welche Moleküle für dieses Proteinziel am besten geeignet sind, und beginnen mit allen Arten von Experimenten mit diesen Molekülen, um festzustellen, ob sie im biologischen System, in einer krankheitsbedingten Analyse, bei einer Maus, einem Hund oder anderen Tieren gut funktionieren, und Anschließend beantragen Sie bei der FDA eine IND ( New Drug Research ), um das Molekül in klinischen Studien zu erhalten.

Nachdem dieser Prozess abgeschlossen ist, beginnen wir mit der Entwicklung von Medikamenten und beginnen mit klinischen Studien. Alles beginnt mit Phase I, die sich auf die Sicherheit bezieht. In Phase II testen Sie das Medikament auf Wirksamkeit. In Phase III testen Sie beide Phasen in großen klinischen Umgebungen in großen Populationen. Nachdem Sie mit Phase IV fortfahren oder mit der Freigabe des Produkts beginnen können.

Wirkstoffforschung und Post-Marketing-Forschung

Alexander Zhavoronkov: Und dann Post-Marketing-Forschung. Dieser Prozess dauert in der Regel mehr als zehn Jahre und schlägt in 92% der Fälle fehl.

Mit AI können Sie wirklich in fast allen Segmenten spielen, beginnend mit der Entdeckung von Medikamenten in einem frühen Stadium, wenn AI Ihnen beim Hypothesenmodell helfen und tatsächlich die Nadeln mit der Identifizierung des Ziels aus dem Heuhaufen ziehen kann, mit der Identifizierung kleiner Moleküle, mit virtuellem Screening, mit der Schaffung neuer Moleküle mit besonderen Eigenschaften, mit der Planung des Designs einer klinischen Studie und der Aufnahme in eine klinische Studie. Und dann auch, um die Ergebnisse klinischer Studien vorherzusagen.

Michael Kriegsman: Wo fängt AI an, den Prozess zu verkürzen, besser?

Alexander Zhavoronkov: Wenn Sie sich in einem frühen Stadium der Arzneimittelentwicklung befinden, beginnen Sie mit der Erstellung von Hypothesen und der Identifizierung von Zielen. In der Regel haben Sie mehrere Möglichkeiten. Eine Möglichkeit besteht darin, nach Literatur zu suchen und vielversprechende Bereiche zu identifizieren, die von Wissenschaftlern in der Vergangenheit entdeckt und veröffentlicht wurden.

KI kann Ihnen helfen, eine große Menge an Literatur sowie andere verwandte Quellen zu erstellen, um Signale und Ziele zu identifizieren, die mit der Krankheit verbunden sein können. Wir bei Insilico beginnen normalerweise mit Zuschussdaten. Wir prüfen biomedizinische Zuschüsse im Wert von rund 1,7 Billionen US-Dollar in den letzten 25 Jahren. Dann schauen wir uns an, wie diese Zuschüsse zu Veröffentlichungen, zu Patenten für klinische Studien und dann zu Produkten auf dem Markt werden.

Wir folgen von Idee zu Idee und von Geld zu Geld, dh von Geld auf dem Markt. Wir beobachten auch, wie aus Geld Daten werden. Wenn die Regierung eine bestimmte Studie unterstützt, sollten die Daten in der Regel in einem öffentlichen Archiv gespeichert werden, damit andere Personen sie kopieren können, sowie für das Gemeinwohl.

Wir versuchen, das Geld in den Daten im Auge zu behalten. Wenn keine Daten vorhanden sind, versuchen wir, den Wissenschaftler zu kontaktieren und Daten vom Wissenschaftler zu erhalten, und / oder fordern den Wissenschaftler auf, die Daten in einem öffentlichen Geschäft abzulegen.

Wir beginnen mit Textdatenbanken, verknüpfen diese Daten aber auch mit Omix-Daten. Tatsächlich wird alles, was mit „ohmsch“ endet (Transkriptomik, Genomik, Metabolomik, Metagenomik), als Omix-Daten bezeichnet.

Wir arbeiten hauptsächlich mit Daten zur Genexpression, daher untersuchen wir, wie sich das Expressionsniveau bestimmter Gene oder ganzer Netzwerke beispielsweise von einem gesunden Zustand zu einer Krankheit ändert. Wir transformieren diese Veränderungen, diese Anzeichen der Krankheit in separate Ziele und bestimmen, welche Arten von Proteinen mit einem kleinen Molekül angegriffen werden können.

