Jinhan Kim est le PDG de Standigm, une société de découverte de médicaments basée sur l’IA.
À partir d’une cible personnalisée de l’identification à la génération de prospects, la plateforme d’IA de flux de travail Standigm génère les informations nécessaires à chaque étape pour développer des médicaments commercialement utiles à partir de projets internes et de partenariats.
Vous avez commencé à coder lorsque vous étiez en 6e année, pouvez-vous nous dire comment vous avez commencé à vous intéresser et sur quoi vous avez travaillé au départ ?
Ah, oui-sur mon Apple II Plus. Ce fut le catalyseur qui m’a fait passer d’un rat de bibliothèque à un créateur. J’ai commencé à programmer, en commençant par la programmation en C, par curiosité. Je me suis intéressé aux principes et aux aspects théoriques de mon ordinateur. À partir de là, je suis devenu un apprenant tout au long de la vie dans le domaine de la technologie.
Qu’est-ce qui vous a initialement attiré vers l’apprentissage automatique ?
J’ai obtenu mes diplômes en chimie appliquée et l’intelligence artificielle à l’Université d’Édimbourg sous Geoffrey Hinton. Il est le neuroscientifique et informaticien qui a essentiellement créé l’apprentissage en profondeur. Hinton a travaillé sur des réseaux de neurones artificiels et a conçu des machines autonomes et intelligentes – et, plus tard, des algorithmes d’apprentissage automatique. Google l’a embauché il y a dix ans pour créer son IA et le reste appartient à l’histoire.
Quand avez-vous commencé à vous impliquer pour la première fois à l’intersection de la biologie et de l’apprentissage automatique ?
Je travaillais au Samsung Advanced Institute of Technology, où je développais des algorithmes. L’un des algorithmes que j’ai développés était un mécanisme de réparation des dommages à l’ADN. Je voulais poursuivre des travaux dans le domaine de la biologie et résoudre les problèmes les plus difficiles à cibler. Le corps humain et les ordinateurs qui pensent comme les humains sont à peu près aussi complexes que les choses, et vous devez travailler pour comprendre l’un pour saisir l’autre. Les systèmes d’IA peuvent non seulement creuser dans de nombreuses données scientifiques publiées sur des décennies dans le monde entier, mais ils peuvent également traiter les complexités du corps humain et saisir rapidement et de manière cohérente les schémas des mécanismes biologiques. Il était facile de voir la biologie et l’apprentissage automatique aller de pair.
Pourriez-vous partager l’histoire de la genèse de Standigm ?
Mon travail dans le domaine de la santé et la science a révélé ce qui, pour moi, était un gros problème dans la découverte de médicaments traditionnels: le temps et l’argent qu’il fallait pour analyser les articles de recherche scientifique et les essais de dépistage ou les indices qui fournissent le point de départ pour la création potentielle de nouveaux médicaments. Les scientifiques humains faisaient cette recherche intensive. Moi et deux collègues de Samsung, Sang Ok Song et So Jeong Yun, avons vu une opportunité de déplacer le travail des humains vers une machine intelligente et de concevoir un nouveau flux de travail. De plus, je ne voulais pas travailler pour un salaire ; Je voulais travailler pour moi-même, amener les méthodes de découverte de médicaments à un nouveau paradigme standard, qui est la genèse du travail et le nom de « Standigm », la société que nous avons cofondée à trois. Notre modèle d’apprentissage automatique atteint désormais une précision de prédiction élevée et sa technologie d’IA atteint un retour sur investissement maximal.
Quel est le problème d’accessibilité synthétique et comment Standigm travaille-t-il pour le résoudre ?
Les modèles génératifs peuvent concevoir de nouvelles structures moléculaires sans l’aide de chimistes médicinaux bien formés, ce qui est l’une des raisons les plus critiques de l’adoption enthousiaste de cette technologie par les communautés de découverte de médicaments. Le plus grand obstacle ici est la différence de vitesse entre la conception des molécules et leurs synthèses expérimentales, où la conception de millions de composés ne prend que des heures et la synthèse de seulement dix molécules prend des semaines ou des mois. Comme seule une infime fraction des composés conçus sera synthétisée par des experts humains, il est essentiel de disposer de bonnes mesures des propriétés moléculaires.
Les modèles d’IA de première génération étaient rudimentaires et les chimistes synthétiques ont refusé la plupart des molécules conçues. en raison de la difficulté du plan synthétique. Certaines sociétés CRO ont même refusé de préparer une proposition pour cette campagne synthétique.
