Jinhan Kim é o CEO da Standigm, uma empresa de descoberta de medicamentos com IA de fluxo de trabalho.
Do alvo personalizado identificação para geração de leads, a plataforma de IA de fluxo de trabalho Standigm gera os insights para cada etapa para desenvolver medicamentos comercialmente valiosos de projetos internos e de parceria.
Você começou a codificar quando estava na 6ª série, poderia compartilhar como se interessou e no que trabalhou inicialmente?
Ah, sim – no meu Apple II Plus. Esse foi o catalisador para me transformar de leitor ávido em criador. Comecei a programar, começando pela programação C, por curiosidade. Fiquei interessado nos princípios e aspectos teóricos do meu computador. A partir daí, tornei-me um eterno aprendiz no campo da tecnologia.
O que inicialmente atraiu você para o aprendizado de máquina?
Tenho meu diploma em química aplicada e inteligência artificial na Universidade de Edimburgo sob Geoffrey Hinton. Ele é o neurocientista e cientista da computação que basicamente criou o aprendizado profundo. Hinton trabalhou em redes neurais artificiais e projetou máquinas inteligentes e autônomas – e, mais tarde, algoritmos de aprendizado de máquina. O Google o contratou há dez anos para criar sua IA e o resto é história.
Quando você se envolveu pela primeira vez na interseção de biologia e aprendizado de máquina?
Eu costumava trabalhar no Samsung Advanced Institute of Technology, onde desenvolvia algoritmos. Um dos algoritmos que desenvolvi foi um mecanismo para reparar danos no DNA. Eu queria continuar trabalhando no campo da biologia e resolver os problemas mais difíceis de resolver. Tanto o corpo humano quanto os computadores que pensam como humanos são tão complexos quanto as coisas podem ser, e você precisa trabalhar para entender um para entender o outro. Os sistemas de IA não só podem vasculhar extensos dados científicos publicados ao longo de décadas em todo o mundo, mas também podem processar as complexidades do corpo humano e captar de forma rápida e coerente os padrões dos mecanismos biológicos. Foi fácil ver a biologia e o aprendizado de máquina andando de mãos dadas.
Você poderia compartilhar a história da gênese por trás do Standigm?
Meu trabalho na saúde e a ciência revelou o que, para mim, era um grande problema na descoberta de medicamentos tradicionais: o tempo e o dinheiro necessários para digitalizar artigos de pesquisa científica e testes de triagem ou as pistas que fornecem o ponto de partida para a possível criação de novos medicamentos. Cientistas humanos estavam fazendo essa pesquisa intensiva. Eu e dois colegas da Samsung, Sang Ok Song e So Jeong Yun, vimos uma oportunidade de mudar o trabalho de humanos para uma máquina inteligente e projetar um novo fluxo de trabalho. Além disso, não queria trabalhar por um salário; Eu queria trabalhar por conta própria, trazer os métodos de descoberta de medicamentos para um novo paradigma padrão, que é a gênese do trabalho e o nome de “Standigm”, a empresa que nós três cofundamos. Nosso modelo de aprendizado de máquina agora atinge alta precisão de previsão e sua tecnologia de IA atinge ROI máximo.
Qual é o problema de acessibilidade sintética e como o Standigm funciona para resolver isso?
Os modelos generativos podem projetar novas estruturas moleculares sem a ajuda de químicos medicinais bem treinados, o que é uma das razões mais críticas para a adoção entusiástica dessa tecnologia pelas comunidades de descoberta de medicamentos. O maior obstáculo aqui é a diferença de velocidade entre o projeto de moléculas e suas sínteses experimentais, onde o projeto de milhões de compostos leva apenas horas e a síntese de apenas dez moléculas leva semanas ou meses. Como apenas uma pequena fração dos compostos projetados será sintetizada por especialistas humanos, é essencial ter boas medidas de propriedades moleculares.
Os modelos de IA de primeira geração eram rudimentares e os químicos sintéticos recusaram a maioria das moléculas projetadas pela dificuldade do plano sintético. Algumas empresas CRO até se recusaram a preparar uma proposta para esta campanha sintética.