Dann kehren wir zum Stand der Technik im Text zurück und prüfen, ob jemand etwas veröffentlicht hat, das unsere Hypothese bestätigen würde. Dies bedeutet nicht unbedingt, dass unsere Hypothese falsch ist, wenn der Text kein Signal enthält, da Menschen mit älteren Methoden manchmal einfach kein bestimmtes Ziel mit der Krankheit in Verbindung bringen können. Dies gibt uns jedoch ein wenig mehr Vertrauen, dass bereits jemand vorhanden ist Ich habe dieses Problem und dieses Ziel bereits angesprochen.

Wir sammeln riesige Datenmengen, die mit Hilfe der menschlichen Intelligenz einfach nicht zu verarbeiten sind. Wir sammeln und kombinieren diese Datentypen auch. Manchmal sind diese Datentypen völlig inkompatibel, und es ist unmöglich, sie einfach mit Standardwerkzeugen zusammenzunähen. Sie müssen wirklich tiefe neuronale Netze gleichzeitig in mehreren Datenpaketen trainieren, damit sie verallgemeinert werden können und wir die entsprechenden Funktionen extrahieren können, die in mehreren Datentypen gleichzeitig vorhanden sind.

Einige der Arten von Daten, mit denen wir arbeiten, sind für den menschlichen Verstand völlig unverständlich. B. Genexpressions- oder Bewegungsdaten oder Scandaten der kardiovaskulären Aktivität oder Ultraschalldaten. Wir schaffen es, diese Datentypen mit AI zu kombinieren und dann die entsprechenden Ziele zu bestimmen.

Biologie gegen künstliche Intelligenz

Michael Kriegsman: Ihre Spezialisierung bei Insilico ist Biologie und Medizin oder die Entwicklung künstlicher Intelligenzmethoden? Ist es möglich, diese beiden Richtungen zu trennen?

Alex Zhavoronkov: In unserem Fall sind beide Bereiche gut und wir stellen international wettbewerbsfähige Mitarbeiter ein. Bei Wettbewerben führen wir sehr komplexe Tests durch, die Menschen sehr schnell lösen müssen. Diese Probleme sind normalerweise mit der Entwicklung der AI-Methode und der Lösung eines komplexen biologischen oder chemischen Problems verbunden.

Wenn man sich jedoch die wirklich großartigen Wissenschaftler der KI ansieht, sind sie normalerweise nicht sehr gut in Biologie oder Chemie. Sie sind gut in Mathe. Deshalb sind ein gewisser Prozentsatz unseres Unternehmens einfach wunderbare Mathematiker, die neue Methoden entwickeln, um beispielsweise Chemie und Biologie mithilfe von Deep Learning zu kombinieren.

Ein Teil des Unternehmens ist spezialisiert auf die Anwendung bestehender Methoden wie GAN und die Verbesserung der Schulung zu bestehenden Problemen in Chemie und Biologie. Diese Leute sind normalerweise auf der angewandten Seite und kennen sich sowohl mit Chemie als auch mit Biologie aus. Sie können mit Mathematikern kommunizieren und Grundlagenforschung auf dem Gebiet der KI betreiben.

Natürlich haben wir nur reine Biologen und Chemiker, die auch benötigt werden, um einige der Ergebnisse unserer KI zu testen. Deshalb haben wir ein so großes, vielfältiges und internationales Team, weil wir diese drei Bereiche wirklich abdecken müssen: Methoden, Anwendungen und Validierung.

Michael Kriegsman: Wir haben eine interessante Frage von Chris Peterson auf Twitter: „Für einige pharmakokinetische und pharmakodynamische Studien werden immer noch netzbasierte Fortran-Parallelprogramme verwendet. Sehen Sie, dass KI den Code der alten Schule ersetzt, verbessert oder parallel weiterentwickelt? “

Alexander Zhavoronkov: Ich denke, jetzt müssen wir uns parallel bewegen. Natürlich werden einige der älteren Methoden immer noch von wirklich führenden Experten auf dem Gebiet der Wirkstoffforschung eingesetzt. Die meisten dieser Methoden werden jedoch durch Hochleistungsrechnen und künstliche Intelligenz erheblich beschleunigt. Dies ist also eine typische Software, die es schon sehr lange gibt, beispielsweise Schrödinger. Das Unternehmen besteht seit 92 Jahren.

