[E-DailyKIM JI-WAN 记者] “因为AI自己并不知道它错了。”
Geninus首席执行官兼三星首尔医院基因组研究所所长朴雄阳,在9日于首尔松坡区文井洞总部接受采访时,如此解释了将实验验证与AI新药研发相结合的原因。即便是AI因前景广阔而筛选出的靶点,在实际癌细胞中也可能产生与预期不符的结果。他的意思是,必须通过实验来确认哪些是正确的、哪些是错误的,并让AI重新学习这些结果,才能使下一次预测更加准确。
9日,Geninus首席执行官兼三星首尔医院基因组研究所所长朴雄阳在首尔松坡区文井洞总部,阐述了将AI预测与实验验证相结合的“AI反馈循环”新药研发战略。(照片来源:KIM JI-WAN 记者)
GENINUS Inc.(389030)这正是该公司所推进的“AI反馈循环”的核心。利用患者数据寻找靶点,并将实验室验证的结果再次反馈给AI。AI反馈循环是一种实验验证(数据×人工智能×实验室)再学习结构。
朴代表表示:“仅通过文献和公共数据进行学习的AI虽然能无限提出看似合理的靶点,但无从得知其中哪些能在实际患者细胞中发挥作用。”他补充道:“实验是揭示正确答案的唯一途径,只有将实验结果反馈给AI,AI才能‘进化’。”
朴代表解释道:“Geninus的AI并非用于设计‘物质’的AI,而是用于确定‘攻击目标’的AI。”
如果靶点选择错误,即使抗体能很好地结合也无济于事。如果该蛋白质在癌细胞中含量不足,疗效就会受限;如果正常细胞中也存在该蛋白质,则会产生攻击正常组织的风险。
Intellibil通过比较实际对治疗有反应的患者与无反应患者的组织样本来寻找靶点。在此基础上,结合空间组学技术获取细胞位置信息。通过区分特定蛋白质是否出现在癌细胞中,还是出现在其旁边的正常细胞中,从而解读出被组织整体平均值所掩盖的差异。
朴代表表示:“Intelliville将肿瘤细胞与正常细胞的区分准确率从79%提升至98%,从而从靶点选择的起点上减少了误差”,并指出“作为区分治疗反应的预测性能指标,AUC也从0.756提升至0.924”。
这两个数值分别体现了准确区分目标细胞的能力以及筛选出对治疗有反应的患者的能力。
朴代表强调:“这是从一开始就筛选出在人体内起效概率较高的靶点”,并指出:“如果靶点选择正确,后续阶段的失败和重试次数就会减少,从而缩短整体研发周期。”
流程顺序是:生成患者数据,AI预测靶点,实验室进行验证,然后将结果重新纳入学习。不仅成功结果,未达预期的结果也能成为学习资料。
朴代表指出:“通常情况下,预测由AI公司负责,验证则由制药公司负责”,并表示“因此,失败的数据不会反馈给AI公司”。他接着补充道:“如果预测和验证分离,AI可能无法获得足够的信息来修正自己的判断。”
Geninus通过将医院联合研究产生的数据、AI分析及抗体验证环节有机衔接,消除了这种脱节。其运作方式是将分析过程中产生的问题反馈到实验中,并将实验中确认的问题重新纳入分析。
他强调了这种结构上的差异:“由于Geninus将AI和实验室整合在同一家公司内,因此能够快速高效地获得所需的答案。”
他所指出的核心竞争力在于与治疗反应相关的患者数据。仅了解癌细胞的特性是不够的。他解释道,只有弄清使用了哪种药物、对谁有效、谁产生了耐药性,才能找到下一个攻击点。
朴代表强调:“附有治疗反应的患者组织数据,是以细胞和位置为单位直接生成的,无法用金钱购买或下载”,并指出“这是自公司成立以来持续开展的医院联合研究的成果”。
在验证环节,公司同样利用从真实患者体内获取的癌细胞。在自有实验室中,针对患者来源的细胞评估抗体的结合与功能。通过确认从患者数据中发现的靶点在患者来源的癌细胞中是否有效,并将结果重新输入AI进行训练。
另一项竞争力在于重复这一过程的速度。无论AI提出靶点的速度有多快,如果没有后续实验,最终只会积累预测结果。Geninus的战略是将数据生成、AI分析和实验验证在内部有机结合,从而迅速获取下一次判断所需的依据。
他强调:“竞争对手难以追赶的并非算法,而是‘带有正确答案的数据’和‘快速生成正确答案的速度’”,并指出:“即使从相同的数据开始,循环10次的公司与循环2次的公司,其AI在一年后将截然不同。”
Geninus计划通过动物实验结果来验证IntelliVille的技术实力。Geninus已发掘出4个乳腺癌新靶点。目前,该公司正在获取并筛选针对各靶点的抗体,同时验证其结合性、功能及作用机制。
朴代表表示:“这些靶点是否有效,最终必须通过动物实验和临床试验来证明”,并充满信心地表示:“关于IntelliVille发现的乳腺癌新靶点是否有效,答案将在明年上半年的动物实验结果中揭晓。”
Geninus首席执行官兼三星首尔医院基因组研究所所长朴雄阳,在9日于首尔松坡区文井洞总部接受采访时,如此解释了将实验验证与AI新药研发相结合的原因。即便是AI因前景广阔而筛选出的靶点,在实际癌细胞中也可能产生与预期不符的结果。他的意思是,必须通过实验来确认哪些是正确的、哪些是错误的,并让AI重新学习这些结果,才能使下一次预测更加准确。
