AI dalam bidang kedokteran: ilmu kehidupan dan penemuan obat

Halo, Habr! Hari ini saya akan menunjukkan kepada Anda terjemahan saya dari satu wawancara yang indah dengan Alexander Zhavoronkov . Saya harap ini akan menarik bagi Anda untuk dibaca seperti untuk saya terjemahkan.



Kecerdasan buatan menjanjikan kesehatan yang lebih baik, pengembangan dan pengujian obat yang lebih cepat. Semua ini dilakukan dengan tujuan meningkatkan hasil pasien. Hari ini kita berbicara dengan ahli dunia tentang penggunaan kecerdasan buatan dalam ilmu kehidupan, yang tujuannya adalah untuk menemukan dan mengembangkan obat lebih cepat dan lebih murah.

Alexander Zhavoronkov adalah pendiri dan CEO Insilico Medicine. Perusahaan ini adalah pemimpin di bidang kecerdasan buatan generasi berikutnya, metode yang ditujukan untuk penemuan obat baru, pengembangan biomarker dan penelitian tentang penuaan. Sebelum di Insiliko, ia bertugas di peran manajemen di ATI Technologies, NeuroG Neuroinformatics, Foundation for Biogerontological Research, dan YLabs.AI. Sejak 2012, ia telah menerbitkan lebih dari 130 artikel ilmiah dan 2 buku yang ditinjau sejawat. Selama enam tahun, ia menyelenggarakan forum tahunan "Penelitian tentang penuaan untuk penemuan obat dan kecerdasan buatan untuk perawatan kesehatan" di Basel Life / EMBO di Basel. Alexander adalah seorang associate professor di Buck Institute for Aging Research.



Michael Kriegsman: Ceritakan secara singkat tentang Pengobatan Insilico dan apa yang sedang Anda kerjakan.

Alexander Zhavoronkov: Kami berfokus terutama pada penerapan metode kecerdasan buatan generasi mendatang untuk pengembangan obat, pengembangan biomarker, dan penelitian penuaan. Kami fokus secara khusus pada dua teknik pembelajaran mesin: jaringan permusuhan generatif ( GAN ) dan pembelajaran yang diperkuat . Ini adalah metode di mana kita paling berpengalaman di bidang kita.

Kami menggunakan metode ini untuk dua tujuan. Salah satunya adalah identifikasi target biologis dan penciptaan biomarker dari beberapa jenis data, serta penciptaan molekul baru, struktur molekul baru dengan seperangkat sifat tertentu. Kami adalah salah satu perusahaan pertama, mungkin yang pertama menciptakan molekul baru menggunakan teknologi baru yang disebut jaringan kompetitif generatif, dan untuk menguji molekul-molekul ini secara eksperimental.

Apa yang dimaksud dengan pipa pengembangan obat?

Michael Kriegsman: Beri kami beberapa konteks. Apa yang dimaksud dengan pipa pengembangan obat? Mengapa begitu sulit? Mari kita bicarakan. Lalu kita bisa beralih ke bagaimana AI membuatnya lebih baik, lebih mudah.

Alexander Zhavoronkov: Penemuan dan pengembangan obat adalah proses yang sangat panjang. Ini juga salah satu proses di mana Anda memiliki lebih banyak kegagalan daripada kesuksesan. Sebenarnya, ada jauh lebih banyak kegagalan daripada kesuksesan.

Dibutuhkan lebih dari $ 2,6 miliar untuk mengembangkan obat dan membawanya ke pasar untuk mengobati penyakit tertentu. Ini setelah molekul diuji pada hewan. Selain itu, setelah molekul diuji pada hewan, tingkat kegagalannya adalah 92%. Ketika suatu obat diuji pada manusia, ia gagal pada 92% kasus. Jadi, prosesnya tidak hanya panjang, tetapi juga berisiko.

Biasanya, waktu yang dibutuhkan untuk penemuan dan pengembangan molekul adalah sekitar sepuluh tahun. Orang yang memulai proses tidak selalu hadir ketika molekul menyerang. Prosesnya terdiri dari beberapa tahap.

Yang pertama adalah generasi hipotesis. Anda mengajukan hipotesis, teori penyakit tertentu dan menentukan target yang tepat. Anda berbicara tentang protein mana yang terlibat dalam penyakit dan protein mana yang menjadi penyebabnya.

Setelah itu, Anda pergi dan mengembangkan antibodi atau molekul kecil untuk protein target ini. Jika Anda mengembangkan molekul kecil, Anda biasanya mulai dengan memeriksa perpustakaan besar senyawa yang dapat mencapai target tertentu, dan melakukan semua jenis percobaan untuk melihat seberapa baik molekul kecil ini mengikat target ini.

