جان بیلر، دکتری ، SVP توسعه تجارت در BPGBIO ، بیش از دو دهه تجربه در زمینه بیوتکنولوژی و توسعه تجارت ، با تخصص گسترده ای در زمینه های درمانی جدید به ارمغان می آورد. او قبل از پیوستن به BPGBIO ، اخیراً به عنوان رهبری جستجوی و ارزیابی توسعه تجارت در خدمت بوده است Squibb Bristol-Myers جایی که وی در منابع و ارزیابی فرصت های صدور مجوز و مشارکت های استراتژیک محوری بود.
bpgbio بیوفارما مرحله بالینی پیشرو در زمینه زیست شناسی-پیشرو در زمینه زیست شناسی با تمرکز بر زیست شناسی میتوکندری و هموستاز پروتئین است. این شرکت دارای خط لوله عمیقی از درمان های AI توسعه یافته است که آنکولوژی ، بیماری نادر و عصب شناسی را شامل می شود ، از جمله چندین مورد در آزمایشات بالینی در اواخر مرحله. رویکرد رمان Bpgbio توسط NAI ، پلت فرم زیست شناسی بازجویی اختصاصی آن ، که توسط بیش از 400 حق ثبت اختراع ایالات متحده و بین المللی محافظت می شود ، زیربنایی است. یکی از بزرگترین بیوبان های غیر دولتی حاشیه نویسی در جهان با نمونه های طولی. و دسترسی انحصاری به قدرتمندترین رایانه در جهان.
چه چیزی الهام بخش از پلت فرم Biology ® NAI است ، و چگونه BPGBIO را از سایر شرکت های بیوفارما که از AI استفاده می کنند ، متمایز می کند؟
از زمان پیوستن به BPGBIO ، من به طور مداوم تحت تأثیر عمق نوآوری و دید طولانی مدت قرار گرفته ام که به ساخت پلت فرم Biology Introgative Biology® NAI رفت. به عنوان کسی که دو دهه در بیوتکنولوژی و توسعه تجارت گذرانده است-ارزیابی طیف گسترده ای از سیستم عامل ها و شرکت ها-می توانم بگویم که NAI برای بنیاد زیست شناسی اول خود و عمق داده های مورد بازجویی است.
BPGBIO از اولین کسانی بود که پیشگام هوش مصنوعی برای کشف مواد مخدر بود. در طی 15 سال گذشته ، این تیم NAI را به یک بستر ادغام داده های چندمیک اختصاصی و یکی از بزرگترین بیوگارهای طولی جهان تصفیه کرده است. Unlike other companies that rely on narrow technologies or public datasets for a single disease discovery program, we integrate multiomics capabilities with our own proprietary biobank that houses hundreds of thousands of longitudinal, clinically annotated samples and use causal Bayesian AI, not generative AI modeling to uncover biologically-based insights, that can inform virtually any stage of drug discovery and increase the likelihood of clinical development success. ما فقط اهداف را شناسایی نمی کنیم. ما از هوش مصنوعی برای طراحی کارآزمایی های بالینی خود ، درک نتایج آزمایشات بالینی خود استفاده می کنیم و رویکردهای درمانی خود را اصلاح می کنیم.
نتایج ما برای خودشان صحبت می کنند: ما یکی از پیشرفته ترین و قوی ترین خطوط لوله بالینی در صنعت بیوتکنولوژی هوش مصنوعی داریم. این خط لوله شامل دو کارآزمایی فعال فاز 2 در سرطانهای تهاجمی ، برنامه های چند فاز 3 آماده و بیش از صد هدف جدید و نشانگرهای زیستی است که ما با استفاده از مدل های هوش مصنوعی ما شناسایی کرده ایم.
آیا می توانید ما را از طریق چگونگی رویکرد زیست شناسی-اول BPGBIO در روند شتاب و خطر در روند کشف مواد مخدر طی کنید؟
توسعه دارو تقریباً ده درصد موفقیت در تصویب FDA دارد و این نشان دهنده خطرات و چالش های اساسی در ارتباط با ایجاد یک داروی جدید به بازار است. بنابراین ، این نیست که چقدر سریع و چند هدف را کشف می کنید که اهمیت دارد. این کیفیتی است که حساب می شود.
در حالی که هوش مصنوعی ممکن است به سرعت بخشیدن به روند کشف کمک کند ، استفاده از هوش مصنوعی ، به ویژه هوش مصنوعی ، به همان مجموعه داده های عمومی مورد استفاده در فرآیند کشف دارویی سنتی ، لزوماً نتایج آزمایش بالینی را تغییر نمی دهد ، که در نهایت تنها چیزی است که مهم است.
رویکرد اول زیست شناسی ما از کیفیت ، عمق ، دقت ، جامع بودن و کمیت داده هایی که به مدل های هوش مصنوعی ما می رود ، تضمین می کند. در تجزیه و تحلیل multiomics ما ، ما فراتر از تجزیه و تحلیل RNA و DNA هستیم. علاوه بر ژنومیک و رونوشت ، دانشمندان ما پروتئومیک ، لیپیدومیک و متابولیک را در تمام لایه های زیست شناسی انسان – اورگان ، بافت ، سلول و اندامک ها نشان می دهند – و ما داده های عظیم بی طرفانه را به مدلهای علت هوش مصنوعی خود برای بینش های جدید تغذیه می کنیم.