GENINUS Inc.(389030)这正是该公司所推进的“AI反馈循环”的核心。利用患者数据寻找靶点,并将实验室验证的结果再次反馈给AI。AI反馈循环是一种实验验证(数据×人工智能×实验室)再学习结构。
朴代表表示:“仅通过文献和公共数据进行学习的AI虽然能无限提出看似合理的靶点,但无从得知其中哪些能在实际患者细胞中发挥作用。”他补充道:“实验是揭示正确答案的唯一途径,只有将实验结果反馈给AI,AI才能‘进化’。”
“在设计药物之前,先确定攻击目标”Geninus的AI新药研发平台“Intellibil”专注于靶点发现,即筛选
应攻击癌细胞中哪些蛋白质。这意味着在设计药物的分子结构之前,首先要找到决定治疗效果和安全性的靶点。
朴代表解释道:“Geninus的AI并非用于设计‘物质’的AI,而是用于确定‘攻击目标’的AI。”
如果靶点选择错误,即使抗体能很好地结合也无济于事。如果该蛋白质在癌细胞中含量不足,疗效就会受限;如果正常细胞中也存在该蛋白质,则会产生攻击正常组织的风险。
Intellibil通过比较实际对治疗有反应的患者与无反应患者的组织样本来寻找靶点。在此基础上,结合空间组学技术获取细胞位置信息。通过区分特定蛋白质是否出现在癌细胞中,还是出现在其旁边的正常细胞中,从而解读出被组织整体平均值所掩盖的差异。
朴代表表示:“Intelliville将肿瘤细胞与正常细胞的区分准确率从79%提升至98%,从而从靶点选择的起点上减少了误差”,并指出“作为区分治疗反应的预测性能指标,AUC也从0.756提升至0.924”。
这两个数值分别体现了准确区分目标细胞的能力以及筛选出对治疗有反应的患者的能力。
朴代表强调:“这是从一开始就筛选出在人体内起效概率较高的靶点”,并指出:“如果靶点选择正确,后续阶段的失败和重试次数就会减少,从而缩短整体研发周期。”
失败也是学习素材……“验证结果必须反馈给AI”如果AI选定了靶点,接下来就轮到实验室了。需要获取与该靶点结合的抗体,并确认其在实际细胞中是否表现出预期功能。Geninus正在将AI与实验室连接起来,以便将这些结果用于下一次预测。
流程顺序是:生成患者数据,AI预测靶点,实验室进行验证,然后将结果重新纳入学习。不仅成功结果,未达预期的结果也能成为学习资料。
朴代表指出:“通常情况下,预测由AI公司负责,验证则由制药公司负责”,并表示“因此,失败的数据不会反馈给AI公司”。他接着补充道:“如果预测和验证分离,AI可能无法获得足够的信息来修正自己的判断。”
Geninus通过将医院联合研究产生的数据、AI分析及抗体验证环节有机衔接,消除了这种脱节。其运作方式是将分析过程中产生的问题反馈到实验中,并将实验中确认的问题重新纳入分析。
他强调了这种结构上的差异:“由于Geninus将AI和实验室整合在同一家公司内,因此能够快速高效地获得所需的答案。”
“即使从相同的数据出发,一年后AI也会发生变化”朴代表表示:“封闭式、进化型AI模型的概念已很普遍”,并指出:“差异性不在于概念本身,而在于用什么来驱动循环,以及循环的速度有多快。”
他所指出的核心竞争力在于与治疗反应相关的患者数据。仅了解癌细胞的特性是不够的。他解释道,只有弄清使用了哪种药物、对谁有效、谁产生了耐药性,才能找到下一个攻击点。
朴代表强调:“附有治疗反应的患者组织数据,是以细胞和位置为单位直接生成的,无法用金钱购买或下载”,并指出“这是自公司成立以来持续开展的医院联合研究的成果”。
在验证环节,公司同样利用从真实患者体内获取的癌细胞。在自有实验室中,针对患者来源的细胞评估抗体的结合与功能。通过确认从患者数据中发现的靶点在患者来源的癌细胞中是否有效,并将结果重新输入AI进行训练。
另一项竞争力在于重复这一过程的速度。无论AI提出靶点的速度有多快,如果没有后续实验,最终只会积累预测结果。Geninus的战略是将数据生成、AI分析和实验验证在内部有机结合,从而迅速获取下一次判断所需的依据。
他强调:“竞争对手难以追赶的并非算法,而是‘带有正确答案的数据’和‘快速生成正确答案的速度’”,并指出:“即使从相同的数据开始,循环10次的公司与循环2次的公司,其AI在一年后将截然不同。”
Geninus计划通过动物实验结果来验证IntelliVille的技术实力。Geninus已发掘出4个乳腺癌新靶点。目前,该公司正在获取并筛选针对各靶点的抗体,同时验证其结合性、功能及作用机制。
朴代表表示:“这些靶点是否有效,最终必须通过动物实验和临床试验来证明”,并充满信心地表示:“关于IntelliVille发现的乳腺癌新靶点是否有效,答案将在明年上半年的动物实验结果中揭晓。”