Setelah itu, Anda memilih beberapa opsi. Anda menentukan molekul mana yang paling cocok untuk target protein ini, dan mulai melakukan semua jenis percobaan pada molekul-molekul ini untuk menentukan apakah mereka bekerja dengan baik dalam sistem biologis, dalam analisis terkait penyakit, pada tikus, anjing atau hewan lain, dan maka Anda mengajukan IND ( penelitian obat baru ) dengan FDA untuk mendapatkan molekul dalam uji klinis.

Setelah proses ini selesai, kami mulai mengembangkan obat-obatan dan memulai uji klinis. Semuanya dimulai dengan fase I, yang terkait dengan keamanan. Pada fase II, Anda menguji efektivitas obat. Pada fase III, Anda menguji kedua fase dalam pengaturan klinis besar, dalam populasi besar. Setelah Anda dapat melanjutkan ke fase IV atau memulai rilis produk.

Penemuan obat-obatan dan riset pasca pemasaran

Alexander Zhavoronkov: Dan kemudian penelitian pasca pemasaran. Proses ini biasanya memakan waktu lebih dari sepuluh tahun dan gagal dalam 92% kasus.

Dengan AI, Anda dapat benar-benar bermain di hampir semua segmen, dimulai dengan penemuan obat pada tahap awal, ketika AI dapat membantu Anda dengan model hipotesis dan, pada kenyataannya, menarik jarum keluar dari tumpukan jerami dengan pengidentifikasi target, dengan identifikasi molekul kecil, dengan skrining virtual, dengan penciptaan molekul baru dengan sifat khusus, dengan perencanaan desain uji klinis dan inklusi dalam uji klinis. Dan kemudian, juga, untuk memprediksi hasil uji klinis.

Michael Kriegsman: Di mana AI mulai mempersingkat proses, lakukan lebih baik?

Alexander Zhavoronkov: Jika Anda berada di tahap awal pengembangan obat, mulailah bekerja untuk menghasilkan hipotesis dan mengidentifikasi target, biasanya Anda memiliki beberapa cara untuk diikuti. Salah satu caranya adalah dengan mencari literatur dan mengidentifikasi bidang yang menjanjikan yang telah ditemukan oleh para ilmuwan di masa lalu dan diterbitkan.

AI dapat membantu Anda menghasilkan sejumlah besar literatur, serta sumber terkait lainnya, untuk mengidentifikasi sinyal dan target yang mungkin terkait dengan penyakit ini. Kami di Insilico biasanya mulai dengan data hibah. Kami melihat hibah biomedis bernilai sekitar $ 1,7 triliun selama 25 tahun terakhir. Kemudian kita melihat bagaimana hibah ini berubah menjadi publikasi, menjadi paten uji klinis, dan kemudian menjadi produk di pasar.

Kami mengikuti dari satu ide ke ide lain dan dari uang ke uang, yaitu dari uang di pasar. Kami juga mengamati bagaimana uang menjadi data. Jadi, biasanya, ketika pemerintah mendukung penelitian tertentu, data harus disimpan dalam repositori publik sehingga orang lain dapat menyalinnya, serta untuk kebaikan bersama.

Kami mencoba melacak uang dalam data. Jika tidak ada data, kami mencoba menghubungi ilmuwan dan mendapatkan data dari ilmuwan dan / atau mendesak ilmuwan untuk meletakkan data di toko publik.

Kami mulai dengan basis data teks, tetapi juga mengaitkan data ini dengan data omix. Bahkan, segala sesuatu yang berakhir dengan "ohmik" (transkriptomik, genomik, metabolomik, metagenomik) disebut data omix.

Kami bekerja terutama dengan data tentang ekspresi gen, jadi kami melihat bagaimana tingkat ekspresi gen tertentu atau seluruh jaringan berubah, katakanlah, dari keadaan sehat menjadi penyakit. Kami mengubah perubahan ini, tanda-tanda penyakit ini menjadi target yang terpisah, dan menentukan jenis protein apa yang dapat ditargetkan menggunakan molekul kecil.

Kemudian kita kembali ke bagian sebelumnya dalam teks dan melihat apakah ada orang yang menerbitkan sesuatu yang akan memperkuat hipotesis kita. Ini tidak selalu berarti bahwa hipotesis kami salah jika tidak ada sinyal dalam teks, karena kadang-kadang orang tidak bisa benar-benar mengaitkan target spesifik dengan penyakit menggunakan metode yang lebih tua, tetapi ini memberi kita sedikit lebih percaya diri untuk melihat bahwa seseorang sudah menyentuh masalah ini dan target ini sebelumnya.