Das Unternehmen erzielte in vielen Bereichen einen großen Durchbruch und konnte alte Algorithmen weiterentwickeln, um sehr komplexe Probleme zu lösen. Ich denke, dass wir bei Insilico versuchen, alles neu zu erfinden und unsere eigene Software zu schreiben. Aber natürlich kennen wir viele unserer Mitarbeiter, die einfach nur kleine Stücke unserer großen Salami, die wir entwickeln, nehmen und damit spielen möchten. Vielleicht verwenden sie klassischere Tools, die wir derzeit nicht umgehen können.

Idealerweise benötigen Sie einen einteiligen Förderer, der Ziele identifiziert, Moleküle erzeugt und diese Moleküle durch eine große Anzahl von Simulationen in einem nahtlosen Förderer leitet. Dies ist, was wir bauen, und dies ist unser Heiliger Gral. Aber natürlich versuchen viele Unternehmen, viele Gruppen, das Lego-Spiel zu entwickeln und mehrere Tools mit unterschiedlichen Ausgaben zu verwenden, um dasselbe Problem zu lösen.

Entwicklung von KI-Tools im Unternehmen

Michael Kriegsman: Warum entwickeln Sie Ihre eigenen Werkzeuge?

Alexander Zhavoronkov: Ja, einfach weil viele der von uns verwendeten Methoden so neu sind, dass sie mit älteren Tools nicht kompatibel sind. Es gibt viele Gruppen, die behaupten, sich mit künstlicher Intelligenz zu beschäftigen, aber tatsächlich beschäftigen sie sich mit mechanischer Arbeit, nehmen fertige Software und versuchen, mit diesen Werkzeugen einige Lücken in der pharmakologischen Forschung und Entwicklung zu schließen. Das machen wir nicht. Wir entwickeln alles von Grund auf neu, von der Identifizierung des Ziels bis zur Erzeugung kleiner Moleküle.

Michael Kriegsman: Jetzt haben wir darüber gesprochen, wie Sie mit Ihren Methoden potenzielle Kandidaten identifizieren können. Der nächste Schritt ist die Bewertung. Zuerst müssen wir die Möglichkeiten freisetzen, und Sie tun dies, indem Sie alle diese Daten aggregieren und dann mit verschiedenen Methoden analysieren. Angenommen, Sie haben es getan. Wie bewerten Sie die Kandidaten, die Sie ursprünglich enthüllt haben?

Alexander Zhavoronkov: Wenn Sie eine Liste von Zielproteinen für eine bestimmte Krankheit haben und versuchen, Prioritäten zu setzen, versuchen Sie normalerweise, diese Proteine ​​mit der höchstmöglichen Anzahl von Punkten zu versehen. Sie möchten herausfinden, ob dieses Zielprotein jemals an der Toxizität beteiligt war. Wie hängt das mit allem anderen zusammen? In welchem ​​Stoff spielt es eine große Rolle? Wie interagiert ein Protein mit anderen Proteinen? Ist das eine Heilung? Ist es ein niedermolekulares Medikament oder ein Antikörper? Hat das noch jemand benutzt? Was ist der Patentraum um das Molekül? Hat jemand versucht, ihn mit einem kleinen Molekül oder Antikörper für eine bestimmte Krankheit in die Klinik zu bringen?

Es gibt viele, viele, viele, viele Bewertungsfunktionen, die Sie berücksichtigen sollten. Wenn Sie im Grunde genommen nur eine sehr kleine Anzahl von Zielen haben, testen Sie diese auch in verschiedenen biologischen Systemen, um festzustellen, welches für die Krankheit, an der Sie interessiert sind, besser geeignet ist.