A Standdigm tem trabalhado nesta questão contratando químicos medicinais experientes e adicionando seus conhecimentos a modelos generativos para que possam projetar compostos que não podem ser distinguidos de aqueles projetados por especialistas humanos. A Standigm agora possui vários modelos generativos diferentes que podem gerenciar diferentes estágios de descoberta de medicamentos: identificação de ocorrências, otimização de ocorrências e leads. Isso mostra a importância de ter conhecimentos diversos para qualquer empresa de descoberta de medicamentos de IA, onde a experiência e o conhecimento humanos são usados principalmente para melhorar os modelos de IA e garantir os melhores fluxos de trabalho em vez de cada projeto.
Você pode discuta os tipos de algoritmos usados pelo Standigm para facilitar a descoberta de medicamentos?
Normalmente, iniciamos qualquer projeto exploratório priorizando proteínas-alvo novas e promissoras usando o Standigm ASK; nossa plataforma de biologia consiste em algoritmos distintos para treinar redes biológicas massivas, utilizar vários tipos de dados ômicos imparciais, introduzir os contextos específicos de sistemas biológicos e assim por diante. Selecionar a proteína-alvo correta é uma das questões mais críticas na descoberta de medicamentos. O Standigm ASK ajuda os especialistas em doenças fornecendo várias hipóteses de MOA (mecanismo de ação).
Para garantir patentes com faixas altamente protetoras, o Standigm BEST realiza várias tarefas, incluindo sugerir compostos de sucesso (exploração efetiva), salto de andaime ( considerando a acessibilidade sintética e novidade) e vários modelos preditivos para drugability (atividade, propriedades ADME/Tox e propriedades físico-químicas). Muitas tarefas menores estão relacionadas a essas maiores, como DTI (interação droga-alvo), simulações moleculares assistidas por IA, previsão de seletividade e otimização de vários parâmetros.
Quanto tempo é economizado em média quando se trata de geração de novos compostos versus procedimentos de descoberta de drogas herdadas?
Pesquisadores da Standigm sintetizaram centenas de novas moléculas para projetos, muitas das quais são designadas como moléculas de sucesso e de chumbo em diferentes contextos. Ao adotar modelos baseados em IA e recursos comerciais, a Standigm reduziu o tempo para a primeira rodada de geração de novos compostos de seis meses para uma média de dois meses para a maioria dos projetos. Agora, as primeiras decisões de aprovação/reprovação podem ser tomadas em uma média de sete meses, em vez de três a quatro anos.
Quais são algumas das histórias de sucesso da Standigm para a potencial comercialização de medicamentos?
Usando o Standigm Insight, que compartilha o mesmo histórico técnico do Standigm ASK, encontramos uma molécula de medicamento que pode ser usada para uma doença pediátrica rara, validada por um cientista de um dos melhores hospitais infantis nos EUA Este caso mostra que a tecnologia de IA pode ajudar na descoberta de medicamentos para doenças raras, uma tarefa difícil para uma empresa de qualquer tamanho devido à necessidade de maior valor comercial. Especialmente nesta recessão, quando as empresas farmacêuticas tentam ser mais conservadoras, a IA pode promover P&D em doenças raras e negligenciadas.
Qual é a sua visão para o futuro da aprendizagem profunda e da IA generativa na área da saúde?
O sucesso da tecnologia AI depende da disponibilidade de dados de alta qualidade. Inevitavelmente, haverá uma grande concorrência para garantir uma grande quantidade de dados de alta qualidade no setor de saúde. De uma perspectiva mais restrita da descoberta precoce de medicamentos, os dados de química e biologia são caros e requerem muito tempo para garantir o status de alta qualidade. Portanto, o laboratório automatizado será um futuro para o campo de descoberta de drogas de IA, pois pode reduzir o custo de dados de alta qualidade – o combustível para a tecnologia de IA. Estamos levando nossas plataformas de tecnologia para o próximo nível para que o Standigm ASK possa fornecer evidências mais aparentes, desde dados derivados de pacientes até biologia molecular; e, portanto, os modelos Standigm BEST AI podem ser de última geração, alimentando dados de alta qualidade de laboratórios e colaboradores automatizados internos.
Há mais alguma coisa que você gostaria de compartilhar sobre a Standigm?
Como o equilíbrio de conhecimentos diferenciados é importante para a Standigm, o equilíbrio de etnias também é crítico. Temos expandido nossa presença no ambiente global fundando os escritórios do Reino Unido (Cambridge) e dos EUA (Cambridge, MA) para incluir a presença das redes e a transformação da Standigm em uma empresa mais internacional.
Obrigado pela ótima entrevista, os leitores que desejam saber mais devem visitar Standigm.