Kami mengumpulkan sejumlah besar data yang tidak mungkin diproses dengan bantuan kecerdasan manusia. Kami juga mengumpulkan dan menggabungkan tipe data ini. Terkadang tipe data ini benar-benar tidak kompatibel, dan tidak mungkin untuk hanya menjahitnya bersama-sama menggunakan alat standar. Anda benar-benar perlu melatih jaringan saraf dalam secara bersamaan dalam beberapa paket data sehingga mereka dapat digeneralisasi dan agar kami dapat mengekstrak fungsi terkait yang ada di beberapa tipe data pada saat yang sama.

Beberapa jenis data yang kami kerjakan sama sekali tidak dapat dipahami oleh pikiran manusia. Misalnya, data ekspresi gen atau data pergerakan, atau memindai data aktivitas kardiovaskular, atau data ultrasonografi. Kami berhasil menggabungkan tipe data ini menggunakan AI, dan kemudian menentukan target yang sesuai.

Biologi vs Kecerdasan Buatan

Michael Kriegsman: Di Insilico, spesialisasi utama Anda adalah biologi dan kedokteran atau pengembangan metode kecerdasan buatan? Apakah mungkin untuk memisahkan kedua arah ini?

Alex Zhavoronkov: Dalam kasus kami, kedua area itu bagus, dan kami mempekerjakan orang dengan dasar kompetitif, internasional. Di kontes, kami melakukan tes yang sangat rumit yang harus diselesaikan orang dengan sangat cepat. Masalah-masalah ini biasanya terkait dengan pengembangan metode AI dan solusi dari masalah biologis atau kimia yang kompleks.

Namun, ketika Anda melihat ilmuwan hebat dari AI, mereka biasanya tidak terlalu bagus dalam biologi atau kimia. Mereka pandai matematika. Itulah sebabnya persentase tertentu dari perusahaan kami hanyalah ahli matematika hebat yang mengembangkan metode baru, misalnya, untuk menggabungkan kimia dan biologi menggunakan pembelajaran yang mendalam.

Bagian dari perusahaan mengkhususkan diri dalam menerapkan metode yang ada, seperti GAN, dan meningkatkan pelatihan tentang masalah yang ada di bidang kimia dan biologi. Orang-orang ini biasanya di sisi terapan, dan mereka tahu kimia dan biologi. Mereka dapat berkomunikasi dengan ahli matematika, serta melakukan beberapa penelitian dasar di bidang AI.

Tentu saja, kami hanya memiliki ahli biologi murni dan ahli kimia yang juga diperlukan untuk menguji beberapa hasil AI kami. Itulah sebabnya kami memiliki tim yang begitu besar, beragam, dan internasional, karena kami benar-benar perlu membahas tiga bidang ini: metode, aplikasi, dan validasi.

Michael Kriegsman: Kami memiliki pertanyaan menarik dari Chris Peterson di Twitter yang mengatakan: “Program paralel Fortran berbasis grid masih digunakan untuk beberapa studi farmakokinetik dan farmakodinamik. Apakah Anda melihat bahwa AI menggantikan kode old-school, meningkatkan atau berkembang secara paralel? "

Alexander Zhavoronkov: Saya pikir sekarang kita perlu bergerak secara paralel. Tentu saja, beberapa metode lama masih digunakan oleh para ahli yang benar-benar terkemuka di bidang penemuan obat. Tetapi sebagian besar dari metode ini secara signifikan dipercepat oleh komputasi berkinerja tinggi dan kecerdasan buatan, jadi ini adalah perangkat lunak khas yang sudah ada sejak lama, misalnya, Schrodinger. Perusahaan telah ada sejak 92 tahun.

Perusahaan ini membuat terobosan besar di banyak bidang, dan mereka mampu memajukan algoritma lama untuk memecahkan masalah yang sangat kompleks. Saya pikir di Insilico kami berusaha menemukan kembali semuanya dan menulis perangkat lunak kami sendiri. Tapi, tentu saja, kami tahu banyak dari karyawan kami yang hanya ingin mengambil salami kecil kami, yang sedang kami kembangkan, dan bermain dengannya. Mungkin mereka menggunakan alat yang lebih klasik yang tidak bisa kita lewati sekarang.