Ich werde ein Beispiel aus der Praxis geben. Zum Beispiel sind wir sehr an Fibrose interessiert. Fibrose ist kein sehr einfach zu beschreibender Prozess, und es gibt verschiedene Arten von Fibrose. Es gibt IPF oder Lungenfibrose. In der Lunge wird eine rauchinduzierte Fibrose beobachtet, zusätzlich wird eine senile Fibrose beobachtet. Wir haben mehr als 120 Arten von Fibrose identifiziert und normales Gewebe mit fibrösem Gewebe verglichen, das mit einer bestimmten Erkrankung assoziiert ist.

Wir haben erst kürzlich eine Fallstudie durchgeführt, in der wir uns mit IPF befasst haben, eine Liste von Zielen für diesen Zustand identifiziert haben und unsere Liste 50 Ziele hatte. Wir haben untersucht, wann diese Ziele aktiver und relevanter für die Krankheit sind, in welchem ​​Stadium der Krankheit, denn ich denke, wenn Sie dies später verstehen oder diese Probleme später lösen, werden Sie die Symptome behandeln, nicht die Ursache.

In unserem Fall definieren wir eine große Liste von Zielen, die in den frühen Stadien des Fortschreitens der Krankheit wahrscheinlich sehr relevant sind. Dann schauen wir uns an, welche Ziele neu sind, welche Ziele die Menschen nicht beachtet haben. Wir wollen uns nicht auf alte Ziele konzentrieren. Dann schauen wir uns an, welche Ziele für Medikamente geeignet sind, wo wir tatsächlich ein kleines Molekül aus der Bibliothek finden oder ein Molekül von Grund auf neu erstellen können. Dann schauen wir uns an, welche Ziele in einem bestimmten Satz von Fibrose-Assays getestet werden können.

Michael Kriegsman: Wo ist der Einfluss von Technologien der künstlichen Intelligenz, die Sie in diesem Prozess verwenden?

Alexander Zhavoronkov: Normalerweise, um die Punktzahl des Ergebnisses zu berechnen. Sie verteilen mehrere Punkte für die Ziele. In unserem Fall hat das Ziel mehr als 50 Punkte. Wir bestimmen, ob es zuvor an einem bestimmten Zustand beteiligt war, ob es auf bestimmte Weise mit anderen Proteinen interagiert und ob dies zu Toxizität führen kann. Die Prädiktoren, die Ihnen im Grunde eine solche Einschätzung geben, und die Wahrscheinlichkeit, dass dieses Ziel am relevantesten ist, werden von verschiedenen Organisationen eingehend untersucht und entwickelt. Wir haben unsere Prädiktoren mithilfe von maschinellem Lernen entwickelt.

Akademie gegen Industrie

Michael Kriegsman: Wir haben eine weitere interessante Frage von Shreya Amin auf Twitter. Sie schreibt: "Wie unterscheiden sich die von Ihnen beschriebenen Arten von Forschung und die Prozesse zwischen Wissenschaft und Industrie?"

Alexander Zhavoronkov: Das ist eine sehr, sehr gute Frage. In der Industrie, in großen Pharmazeutika, sind die Menschen etwas weniger unternehmerisch. Sie versuchen, verschiedene Methoden zu entwickeln, um das Problem wirklich zu lösen und schrittweise Änderungen vorzunehmen. Ihre Methoden zielen nicht auf die Veröffentlichung in einer wissenschaftlichen Zeitschrift ab.

In der Wissenschaft sind die Menschen viel erfinderischer und unternehmerischer. Sie versuchen, die Ergebnisse zu veröffentlichen. Hier kommt Innovation in erster Linie her.

Bei Insilico befinden wir uns zwischen Wissenschaft und Industrie, daher veröffentlichen wir ungefähr zwei wissenschaftliche Artikel pro Monat. Dies reicht sogar für einige akademische Gruppen aus, um das Konzept zu beweisen und zu erklären, wohin wir gehen.

Ich denke, Akademiker sind heutzutage viel produktiver, sei es, neue Methoden zu entwickeln und neue Richtungen aufzuzeigen. Die Kluft zwischen wirklich guten Informatikern, die neue Methoden entwickeln, die für die Wirkstoffentdeckung relevant sein könnten, ist jedoch sehr oft weit von Biologie und Chemie entfernt.Sie produzieren Artikel, die in Bezug auf maschinelles Lernen wirklich gut sind, aber die Ergebnisse sind sehr weit von realen Anwendungen entfernt. Sehr oft verstehen sie nicht wirklich, dass sie irgendwo neu ausgerüstet sind oder, wenn dies ein völlig irrelevantes Ergebnis ist, das sie erhalten oder erst erhalten, nachdem jemand es in Biologie und Chemie versucht hat.

