Jinhan Kim es el director general de Estandarteuna compañía de descubrimiento de fármacos de IA de flujo de trabajo.
Desde la identificación personalizada de objetivos hasta la generación de clientes potenciales, la plataforma de inteligencia artificial de flujo de trabajo de Standigm genera información para cada paso para desarrollar medicamentos comercialmente valiosos a partir de proyectos internos y de asociaciones.
Comenzaste a codificar cuando estabas en sexto grado, ¿podrías compartir cómo te interesaste y en qué trabajaste inicialmente?
Ah, sí, en mi Apple II Plus. Ese fue el catalizador para convertirme de un ratón de biblioteca en un creador. Empecé a programar, empezando por la programación en C, por curiosidad. Me interesé en los principios y aspectos teóricos de mi computadora. A partir de ahí, me convertí en un aprendiz de por vida en el campo de la tecnología.
¿Qué le atrajo inicialmente del aprendizaje automático?
Obtuve mis títulos en química aplicada e inteligencia artificial en la Universidad de Edimburgo con Geoffrey Hinton. Es el neurocientífico e informático que básicamente creó el aprendizaje profundo. Hinton trabajó en redes neuronales artificiales y diseñó máquinas inteligentes autónomas y, más tarde, algoritmos de aprendizaje automático. Google lo contrató hace diez años para crear su IA y el resto es historia.
¿Cuándo te involucraste por primera vez en la intersección de la biología y el aprendizaje automático?
Solía trabajar en el Instituto de Tecnología Avanzada de Samsung, donde estaba desarrollando algoritmos. Uno de los algoritmos que desarrollé fue un mecanismo para reparar el daño del ADN. Quería dedicarme al trabajo en el campo de la biología y resolver los problemas más difíciles de abordar. Tanto el cuerpo humano como las computadoras que piensan como humanos son tan complejos como las cosas, y debes trabajar para comprender uno para comprender el otro. Los sistemas de IA no solo pueden analizar datos científicos extensos publicados durante décadas en todo el mundo, sino que también pueden procesar las complejidades del cuerpo humano y captar de manera rápida y coherente los patrones de los mecanismos biológicos. Era fácil ver que la biología y el aprendizaje automático iban de la mano.
¿Podría compartir la historia de génesis detrás de Standigm?
Mi trabajo en salud y ciencia reveló lo que, para mí, era un gran problema en el descubrimiento tradicional de fármacos: el tiempo y el dinero que se necesitaban para escanear documentos de investigación científica y ensayos de detección o las pistas que brindan el punto de partida para posibles nuevos fármacos. creación. Los científicos humanos estaban haciendo esta investigación intensiva. Yo y dos colegas de Samsung, Sang Ok Song y So Jeong Yun, vimos la oportunidad de cambiar el trabajo de los humanos a una máquina inteligente y diseñar un nuevo flujo de trabajo. Además, no quería trabajar por un salario; Quería trabajar por mi cuenta, llevar los métodos de descubrimiento de fármacos a un nuevo paradigma estándar, que es la génesis del trabajo y el nombre de “Standigm”, la empresa que cofundamos los tres. Nuestro modelo de aprendizaje automático ahora logra una alta precisión de predicción y su tecnología de inteligencia artificial logra el máximo retorno de la inversión.
¿Qué es el problema de la accesibilidad sintética y cómo trabaja Standigm para solucionarlo?
Los modelos generativos pueden diseñar estructuras moleculares novedosas sin la ayuda de químicos médicos bien capacitados, que es una de las razones más críticas para la adopción entusiasta de esta tecnología por parte de las comunidades de descubrimiento de fármacos. El mayor obstáculo aquí es la diferencia de velocidad entre el diseño de moléculas y sus síntesis experimentales, donde el diseño de millones de compuestos toma solo horas y la síntesis de solo diez moléculas toma semanas o meses. Dado que los expertos humanos sintetizarán solo una pequeña fracción de los compuestos diseñados, es esencial contar con buenas medidas de las propiedades moleculares.
Los modelos de IA de primera generación eran toscos y los químicos sintéticos rechazaron la mayoría de las moléculas diseñadas debido a la dificultad del plan sintético. Algunas empresas de CRO incluso se negaron a preparar una propuesta para esta campaña sintética.