Idealnya, Anda harus memiliki konveyor satu bagian yang mengidentifikasi target, menghasilkan molekul dan melakukan molekul-molekul ini melalui sejumlah besar simulasi dalam satu konveyor yang mulus. Inilah yang sedang kita bangun, dan inilah Cawan Suci kita. Tetapi, tentu saja, banyak perusahaan, banyak kelompok berusaha membuat permainan Lego dan mencoba menggunakan beberapa alat dengan output berbeda untuk menyelesaikan masalah yang sama.

Pengembangan alat AI dalam perusahaan

Michael Kriegsman: Mengapa Anda mengembangkan alat Anda sendiri?

Alexander Zhavoronkov: Ya, hanya karena banyak metode yang kami gunakan sangat baru sehingga tidak kompatibel dengan alat yang lebih lama. Ada banyak kelompok yang mengklaim terlibat dalam kecerdasan buatan, tetapi, pada kenyataannya, mereka terlibat dalam pekerjaan mekanik, mengambil perangkat lunak yang sudah jadi dan mencoba menjembatani beberapa kesenjangan dalam penelitian dan pengembangan farmakologis menggunakan alat-alat ini. Kami tidak melakukan ini. Kami mengembangkan semuanya dari awal, dari pengidentifikasi target hingga generasi molekul kecil.

Michael Kriegsman: Sekarang kami berbicara tentang menggunakan metode Anda untuk mengidentifikasi kandidat potensial. Langkah selanjutnya adalah mengevaluasi. Pertama, kita harus melepaskan kemungkinan, dan Anda melakukan ini dengan menggabungkan semua data ini dan kemudian menganalisanya menggunakan berbagai metode. Misalkan Anda melakukannya. Bagaimana Anda menilai kandidat yang Anda ungkapkan pada awalnya?

Alexander Zhavoronkov: Biasanya, ketika Anda memiliki daftar protein target untuk penyakit tertentu dan Anda mencoba memprioritaskan, Anda mencoba untuk membubuhi keterangan protein ini dengan skor setinggi mungkin. Anda ingin melihat apakah protein target ini pernah terlibat dalam toksisitas. Bagaimana ini berhubungan dengan yang lainnya? Di kain mana itu memainkan peran besar? Bagaimana protein berinteraksi dengan protein lain? Apakah ini obatnya? Apakah ini obat molekul kecil atau antibodi? Apakah ada orang lain yang menggunakan ini? Apa ruang paten di sekitar molekul? Adakah yang mencoba membawanya ke klinik dengan molekul kecil atau antibodi untuk penyakit tertentu?

Ada banyak, banyak, banyak, banyak fungsi evaluasi yang harus Anda pertimbangkan. Pada akhirnya, ketika Anda pada dasarnya memiliki satu set target yang sangat kecil, Anda juga mengujinya dalam berbagai sistem biologis untuk menentukan mana yang lebih cocok untuk penyakit yang Anda minati.

Saya akan memberikan contoh dari latihan. Sebagai contoh, kami sangat tertarik pada fibrosis. Fibrosis bukanlah proses yang sangat sederhana untuk digambarkan, dan ada beberapa jenis fibrosis. Ada IPF , atau fibrosis paru. Di paru-paru, fibrosis akibat merokok diamati, di samping itu, fibrosis pikun diamati. Kami telah mengidentifikasi lebih dari 120 jenis fibrosis, membandingkan jaringan normal dengan jaringan fibrosa yang terkait dengan kondisi tertentu.

Kami baru-baru ini melakukan studi kasus di mana kami melihat IPF, mengidentifikasi daftar target untuk kondisi ini, dan daftar kami memiliki 50 target. Kami melihat ketika target ini lebih aktif dan lebih relevan untuk penyakit, pada tahap penyakit apa, karena, saya pikir, jika Anda memahami ini nanti atau menyelesaikan masalah ini nanti, Anda akan mengobati gejalanya, bukan penyebabnya.

Dalam kasus kami, kami mendefinisikan daftar besar target yang mungkin sangat relevan pada tahap awal perkembangan penyakit. Lalu kita melihat target mana yang baru, target mana yang tidak diperhatikan orang. Kami tidak ingin fokus pada target lama. Kemudian kita melihat target mana yang cocok untuk obat-obatan, di mana kita sebenarnya bisa menemukan molekul kecil dari perpustakaan, atau kita bisa membuat molekul dari awal. Kemudian kita melihat target mana yang dapat diuji dalam serangkaian tes fibrosis tertentu.

Michael Kriegsman: Di mana pengaruh teknologi kecerdasan buatan yang Anda gunakan dalam proses ini?