Sehr oft, und derzeit ist dies tatsächlich häufiger, veröffentlichen viele Leute Artikel im Archivmit einer eingängigen Überschrift, damit sie viral werden und von Browsern, Google oder einigen Nachrichtenagenturen ausgewählt werden. Sie erhalten Anerkennung und PR für diese Arbeit, aber dann versuchen Sie zu wiederholen, was sie getan haben, oder lesen den Artikel einfach sorgfältig durch, und Sie verstehen, dass dies in der realen Welt nicht funktionieren wird. Ich denke, dass solche Artikel und solche Bemühungen, frühe Ergebnisse, insbesondere seitens akademischer Gruppen, ohne eine Expertenbewertung zu bestehen, auch große Skepsis in der großen Apotheke hervorriefen. Die Leute glauben einfach nicht, dass viele Methoden relevant sind, anwendbar sind oder ihr Geschäft verändern.

Aufbau eines Teams für künstliche Intelligenz und Biotechnologie

Michael Kriegsman: Lassen Sie uns über den Aspekt der Teambildung sprechen, denn eines der Dinge, die Sie einige Male erwähnt haben, ist die Bedeutung sowohl der maschinellen Lernfähigkeiten als auch der biologischen Fähigkeiten. Dies sind sehr spezielle Fähigkeiten, und wie können Sie Teams bilden, die es beiden Parteien ermöglichen, zusammenzuarbeiten und etwas zu schaffen, das der eine oder andere nicht alleine kann?

Alexander Zhavoronkov: Dies ist eine weitere sehr gute Frage. In unserem Fall ist dies einer der Gründe, warum wir so langsam wachsen. Wir arbeiten seit 5 Jahren, aber wir sind immer noch 66 Menschen. Ein Grund für dieses langsame, organische Wachstum ist, dass es Zeit braucht, um KI-Wissenschaftler wirklich mit Biologen und Chemikern zu verbinden. Es ist sehr schwierig, Menschen zu finden, die in beiden Fällen gleichzeitig gut sind. Normalerweise sind Sie mit Mathematik oder Chemie bestens vertraut, oder Sie benötigen wirklich gute Programmierkenntnisse, um APIs erstellen und Ihre Technologie korrekt mit der anderer kombinieren zu können.

Wir versuchen, in Gruppen von drei oder vier Personen an bestimmten therapeutischen Projekten zu arbeiten, bei denen eine Person mit Chemie oder Biologie vertraut ist, eine Person sich mit künstlicher Intelligenz auskennt und die andere nur mit grundlegender IT. Dies sind hauptsächlich Teams von drei oder vier Personen. Darüber hinaus gibt es eine Infrastruktur, eine organisatorische Infrastruktur, mit deren Hilfe diese Teams verwaltet werden können. Wir haben auch das Team für künstliche Intelligenz von allen anderen getrennt, damit sie an Methoden arbeiten können, ohne in das Anwendungsfeld einzusteigen.

Es ist sehr, sehr schwierig, solche Talente zu finden, die wirklich zur Entwicklung von Methoden und zur Entwicklung neuer Algorithmen beitragen wollen. Es ist ganz einfach, Leute zu finden, die bereits entwickelte Methoden gut anwenden können. Es ist sehr schwierig, zwei zusammenzubringen. Dazu versuchen wir erneut, organisches Wachstum zu erzielen und in kleinen Teams an Projekten zu arbeiten.

Insilico Geschäftsmodell

Michael Kriegsman: Eigentlich haben wir eine Twitter-Frage zu Ihrem Geschäftsmodell. Chris Peterson stellt wundervolle Fragen. Vielen Dank, Chris. Er fragt: "Haben Sie eine Vereinbarung zur Suche nach einer bestimmten Therapie getroffen oder entwickeln Sie Moleküle von Grund auf neu und hoffen, sie durch Vertrieb für klinische Studien zu lizenzieren?"