Standigm a travaillé sur cette question en embauchant des chimistes médicinaux expérimentés et en ajoutant leur expertise aux modèles génératifs afin qu’ils puissent concevoir des composés qui ne peuvent pas être distingués de ceux conçus par des experts humains. Standigm dispose désormais de plusieurs modèles génératifs différents qui peuvent gérer différentes étapes de découverte de médicaments: identification des hits, hit-to-lead et optimisation des leads. Cela montre l’importance d’avoir une expertise diversifiée pour toute entreprise de découverte de médicaments d’IA où l’expérience et l’expertise humaines sont principalement utilisées pour améliorer les modèles d’IA et pour sécuriser les meilleurs flux de travail au lieu de chaque projet.
Pouvez-vous discuter des types d’algorithmes utilisés par Standigm pour faciliter la découverte de médicaments ?
Nous commençons généralement tous les projets exploratoires en donnant la priorité aux protéines cibles prometteuses et nouvelles à l’aide de Standigm ASK ; notre plate-forme de biologie se compose d’algorithmes distincts pour former des réseaux biologiques massifs, utiliser divers types de données omiques impartiales, introduire les contextes spécifiques des systèmes biologiques, etc. La sélection de la bonne protéine cible est l’un des problèmes les plus critiques dans la découverte de médicaments. Standigm ASK aide les experts en maladies en fournissant de multiples hypothèses de MOA (mécanisme d’action).
Pour obtenir des brevets avec des plages hautement protectrices, Standigm BEST effectue diverses tâches, notamment en suggérant des composés à succès (exploration efficace), des sauts d’échafaudage ( considérant l’accessibilité synthétique et la nouveauté) et divers modèles prédictifs de pharmacoabilité (activité, propriétés ADME/Tox et propriétés physicochimiques). De nombreuses tâches plus petites sont liées à ces plus grandes, comme le DTI (interaction médicament-cible), les simulations moléculaires assistées par l’IA, la prédiction de la sélectivité et l’optimisation multiparamètre.
Combien de temps est économisé en moyenne lorsqu’il s’agit de générer de nouveaux composés par rapport aux procédures de découverte de médicaments héritées ?
Les chercheurs de Standigm ont synthétisé des centaines de nouvelles molécules pour des projets, dont beaucoup sont désignées comme molécules phares et principales dans différents contextes. En adoptant des modèles basés sur l’IA et des ressources commerciales, Standigm a réduit le temps nécessaire au premier cycle de génération de nouveaux composés de six mois à une moyenne de deux mois pour la plupart des projets. Désormais, les premières décisions d’autorisation/d’interdiction peuvent être prises en sept mois en moyenne au lieu de trois à quatre ans.
Quelles sont certaines des réussites de Standigm en matière de commercialisation potentielle de médicaments ?
En utilisant Standigm Insight, qui partage le même bagage technique que Standigm ASK, nous avons trouvé une molécule médicamenteuse qui peut être utilisée pour une maladie pédiatrique rare, validée par un scientifique de l’un des meilleurs hôpitaux pour enfants aux États-Unis. Ce cas montre que la technologie de l’IA peut aider à la découverte de médicaments contre les maladies rares, une tâche difficile pour une entreprise de toute taille en raison du besoin d’une plus grande valeur commerciale. Surtout en cette période de récession, alors que les sociétés pharmaceutiques tentent d’être plus conservatrices, l’IA peut promouvoir la R&D dans les maladies rares et négligées.
Quelle est votre vision de l’avenir de l’apprentissage en profondeur et de l’IA générative dans les soins de santé ?
Le succès de la technologie de l’IA dépend de la disponibilité de données de haute qualité. Il y aura inévitablement une grande concurrence autour de la sécurisation d’une grande quantité de données de haute qualité dans le secteur de la santé. Du point de vue plus étroit de la découverte précoce de médicaments, les données chimiques et biologiques sont coûteuses et nécessitent beaucoup de temps pour garantir un statut de haute qualité. Par conséquent, le laboratoire automatisé sera un avenir pour le domaine de la découverte de médicaments IA, car il peut réduire le coût des données de haute qualité-le carburant de la technologie IA. Nous poussons nos plateformes technologiques au niveau supérieur afin que Standigm ASK puisse fournir des preuves plus apparentes, des données dérivées des patients à la biologie moléculaire ; et ainsi les modèles Standigm BEST AI peuvent être à la pointe de la technologie en alimentant des données de haute qualité provenant de laboratoires automatisés internes et de collaborateurs.
Y a-t-il autre chose que vous aimeriez partager à propos de Standigm ?
Comme l’équilibre des expertises différenciées est important pour Standigm, l’équilibre des ethnies est également critique. Nous avons étendu notre présence dans l’environnement mondial en fondant les bureaux au Royaume-Uni (Cambridge) et aux États-Unis (Cambridge, MA) pour inclure la présence des réseaux et la transformation de Standigm en une entreprise plus internationale.
Merci pour cette excellente interview, les lecteurs qui souhaitent en savoir plus doivent visiter Standigm.