Alexander Zhavoronkov: Biasanya menghitung poin evaluasi hasil. Anda mendistribusikan beberapa poin untuk target. Dalam kasus kami, target memiliki lebih dari 50 poin. Kami menentukan apakah telah terlibat dalam keadaan tertentu sebelumnya, apakah itu berinteraksi dengan protein lain dengan cara tertentu, dan apakah ini dapat menyebabkan keracunan. Prediktor-prediktor yang pada dasarnya memberi Anda penilaian seperti itu dan kemungkinan bahwa target ini adalah yang paling relevan dipelajari dan dikembangkan secara mendalam oleh berbagai organisasi. Kami mengembangkan prediktor kami menggunakan pembelajaran mesin.

Akademi vs industri

Michael Kriegsman: Kami punya pertanyaan menarik dari Twitter dari Shreya Amin. Dia menulis: "Bagaimana jenis penelitian yang Anda gambarkan dan prosesnya berbeda antara akademisi dan industri?"

Alexander Zhavoronkov: Ini adalah pertanyaan yang sangat, sangat bagus. Dalam industri, dalam obat-obatan besar, orang sedikit kurang kewirausahaan. Mereka mencoba mengembangkan berbagai metode untuk benar-benar menyelesaikan masalah dan membuat perubahan bertahap. Metode mereka tidak ditujukan untuk publikasi dalam jurnal ilmiah.

Di dunia akademis, orang jauh lebih inventif dan berwirausaha. Mereka berusaha mempublikasikan hasilnya. Di sinilah inovasi berasal dari sejak awal.

Di Insilico, kami berada di antara sains dan industri, jadi kami menerbitkan sekitar dua makalah ilmiah sebulan. Ini bahkan cukup bagi beberapa kelompok akademik untuk juga membuktikan konsep dan menjelaskan ke mana kita akan pergi.

Akademik, saya pikir, jauh lebih produktif hari ini, baik itu mengembangkan metode baru dan menunjukkan arah baru. Namun, kesenjangan antara ilmuwan komputer yang benar-benar baik yang sedang mengembangkan metode baru yang mungkin relevan dengan penemuan obat sangat sering jauh dari biologi dan kimia.Mereka menghasilkan artikel yang benar-benar bagus dalam hal pembelajaran mesin, tetapi hasilnya sangat jauh dari aplikasi nyata. Sangat sering mereka tidak benar-benar mengerti bahwa mereka dilengkapi kembali di suatu tempat atau, jika ini adalah hasil yang sama sekali tidak relevan, yang mereka dapatkan atau dapatkan hanya setelah seseorang mencobanya dalam biologi dan kimia.

Sangat sering, dan saat ini sebenarnya lebih umum, banyak orang memposting artikel di Arsipdengan judul yang menarik sehingga menjadi viral dan dipilih oleh browser, Google atau beberapa kantor berita. Mereka mendapatkan pengakuan dan PR untuk pekerjaan ini, tetapi kemudian Anda mencoba mengulangi apa yang mereka lakukan, atau bahkan hanya membaca artikel dengan hati-hati, dan Anda memahami bahwa di dunia nyata ini tidak akan berhasil. Saya pikir artikel semacam itu dan upaya semacam itu, hasil awal, terutama pada bagian kelompok akademik, tanpa melewati penilaian ahli, juga memperkenalkan skeptisisme besar ke apotek besar. Orang tidak berpikir bahwa banyak metode yang relevan, dapat diterapkan, atau mengubah bisnis mereka.

Membangun tim untuk kecerdasan buatan dan bioteknologi

Michael Kriegsman: Mari kita bicara tentang aspek membangun tim, karena salah satu hal yang Anda sebutkan beberapa kali adalah pentingnya kemampuan pembelajaran mesin dan kemampuan biologi. Ini adalah keterampilan yang sangat khusus, dan bagaimana Anda membuat tim yang memungkinkan kedua belah pihak untuk bekerja sama dan membuat sesuatu yang satu atau lainnya tidak dapat lakukan sendiri?

Alexander Zhavoronkov: Ini adalah pertanyaan yang sangat bagus. Dalam kasus kami, ini adalah salah satu alasan mengapa kami tumbuh sangat lambat. Kami telah bekerja selama 5 tahun, tetapi kami masih 66 orang. Salah satu alasan lambatnya pertumbuhan organik ini adalah karena dibutuhkan waktu untuk benar-benar menggabungkan ilmuwan AI dengan ahli biologi dan kimia. Sangat sulit untuk menemukan orang yang baik dalam kedua kasus itu secara bersamaan. Biasanya Anda berpengalaman dalam matematika atau kimia, atau Anda benar-benar harus memiliki keterampilan pemrograman yang baik untuk dapat membuat API dan menggabungkan teknologi Anda dengan benar dengan orang lain.