Alexander Zhavoronkov: Wir arbeiten seit fünf Jahren und haben verschiedene Geschäftsmodelle untersucht. Als Unternehmen für künstliche Intelligenz sollten Sie dies untersuchen, da es ansonsten sehr, sehr schwierig ist, auf ein Geschäftsmodell zu skalieren, und es auch ziemlich riskant ist.

Wir begannen als Dienstleistungsunternehmen und begannen mit Pharmaunternehmen, Biotechnologieunternehmen sowie Risikofonds zu arbeiten, wo wir Dienstleistungen erbrachten oder ein System für sie bereitstellten. Wir haben die Anwendungen untersucht, nach denen Menschen suchen, und begonnen, unsere eigenen kleinen Moleküle zu entwickeln, sie zu entdecken und sie dann zu lizenzieren.

Unser derzeitiges Geschäftsmodell ist eigentlich sehr einfach und ermöglicht uns die Skalierung. Wir arbeiten mit Risikokapitalfirmen zusammen, die das Biotechnologiegeschäft wirklich kennen und an der Arzneimittelentwicklung beteiligt sind. Sie leiten uns dorthin, wo wir Ziele identifizieren und kleine Moleküle erzeugen müssen. Dann bilden sie Teams um diese kleinen Moleküle und ihre Ziele und ermöglichen es ihnen, Assoziationen dieser Zielmoleküle ein wenig mehr zu testen und zu entwickeln.

Was wir erhalten, ist eine kleine Anzahlung, und dann erhalten wir Zwischenzahlungen, während die Moleküle die verschiedenen Verifizierungsschritte durchlaufen. Dann bekommen wir Lizenzgebühren. Wenn Sie eine BioBox oder ein zukünftiges Einkommen in Betracht ziehen, das mit einem Molekül erzielt werden kann, sind diese Transaktionen normalerweise sehr, sehr umfangreich, aber die anfängliche Zahlung ist recht gering.

Aus diesem Grund haben wir ein weiteres Unternehmen, das sich mit Softwarelizenzen befasst. Dabei lizenzieren wir einige unserer Softwaretools an andere, um Einnahmen zu erzielen und Nachhaltigkeit, Konsistenz und Feedback zur Funktionsweise der Software sicherzustellen. wenn wir weitere Funktionen hinzufügen müssen.

Ein weiteres Geschäftsmodell - wir haben mehrere gemeinsame Standorte. Zum Beispiel ein Joint Venture mit einem Unternehmen namens Juvenessence. Sie entwickeln die Moleküle, die wir ihnen zur Verfügung stellen.

Michael Kriegsman: Nun, Sie haben eine Reihe von Dingen, an denen Sie arbeiten und versuchen, Ihre Geschäftsmodelle zu unterstützen.

Alexander Zhavoronkov: Richtig . Was uns aber am meisten interessiert, ist nicht das direkte Einkommen. In den meisten dieser Lizenzvereinbarungen erhalten wir einige Daten. Wir sind weitgehend zu einer der größten Datenfabriken der Welt geworden und erhalten Daten aus präklinischen Experimenten.

Michael Kriegsman:Das ist interessant. Wir haben eine weitere Twitter-Frage von @TrovatoChristian. Er ist ein biomedizinischer Ingenieur und promovierte in Computational Biology am Institut für Informatik in Oxford. Übrigens ist es für mich sehr interessant, dass die Computerbiologie zum Bereich der Informatik gehört und nicht zum Bereich der Biologie. Seine Frage: "Gibt es Beispiele für Medikamente, die nur von der KI entwickelt wurden?"

Alexander Zhavoronkov:Derzeit gibt es kein solches Beispiel. Es gibt immer eine Person zwischen KI und Medizin. Ich hoffe, dass wir in naher Zukunft zeigen können, dass ein Kanal, an dem nicht eine einzige Person beteiligt war, von der Identifizierung des Ziels bis zur Erzeugung kleiner Moleküle, einige dieser Moleküle öffnen könnte. Derzeit ist das Experiment jedoch der König unter den Methoden zur Entdeckung und Entwicklung von Arzneimitteln. Wenn Sie Ihre Methoden also nicht experimentell testen können, werden sie nicht weiterentwickelt. Ich habe noch nie ein Beispiel für ein Molekül gesehen, das vollständig mit KI erzeugt wird.