Standigm ha estado trabajando en este tema contratando químicos médicos experimentados y agregando su experiencia a modelos generativos para que puedan diseñar compuestos que no se pueden distinguir de los diseñados por expertos humanos. Standigm ahora tiene varios modelos generativos diferentes que pueden gestionar diferentes etapas de descubrimiento de fármacos: identificación de hits, hit-to-lead y optimización de leads. Esto muestra la importancia de tener experiencia diversa para cualquier empresa de descubrimiento de fármacos de IA donde la experiencia humana y la experiencia se utilizan principalmente para mejorar los modelos de IA y asegurar los mejores flujos de trabajo en lugar de cada proyecto.
¿Puede hablar sobre los tipos de algoritmos que utiliza Standigm para facilitar el descubrimiento de fármacos?
Por lo general, comenzamos cualquier proyecto exploratorio priorizando proteínas objetivo prometedoras y novedosas utilizando Standigm ASK; nuestra plataforma de biología consta de distintos algoritmos para entrenar redes biológicas masivas, utilizar varios tipos de datos ómicos imparciales, introducir los contextos específicos de los sistemas biológicos, etc. Seleccionar la proteína diana adecuada es uno de los temas más críticos en el descubrimiento de fármacos. Standigm ASK ayuda a los expertos en enfermedades proporcionando múltiples hipótesis de MOA (mecanismo de acción).
Para asegurar patentes con rangos altamente protectores, Standigm BEST realiza varias tareas, que incluyen sugerir compuestos exitosos (exploración efectiva), saltos de andamios (considerando la accesibilidad sintética y la novedad) y varios modelos predictivos de farmacocapacidades (actividad, propiedades ADME/Tox y propiedades fisicoquímicas) . Muchas tareas más pequeñas están relacionadas con estas más grandes, como DTI (interacción fármaco-objetivo), simulaciones moleculares asistidas por IA, predicción de selectividad y optimización de múltiples parámetros.
¿Cuánto tiempo se ahorra en promedio cuando se trata de la generación de nuevos compuestos frente a los procedimientos de descubrimiento de fármacos heredados?
Los investigadores de Standigm han sintetizado cientos de moléculas novedosas para proyectos, muchas de las cuales están designadas como moléculas de éxito y de plomo en diferentes contextos. Al adoptar modelos basados en IA y recursos comerciales, Standigm ha reducido el tiempo para la primera ronda de generación de compuestos novedosos de seis meses a un promedio de dos meses para la mayoría de los proyectos. Ahora, las primeras decisiones de continuar o no continuar se pueden tomar en un promedio de siete meses en lugar de tres o cuatro años.
¿Cuáles son algunas de las historias de éxito de Standigm para la comercialización potencial de medicamentos?
Usando Standigm Insight, que comparte la misma experiencia técnica que Standigm ASK, encontramos una molécula de fármaco que puede usarse para una enfermedad pediátrica rara, validada por un científico de uno de los mejores hospitales infantiles de EE. UU. Este caso muestra que la tecnología de IA puede ayudar con el descubrimiento de fármacos para enfermedades raras, una tarea difícil para una empresa de cualquier tamaño debido a la necesidad de un mayor valor comercial. Especialmente en esta recesión, cuando las compañías farmacéuticas intentan ser más conservadoras, la IA puede promover la I+D en enfermedades raras y desatendidas.
¿Cuál es su visión para el futuro del aprendizaje profundo y la IA generativa en el cuidado de la salud?
El éxito de la tecnología de IA depende de la disponibilidad de datos de alta calidad. Inevitablemente habrá una gran competencia para asegurar una gran cantidad de datos de alta calidad en el sector de la salud. Desde una perspectiva más estrecha del descubrimiento temprano de fármacos, los datos químicos y biológicos son costosos y requieren mucho tiempo para asegurar un estado de alta calidad. Por lo tanto, el laboratorio automatizado será un futuro para el campo de descubrimiento de fármacos de IA, ya que puede reducir el costo de los datos de alta calidad: el combustible para la tecnología de IA. Estamos impulsando nuestras plataformas tecnológicas al siguiente nivel para que Standigm ASK pueda proporcionar evidencia más evidente, desde datos derivados de pacientes hasta biología molecular; y, por lo tanto, los modelos Standigm BEST AI pueden ser de última generación al alimentar datos de alta calidad de laboratorios y colaboradores automatizados internos.
¿Hay algo más que le gustaría compartir sobre Standigm?
Como el equilibrio de la experiencia diferenciada es importante para Standigm, el equilibrio de las etnias también es fundamental. Hemos estado ampliando nuestra presencia en el entorno global al fundar las oficinas de Reino Unido (Cambridge) y EE. UU. (Cambridge, MA) para incluir la presencia de las redes y la transformación de Standigm en una firma más internacional.
Gracias por la gran entrevista, los lectores que deseen obtener más información deben visitar Estandarte.