Kami mencoba untuk bekerja dalam kelompok yang terdiri dari tiga atau empat orang pada proyek terapi spesifik di mana satu orang fasih dalam bidang kimia atau biologi, satu orang baik dalam kecerdasan buatan, dan yang lain hanya pada IT dasar. Ini terutama tim yang terdiri dari tiga atau empat orang. Selain mereka, ada infrastruktur, infrastruktur organisasi yang membantu mengelola tim-tim ini. Kami juga memisahkan tim kecerdasan buatan dari orang lain sehingga mereka dapat mengerjakan metode tanpa masuk ke bidang aplikasi.

Sangat, sangat sulit untuk mendapatkan talenta seperti ini yang benar-benar ingin berkontribusi pada pengembangan metode dan mengembangkan algoritma baru. Untuk membuat orang yang pandai menerapkan metode yang sudah dikembangkan cukup sederhana. Membuat dua orang bekerja bersama sangat sulit. Untuk melakukan ini, kami, sekali lagi, mencoba mencapai pertumbuhan organik dan mengerjakan proyek dalam tim kecil.

Model Bisnis Insilico

Michael Kriegsman: Sebenarnya, kami memiliki pertanyaan Twitter tentang model bisnis Anda. Chris Peterson mengajukan pertanyaan-pertanyaan indah. Terima kasih banyak, Chris. Dia bertanya: "Sudahkah Anda membuat perjanjian untuk mencari terapi tertentu atau Anda mengembangkan molekul dari awal dan berharap melisensikannya untuk uji klinis melalui distribusi?"

Alexander Zhavoronkov: Kami telah bekerja selama lima tahun, dan kami telah mempelajari beberapa model bisnis. Sebagai perusahaan kecerdasan buatan, Anda harus merisetnya, karena jika tidak, sangat sulit untuk mengukur pada satu model bisnis, dan itu juga cukup berisiko.

Kami mulai sebagai perusahaan jasa, dan kami mulai bekerja dengan perusahaan farmasi, dengan perusahaan bioteknologi, serta dengan dana ventura, di mana kami menyediakan layanan atau menyediakan sistem untuk mereka. Kami mempelajari aplikasi yang dicari orang, dan mulai mengembangkan molekul kecil kami sendiri, menemukannya, dan kemudian melisensikannya.

Model bisnis kami saat ini sebenarnya sangat sederhana dan memungkinkan kami untuk mengukur. Kami bekerja dengan perusahaan modal ventura yang benar-benar mengetahui bisnis bioteknologi dan terlibat dalam pengembangan obat. Mereka mengarahkan kita ke tempat kita perlu mengidentifikasi target dan menghasilkan molekul kecil. Kemudian mereka membentuk tim di sekitar molekul kecil ini dan target mereka dan memungkinkan mereka untuk menguji dan mengembangkan asosiasi molekul target ini sedikit lebih banyak.

Apa yang kita dapatkan adalah pembayaran uang muka yang kecil, dan kemudian kita mendapatkan pembayaran sementara ketika molekul melewati berbagai langkah verifikasi. Lalu kita mendapat royalti. Biasanya, jika Anda mempertimbangkan BioBox atau pendapatan masa depan yang dapat diperoleh dari suatu molekul, transaksi ini sangat, sangat besar, tetapi pembayaran awal cukup kecil.

Inilah sebabnya kami memiliki bisnis lain yang berhubungan dengan lisensi perangkat lunak, di mana kami melisensikan beberapa alat perangkat lunak kami kepada orang lain untuk menghasilkan pendapatan dan memastikan keberlanjutan, konsistensi, dan umpan balik tentang seberapa baik perangkat lunak bekerja; jika kita perlu menambahkan lebih banyak fitur.

Model bisnis lain - kami memiliki beberapa situs bersama. Misalnya, perusahaan patungan dengan perusahaan bernama Juvenessence. Mereka mengembangkan molekul yang kami sediakan untuk mereka.

Michael Kriegsman: Ya, Anda memiliki sejumlah hal yang sedang Anda kerjakan dan mencoba mendukung model bisnis Anda.

Alexander Zhavoronkov: Benar. Tetapi yang paling menarik minat kita bukanlah penghasilan langsung. Dalam sebagian besar perjanjian lisensi ini, kami mendapatkan beberapa data. Sebagian besar, kami telah menjadi salah satu pabrik data terbesar di dunia, menerima data dari percobaan praklinis.