Michael Kriegsman: Was verhindert, dass KI von Anfang bis Ende eingesetzt wird?

Alexander Zhavoronkov:Nun, aufgrund von Fehlern in der Apotheke im Allgemeinen. Es gibt sehr, sehr wenige Erfolgsgeschichten, aus denen man lernen kann. Diese Erfolgsgeschichten sind sehr, sehr vielfältig. In einigen Bereichen ist es einfach zu überprüfen, ob Ihr Algorithmus eine aussagekräftige Ausgabe liefert. Aber in vielen Fällen müssen Sie wirklich bei jedem Schritt alles überprüfen. Deshalb müssen Sie beim Erstellen dieser Salami, die es Ihnen ermöglicht, von Anfang bis Ende zu gehen, sicherstellen, dass Sie jedes Stück Salami und das Innere überprüfen und es auch mit externen Partnern überprüfen. Das versuchen wir zu tun.

Michael Kriegsman: Es ist möglich, dass es bereits Methoden zur Entwicklung von KI-Medikamenten gibt, aber zum gegenwärtigen Zeitpunkt scheint es zu früh, solche Methoden anzuwenden.

Alexander Zhavoronkov:Zu diesem Zeitpunkt versuchte niemand, die Entdeckung von Medikamenten vollständig mithilfe von KI zu virtualisieren und dies ohne menschliches Eingreifen zu tun. In vielen Bereichen ist dies praktisch unmöglich, nur weil Biologie und Medizin so vielfältig sind, dass es sehr, sehr schwierig ist, eine Lösung zu finden, die für jeden geeignet ist. In jeder Phase ist eine Validierung erforderlich, und im Moment funktionieren diese durch Förderer nur unter bestimmten therapeutischen Bedingungen.

Michael Kriegsman:Lassen Sie mich noch eine Frage von Twitter stellen. Dies ist wieder von Shreya Amin, eine großartige Frage, interessant. Sie schreibt: „Unter Verwendung bestehender Methoden der künstlichen Intelligenz, welche Bereiche in Bezug auf Arten von Drogen, Krankheiten, Zuständen usw. den Durchbrüchen am nächsten kommen oder die größten Fortschritte erzielt haben, und was ist der schwierigste in diesem Prozess?“

Alexander Zhavoronkov: Ich werde Ihnen ein Beispiel geben, mit dem ich sehr, sehr gut vertraut bin. Wir haben mehrere JAK- Inhibitoren , die mithilfe von GAN und Verstärkungslernen vollständig entwickelt sind. Ich denke, dies ist eine der vielversprechendsten Methoden für das molekulare Design de novo.

Wir befinden uns derzeit in der Testphase bei Mäusen, sind von Enzymanalysen zu Mäusen übergegangen und haben gezeigt, dass wir jetzt mit diesen Molekülen Selektivität und Spezifität erreichen können und diese Moleküle viele andere Eigenschaften haben. Dies sind in unserer Zeit weit verbreitete Methoden, sowohl die von uns verwendete GAN als auch die verstärkte Lerntechnik. Das ist nichts Super Neues, also haben wir unsere Forschung und Entwicklung wirklich in eine etwas andere Richtung gelenkt.

Michael Kriegsman: Wie wird sich das alles in den nächsten drei, vier, zwei oder vier Jahren entwickeln, ich weiß nicht? Lass uns ein Dutzend Jahre lang nicht ausgehen. Wie wird das alles in den nächsten Jahren aussehen?

Alexander Zhavoronkov:Ich denke, dass Unternehmen wie unser ihrer internen Forschung und Entwicklung viel mehr Aufmerksamkeit schenken werden, als mit großen Pharmaunternehmen zusammenzuarbeiten, weil die Zusammenarbeit mit großen Pharmaunternehmen normalerweise der Weg ins Nirgendwo ist, weil Dies ist entweder der Tod des Unternehmens in der Anfangsphase, oder sie nehmen einfach Ihre Erfahrung und holen auf. Gleichzeitig sind sie so bürokratisch, dass es sehr schwierig ist, sie zu ändern, und gleichzeitig konzentrieren sich große Pharmaunternehmen auf der Ebene der CEOs mehr darauf, den Umsatz zu steigern oder andere Unternehmen zu kaufen, um den Umsatz zu steigern. Interne Forschung und Entwicklung wird nicht wirklich als große Priorität angesehen, und egal was sie denken, es ist eine Tatsache. Normalerweise sollte 15-20% in der Gewinn- und Verlustrechnung sein,denn sonst werden Investoren nicht in das Unternehmen investieren. Die Leistung dieser internen Forschung und Entwicklung ist jedoch in der Regel sehr gering.

