Jinhan Kim 是 Standigm 的首席執行官，這是一家工作流 AI 藥物發現公司。
來自定制目標Standigm 工作流 AI 平台為從內部和合作項目中開發具有商業價值的藥物的每一步生成洞察力。
您在 6 年級時開始編碼，能否分享一下您是如何開始感興趣的以及您最初從事的工作?
啊，是的——在我的 Apple II Plus 上。那是將我從書呆子變成創作者的催化劑。出於好奇，我開始編程，從 C 編程開始。我開始對計算機的原理和理論方面感興趣。從那時起，我成為了技術領域的終身學習者。
最初是什麼吸引您學習機器學習?
我獲得了應用化學和Geoffrey Hinton 領導下的愛丁堡大學的人工智能。他是基本上開創了深度學習的神經科學家和計算機科學家。 Hinton 致力於人工神經網絡並設計自主智能機器——以及後來的機器學習算法。十年前，Google 聘請了他來創建他們的 AI，剩下的就是歷史了。
您最初是什麼時候開始涉足生物學和機器學習的交叉領域的?
我曾經在三星高級技術學院工作，負責開發算法。我開發的算法之一是修復 DNA 損傷的機制。我想從事生物學領域的工作並解決最難解決的問題。人體和像人類一樣思考的計算機都非常複雜，您需要努力理解一個才能掌握另一個。人工智能係統不僅可以挖掘世界各地數十年來發表的大量科學數據，還可以處理人體的複雜性，并快速、連貫地捕捉生物機制的模式。很容易看出生物學和機器學習是齊頭並進的。
您能分享一下 Standigm 背後的起源故事嗎?
我在健康方面的工作對我來說，科學揭示了傳統藥物發現中的一個大問題:掃描科學研究論文和篩選試驗所花費的時間和金錢，或者為潛在的新藥創造提供起點的線索。人類科學家正在進行這項深入的研究。我和三星的兩位同事 Sang Ok Song 和 So Jeong Yun 看到了將工作從人類轉移到智能機器並設計新工作流程的機會。另外，我不想為了薪水而工作；我想為自己工作，將藥物發現方法帶入一個新的標準範式，這是工作的起源，也是我們三人共同創立的公司“Standigm”的名稱。我們的機器學習模型現在實現了很高的預測精度，其 AI 技術實現了最大的投資回報率。
什麼是合成無障礙問題，Standigm 如何解決這個問題?
生成模型可以在沒有訓練有素的藥物化學家幫助的情況下設計新穎的分子結構，這是藥物發現社區熱衷於採用該技術的最關鍵原因之一。這裡最大的障礙是分子設計與其實驗合成之間的速度差異，其中數百萬種化合物的設計僅需數小時，而僅十種分子的合成則需要數週或數月。由於只有一小部分設計的化合物將由人類專家合成，因此必須對分子特性進行良好的測量。
第一代 AI 模型很粗糙，合成化學家拒絕了大部分設計的分子由於合成計劃的難度。一些 CRO 公司甚至拒絕為這項合成活動準備提案。
Standigm 一直致力於解決這個問題，聘請經驗豐富的藥物化學家並將他們的專業知識添加到生成模型中，這樣他們就可以設計出無法區分的化合物那些由人類專家設計的。 Standigm 現在有幾種不同的生成模型，可以管理不同的藥物發現階段:命中識別、命中到先導和先導優化。這表明擁有多樣化專業知識對於任何 AI 藥物發現公司的重要性，在這些公司中，人類經驗和專業知識主要用於改進 AI 模型和確保最佳工作流程而不是每個項目。
你能討論 Standigm 用於促進藥物發現的算法類型?
我們通常通過使用 Standigm ASK 對有前途的新靶蛋白進行優先排序來開始任何探索性項目；我們的生物學平台由不同的算法組成，用於訓練大規模生物網絡，利用各種類型的無偏見組學數據，介紹生物系統的特定背景等。選擇正確的靶蛋白是藥物發現中最關鍵的問題之一。 Standigm ASK 通過提供多種 MOA（作用機制）假設來幫助疾病專家。
為了獲得具有高度保護範圍的專利，Standigm BEST 執行各種任務，包括建議命中化合物（有效探索）、支架跳躍（考慮到合成的可及性和新穎性）和成藥性的各種預測模型（活性、ADME/Tox 特性和物理化學特性）。許多較小的任務與這些較大的任務相關，例如 DTI（藥物-靶標相互作用）、AI 輔助分子模擬、選擇性預測和多參數優化。
平均節省多少時間當談到新化合物生成與傳統藥物發現程序時?
Standigm 研究人員已經為項目合成了數百種新分子，其中許多在不同情況下被指定為命中分子和先導分子。通過採用基於 AI 的模型和商業資源，Standigm 將大多數項目的第一輪新型化合物生成時間從六個月縮短到平均兩個月。現在，第一個通過/不通過的決定平均可以在七個月內做出，而不是三到四年。
Standigm 在潛在藥物商業化方面有哪些成功案例?
使用與 Standigm ASK 具有相同技術背景的 Standigm Insight，我們發現了一種可用於罕見兒科疾病的藥物分子，並由來自最好的兒童醫院之一的科學家驗證在美國，這個案例表明人工智能技術可以幫助發現罕見病藥物，這對於任何規模的公司來說都是一項艱鉅的任務，因為需要更多的商業價值。尤其是在這次經濟衰退期間，當製藥公司試圖更加保守時，AI 可以促進罕見和被忽視疾病的研發。
您對醫療保健領域深度學習和生成 AI 的未來有何看法?
人工智能技術的成功取決於高質量數據的可用性。在醫療保健領域，圍繞確保大量高質量數據的安全，不可避免地會出現激烈的競爭。從早期藥物發現的狹義角度來看，化學和生物學數據非常昂貴，需要很長時間才能獲得高質量的地位。因此，自動化實驗室將是 AI 藥物發現領域的未來，因為它可以降低高質量數據（AI 技術的燃料）的成本。我們正在將我們的技術平台推向一個新的水平，以便 Standigm ASK 可以提供更明顯的證據，從患者衍生數據到分子生物學；因此，Standigm BEST AI 模型可以通過提供來自內部自動化實驗室和合作者的高質量數據成為最先進的模型。
還有什麼你想分享的嗎關於 Standigm?
由於差異化專業知識的平衡對 Standigm 很重要，種族的平衡也很重要。我們一直在通過建立英國（劍橋）和美國（馬薩諸塞州劍橋）辦事處來擴大我們在全球環境中的存在，以包括網絡的存在以及 Standigm 轉型為一家更加國際化的公司。
感謝您的精彩採訪，希望了解更多信息的讀者可以訪問 Standigm。