Michael Kriegsman:Ini menarik. Kami memiliki pertanyaan Twitter lain dari @TrovatoChristian. Dia adalah seorang insinyur biomedis dan Ph.D., seorang siswa dalam biologi komputasi di departemen ilmu komputer di Oxford. Ngomong-ngomong, sangat menarik bagi saya bahwa biologi komputasi adalah bagian dari ilmu komputer, dan bukan bagian dari biologi. Pertanyaannya: "Apakah ada contoh obat yang dikembangkan hanya oleh AI?"

Alexander Zhavoronkov:Saat ini tidak ada contoh seperti itu. Selalu ada orang antara AI dan kedokteran. Saya berharap bahwa dalam waktu dekat kita akan dapat menunjukkan bahwa saluran di mana tidak ada orang yang terlibat dari mengidentifikasi target untuk menghasilkan molekul kecil dapat membuka beberapa molekul ini. Tetapi pada saat ini, percobaan adalah raja di antara metode penemuan dan pengembangan obat-obatan. Jadi jika Anda tidak dapat menguji metode Anda secara eksperimental, mereka tidak akan maju. Saya belum pernah melihat contoh molekul yang sepenuhnya dihasilkan menggunakan AI.

Michael Kriegsman: Apa yang mencegah penggunaan AI dari awal hingga akhir?

Alexander Zhavoronkov:Nah, karena kegagalan di apotek, pada umumnya. Ada sangat sedikit kisah sukses untuk dipelajari. Kisah-kisah sukses ini sangat, sangat beragam. Di beberapa daerah, mudah untuk memeriksa apakah algoritma Anda memberikan output yang berarti. Tetapi dalam banyak kasus, Anda benar-benar harus pergi dan memeriksa semuanya di setiap langkah. Itulah sebabnya ketika Anda membuat daging asap ini yang memungkinkan Anda untuk pergi dari awal hingga akhir, Anda harus memastikan bahwa Anda memeriksa setiap potong daging asap dan memeriksanya di dalam, dan juga mengeceknya dengan mitra eksternal. Inilah yang kami coba lakukan.

Michael Kriegsman: Ada kemungkinan bahwa sudah ada metode untuk mengembangkan obat AI, tetapi pada tahap ini tampaknya terlalu dini untuk menggunakan metode tersebut.

Alexander Zhavoronkov:Pada tahap ini, tidak ada yang mencoba memvirtualisasikan penemuan obat sepenuhnya menggunakan AI dan melakukannya tanpa campur tangan manusia. Di banyak daerah, ini praktis mustahil hanya karena biologi dan kedokteran sangat beragam sehingga sangat, sangat sulit untuk menemukan solusi yang cocok untuk semua orang. Validasi diperlukan pada setiap tahap, dan saat ini, ini melalui konveyor hanya akan bekerja dalam kondisi terapeutik tertentu.

Michael Kriegsman:Izinkan saya mengajukan pertanyaan lain dari Twitter. Ini lagi dari Shreya Amin, pertanyaan yang bagus, menarik. Dia menulis: "Menggunakan metode kecerdasan buatan yang ada, bidang mana dalam hal jenis obat, penyakit, kondisi, dll. Yang paling dekat dengan terobosan atau telah mencapai kemajuan terbesar, dan apa yang paling sulit dalam proses ini?"

Alexander Zhavoronkov: Saya akan memberi Anda sebuah contoh yang saya kenal dengan sangat baik. Kami memiliki beberapa inhibitor JAK yang dikembangkan sepenuhnya menggunakan GAN dan pembelajaran penguatan. Saya pikir ini adalah salah satu metode yang paling menjanjikan untuk desain molekul de novo.

Kami saat ini berada pada tahap pengujian pada tikus, telah berjalan jauh dari analisis enzim menjadi tikus dan telah menunjukkan bahwa sekarang kita dapat mencapai selektivitas, spesifisitas dengan molekul-molekul ini, dan molekul-molekul ini memiliki banyak sifat lain. Ini adalah metode yang cukup umum di zaman kita, baik GAN yang kita gunakan dan teknik pembelajaran yang diperkuat. Ini bukan sesuatu yang super baru, jadi kami benar-benar mengalihkan penelitian dan pengembangan kami ke arah yang sedikit berbeda.

Michael Kriegsman: Bagaimana semua ini akan berkembang di tahun depan, saya tidak tahu, tiga, empat tahun, dua atau empat tahun? Mari kita tidak keluar selama belasan tahun. Selama beberapa tahun ke depan, bagaimana hasilnya?