Ich denke, dass kleinere Biotech-Unternehmen, die KI- und Wirkstoffforschungsvirtualisierung einsetzen, sehr erfolgreich sein werden. Es gibt einige Fälle, die ich in der Branche bewundere, wie beispielsweise Nimbus Therapeutics . Sie konnten den gesamten Prozess der Suche und Entwicklung von Arzneimitteln virtualisieren, einige der Vermögenswerte der zweiten Phase auf den Markt bringen und lizenzieren.

Ich denke, dass Leute, die den Prozess wirklich verstehen und ihn virtualisieren können, Gewinner sein werden. Bisher kenne ich mehrere Unternehmen, die dies tun, daher arbeiten einige Unternehmen mit uns zusammen. Einige befinden sich im Stealth-Modus. Ich denke, sie werden in Zukunft Gewinner sein.

Wenn Sie über die Entdeckung von Medikamenten in zwei bis drei Jahren sprechen, ist dies tatsächlich eine sehr, sehr kurze Zeit. In vielen anderen Bereichen der menschlichen Entwicklung kann ich das nicht, wenn Sie mich bitten, fünf Jahre im Voraus zu planen, da sich alles sehr schnell ändert. In der Apotheke ist das nicht so. Wir müssen wirklich experimentieren und es richtig machen.

Langlebigkeits- und Rauchforschung

Michael Kriegsman: Erzählen Sie uns kurz von der letzten Studie, die Sie über Langlebigkeit oder Rauchen durchgeführt haben? Ich weiß, wir haben keine Zeit, aber es wäre toll zu wissen.

Alexander Zhavoronkov: Natürlich. Wir haben gerade einen sehr lustigen Artikel veröffentlicht, der zeigt, dass Rauchen das Altern beschleunigt. Ein Bereich, auf den wir uns konzentrieren, ist die Altersvorhersage unter Verwendung verschiedener Arten von Daten, wie Bilder, Blutuntersuchungen, Transkriptomdaten, Proteomdaten, Mikrobiomdaten. Wir verwenden diese Daten, um das Alter einer Person genau vorherzusagen, und dann werden wir sehen, welche Eingriffe oder Verhaltensänderungen, welcher Lebensstil eine Person jünger oder älter aussehen lässt.

Wir haben dieses Projekt in Kanada durchgeführt. Wir haben mit der University of Lethbridge und der Regierung von Alberta zusammengearbeitet, um einen großen Datensatz von Rauchern und Nichtrauchern unterschiedlichen Alters zu verarbeiten, wobei nur anonyme Blutuntersuchungen untersucht wurden. Zunächst haben wir einen Prädiktor für den Raucherstatus erstellt, sodass ich jetzt mit ausreichender Sicherheit sagen kann, ob Sie rauchen oder nicht, indem wir eine Blutuntersuchung durchführen. Wir haben jedoch auch gezeigt, dass Menschen, die rauchen, aufgrund der Verwendung eines tiefen neuronalen Netzwerks älter aussehen als Nichtraucher in Blutanalyse geschult.

Nachdem wir den Artikel veröffentlicht hatten, wurde er ziemlich viral und wir erhielten sehr positive Bewertungen. Zum Beispiel denkt meine Tochter daran, mit dem Rauchen aufzuhören, nur weil sie nicht alt aussehen will. Die Menschen kümmern sich nicht wirklich um ihre Gesundheit, aber sie kümmern sich wirklich darum, wie sie aussehen. Wenn Sie nicht alt aussehen möchten, hören Sie einfach mit dem Rauchen auf.

Michael Kriegsman: Gut. Toller Tipp. Alexander, vielen Dank, dass du dir die Zeit genommen hast, mit uns zu sprechen. Einen schönen Tag noch. Passen Sie auf sich auf. Tschüss.

Das Original