WASHINGTON – Kunstmatige intelligentie verandert de manier waarop bedrijven zaken doen: ze helpt programmeurs code te schrijven en klantenservice-oproepen af te handelen met chatbots.
Maar de farmaceutische industrie wacht nog steeds af of AI haar grootste uitdaging kan aangaan: het vinden van snellere, goedkopere manieren om nieuwe medicijnen te ontwikkelen.
Aanbevolen video’s
Ondanks dat er miljarden in onderzoek zijn gestoken, duurt de ontwikkeling van nieuwe medicijnen doorgaans nog steeds tien jaar of langer.
Insitro, opgericht in 2018, maakt deel uit van een groeiend veld van AI-bedrijven die beloven de ontdekking van geneesmiddelen te versnellen door machinaal leren te gebruiken om enorme datasets van chemische en biologische markers te analyseren. Het in Zuid-San Francisco gevestigde bedrijf heeft overeenkomsten gesloten met medicijnfabrikanten als Eli Lilly en Bristol Myers Squibb om medicijnen te helpen ontwikkelen voor stofwisselingsziekten, neurologische aandoeningen en degeneratieve aandoeningen.
Vraag: Waarom is de ontwikkeling van geneesmiddelen zo moeilijk?
A: Ik denk dat het probleem met de ontdekking van medicijnen is dat we proberen in te grijpen in een systeem dat we maar een beetje begrijpen. Veel van de successen die we de afgelopen vijftien tot twintig jaar hebben gezien, zijn het gevolg van het feit dat we voldoende inzicht in het systeem hebben gekregen, zodat we daadwerkelijk interventies kunnen ontwerpen die erop aansluiten.
Een van de dingen die we bij Insitro proberen te doen is de onderliggende complexiteit van heterogene ziekten ontrafelen en nieuwe interventiemethoden identificeren die misschien niet de hele bevolking kunnen helpen, maar misschien slechts een deel ervan. Op die manier kunnen we echt de juiste therapeutische hypothese identificeren om in te grijpen in een bepaalde patiëntenpopulatie. En dat is volgens mij de echte kern van het gebrek aan succes in de sector.
Vraag: Bedrijven als Eli Lilly hebben duizenden medische wetenschappers en onderzoekers in dienst. Wat kan jouw technologie dat die experts niet kunnen?
A: Een van de dingen die parallel aan de AI-revolutie hebben plaatsgevonden, is een veel stillere revolutie in wat ik kwantitatieve biologie noem, namelijk het vermogen om biologische systemen met ongekende betrouwbaarheid te meten. Met steeds betere metingen en technologie kun je systemen als eiwitten en cellen meten.
Maar als je die gegevens aan iemand geeft, worden zijn ogen glazig, omdat er maar een beperkt aantal cellen is waar iemand naar kan kijken en maar een beperkt aantal subtiliteiten in deze beelden kan zien. Mensen zijn slechts beperkt in hun vermogen om subtiele verschillen waar te nemen.
Je krijgt dus een zeer reductionistische kijk op een zeer complex, veelzijdig systeem dat heel belangrijk is om de verschillen tussen patiënten te ontrafelen en te ontdekken waar een interventie echt een verschil kan maken.
Vraag: Hoe raakte u geïnteresseerd in dit vakgebied?
A: Mijn PhD was in computerwetenschappen. Maar ik begon me in 1998 of 1999 te verdiepen in machine learning ten dienste van biomedische problemen.
Destijds waren de problemen die machinaal leren kon aanpakken, eerlijk gezegd niet erg inspirerend. Hoe geïnspireerd kun je raken bij het classificeren van spam versus niet-spam in een dataset van e-mailberichten?
Ik was op zoek naar iets dat meer rijkdom had. En mijn eerste kennismaking met dit vakgebied was niet omdat ik er bijzonder in geïnteresseerd was om bioloog te worden, maar omdat ik op zoek was naar technisch meer uitdagende vragen. En toen ik me erin begon te verdiepen, raakte ik op zichzelf geïnteresseerd in biologie.
Vraag: Bij Insitro zijn zowel computerwetenschappers als medische onderzoekers werkzaam. Was er sprake van een cultuurclash om deze twee groepen te laten samenwerken?
A: Dit is waarschijnlijk een van de belangrijkste dingen die we als organisatie hebben bereikt.
Je kunt de meest geavanceerde wetenschappers met de beste bedoelingen van beide kanten samen in dezelfde kamer zetten en ze kunnen net zo goed Thais en Swahili met elkaar spreken.
Als ingenieur ben je op zoek naar de sterkste, meest consistente patronen waarmee je voorspellingen kunt doen over een meerderheid van cellen of individuen. Als levenswetenschapper ben je vaak op zoek naar de uitzonderingen, omdat dit de draden zijn die tot nieuwe ontdekkingen kunnen leiden.
Daarom hebben we een aantal culturele elementen en organisatorische elementen ingevoerd om mensen te helpen open, constructief en met respect met elkaar om te gaan.