Alexander Zhavoronkov:Saya pikir perusahaan seperti kita akan lebih memperhatikan penelitian dan pengembangan internal mereka, daripada berkolaborasi dengan perusahaan farmasi besar, karena bekerja dengan perusahaan farmasi besar biasanya merupakan jalan ke mana-mana, karena ini adalah kematian perusahaan pada tahap awal, atau mereka hanya mengambil pengalaman Anda dan mengejar ketinggalan. Tetapi pada saat yang sama, mereka begitu birokratis sehingga mereka sangat sulit untuk berubah, dan pada saat yang sama, pada level CEO, perusahaan farmasi besar lebih fokus pada peningkatan penjualan atau membeli perusahaan lain untuk meningkatkan penjualan. Penelitian dan pengembangan internal tidak benar-benar dianggap sebagai prioritas besar, dan apa pun yang mereka pikirkan, itu adalah fakta. Biasanya harus 15-20% dalam laporan laba rugi,karena kalau tidak, investor tidak akan berinvestasi di perusahaan. Tetapi kinerja penelitian dan pengembangan internal ini biasanya sangat rendah.

Saya pikir perusahaan biotek kecil yang menggunakan AI dan virtualisasi penemuan obat akan sangat sukses. Ada beberapa kasus yang saya kagumi di industri ini, seperti Nimbus Therapeutics . Mereka mampu memvirtualisasi seluruh proses pencarian dan pengembangan obat-obatan, membawa ke pasar beberapa aset tahap kedua dan melisensikannya.

Saya pikir orang-orang yang benar-benar memahami proses dan dapat memvirtualkannya akan menjadi pemenang. Sejauh ini, saya tahu beberapa perusahaan yang melakukan ini, jadi beberapa perusahaan bekerja bersama kami. Beberapa dalam mode siluman. Saya pikir mereka akan menjadi pemenang di masa depan.

Ketika Anda berbicara tentang penemuan obat dalam dua hingga tiga tahun, ini sebenarnya waktu yang sangat, sangat singkat. Di banyak bidang perkembangan manusia lainnya, jika Anda meminta saya untuk merencanakan lima tahun sebelumnya, saya tidak bisa, karena semuanya berubah dengan sangat cepat. Di apotek tidak demikian. Kami benar-benar perlu bereksperimen dan melakukannya dengan benar.

Penelitian umur panjang dan merokok

Michael Kriegsman: Ceritakan secara singkat tentang studi terakhir yang Anda lakukan tentang umur panjang atau merokok? Saya tahu kami tidak punya waktu, tetapi akan menyenangkan untuk mengetahuinya.

Alexander Zhavoronkov: Tentu saja. Kami baru saja menerbitkan artikel yang sangat lucu yang menunjukkan bahwa merokok mempercepat penuaan. Salah satu bidang yang kami fokuskan adalah prediksi usia menggunakan beberapa jenis data, seperti gambar, tes darah, data transkriptome, data proteomik, data microbiome. Kami menggunakan data ini untuk secara akurat memprediksi usia seseorang, dan kemudian kita akan melihat intervensi atau perubahan perilaku apa, gaya hidup apa yang membuat seseorang terlihat lebih muda atau lebih tua.

Kami telah melakukan proyek ini di Kanada. Kami bekerja dengan Universitas Lethbridge dan Pemerintah Alberta untuk memproses kumpulan besar perokok dan non-perokok dari berbagai usia, hanya mempelajari tes darah anonim. Pertama-tama, kami menciptakan prediktor status merokok, jadi sekarang saya dapat mengatakan dengan cukup percaya diri apakah Anda merokok atau tidak dengan melakukan tes darah, tetapi kami juga menunjukkan bahwa orang yang merokok terlihat lebih tua daripada bukan perokok berdasarkan penggunaan jaringan saraf yang dalam. terlatih dalam analisis darah.

Setelah kami menerbitkan artikel, artikel itu menjadi sangat viral, dan kami menerima ulasan yang sangat positif. Misalnya, anak saya berpikir untuk berhenti merokok hanya karena dia tidak ingin terlihat tua. Orang tidak benar-benar peduli dengan kesehatan mereka, tetapi mereka benar-benar peduli tentang penampilan mereka. Jika Anda tidak ingin terlihat tua, berhentilah merokok.

Michael Kriegsman: Bagus. Tip yang bagus. Alexander, terima kasih banyak telah meluangkan waktu untuk berbicara dengan kami. Semoga harimu menyenangkan. Jaga dirimu baik-baik. Sampai jumpa.

Asli