این رویکرد گسترده و هوش مصنوعی به ما امکان می دهد تا فراتر از منطقه بیماری جستجو کنیم تا سریعتر “علت ریشه” را پیدا کنیم. بعد از اینکه هوش مصنوعی به یافتن “علت ریشه” کمک می کند ، و قبل از اینکه به آزمایشات بالینی برویم ، به آزمایشگاه مرطوب می رویم تا بینش از هوش مصنوعی را تأیید کنیم. تمرکز بر زیست شناسی انسان به ما کمک می کند تا روند کشف و توسعه خود را در معرض خطر و خطر قرار دهیم.
این رویکرد حلقه بسته عدم اطمینان را کاهش می دهد و در نهایت روند توسعه را از بین می برد. از دیدگاه من در توسعه تجارت ، این مهم برای ایجاد اعتماد به نفس با شرکای بالقوه است – زیرا رویکرد ما احتمال موفقیت را از ابتدا بهبود می بخشد.
چگونه ادغام هوش مصنوعی با سریعترین ابر رایانه ، مرز ، توانایی شما در تجزیه و تحلیل داده های بیمار و شناسایی اهداف دارویی را افزایش می دهد؟
از طریق همکاری با وزارت انرژی ایالات متحده ، ما دسترسی انحصاری به ابر رایانه مرزی در آزمایشگاه ملی اوک ریج برای تجزیه و تحلیل توسعه دارو داریم. این ابر رایانه می تواند 1.35 محاسبات کوینتیلیون در ثانیه را انجام دهد.
این قدرت محاسباتی ما را قادر می سازد تا از مجموعه داده های عظیم خود برای شناسایی الگوهای ، همبستگی ها ، علت ها و بینش های عملی استفاده کنیم که در غیر این صورت در تجزیه و تحلیل های در مقیاس کوچکتر مبهم باقی می مانند و زمان مورد نیاز را از ماه ها به ساعت ها کاهش می دهد.
به عنوان مثال ، در طول COVID ، سوابق پزشکی الکترونیکی (EMR) 280،000 بیمار را به همراه اطلاعات بالینی آنها تجزیه و تحلیل کردیم. ما عوامل خطر ژنتیکی را برای گروه های قومی خاص شناسایی کردیم و راه را برای پزشکی شخصی هموار کردیم. ما 1.2 میلیارد ماده مختلف را برای کشف درمان های بالقوه COVID در فقط چند ساعت تجزیه و تحلیل کردیم.
از دیدگاه تجاری ، این قدرت محاسباتی ما را قادر می سازد تا بینش ها را سریعتر و مؤثرتر از سایرین باز کنیم و زمان مشارکت ، آزمایشات بالینی و در نهایت سود بیمار را تسریع کنیم.
BPGBIO برنامه های بالینی در سرطان گلیوبلاستوما و پانکراس دارد. چه بینش های منحصر به فردی در این زمینه ها از پلت فرم NAI پرده برداشته است و چگونه آزمایشات شما را شکل داده اند؟
BPGBIO به طور فعال یک کارآزمایی فاز 2B را روی گلیوبلاستوما (GBM) اجرا می کند و یک کارآزمایی فاز 2A را برای سرطان لوزالمعده انجام داده است ، هر دو آزمایش با نامزد داروی مولکول کوچک ما BPM31510.
از طریق سکوی NAI ، ما فهمیدیم که بیشتر تومورهای جامد تهاجمی ناشی از اختلال عملکرد میتوکندری در محیط تومور است. BPM31510 ، ubidecarenone است که حاوی نانودریس با اثرات ضد سرطان است که توسط مکانیسم های مولکولی در میتوکندری که باعث روند تنظیم مرگ سلول های سرطانی می شود ، است. ما یک مطالعه فاز 1 با برچسب باز 128-بیمار را در BPM31510 انجام دادیم ، و نتایج کارآزمایی بالینی بینش هایی را که NAI کشف کرده بود ، تأیید کرد. NAI متعاقباً به ما کمک کرده است تا تقریباً در هر جنبه ای از این روشهای درمانی ، از دوز بهینه و زمان بندی گرفته تا انتخاب بیمار بهینه سازی کنیم. محاکمه GBM ما در حال حاضر استخدام شده است و ما انتظار داریم نتایج آزمایش GBM Phase 2 را در اواخر سال جاری گزارش دهیم.
بیماریهای نادر مانند کمبود COQ10 اولیه و اپیدرمولیز Bullosa یک تمرکز اصلی برای BPGBIO است. در مقابله با این شرایط چه چالش ها و فرصت هایی را مشاهده می کنید؟
بیماریهای نادر کودکان به دلیل پیچیدگی و شیوع کم ، اغلب فاقد گزینه های درمانی مؤثر هستند و کودکان با این شرایط معمولاً با امید به زندگی کوتاه روبرو هستند. این چالش هایی را برای استخدام آزمایش ، ناوبری نظارتی و توسعه درمانی ایجاد می کند.
در BPGBIO ، ما مفتخریم که این چالش های پیچیده را بر عهده بگیریم. ترکیب سرب ما ، BPM31510 ، چندین مورد از FDA – از جمله داروی یتیم و تعیین بیماری های نادر کودکان – برای کمبود COQ10 اولیه و اپیدرمولیز Bullosa (EB) دریافت کرده است. اینها نقاط عطف مهمی هستند که منعکس کننده پتانسیل بالینی برنامه های ما هستند و پس از تصویب ، درهای کوپن های بررسی اولویت را باز می کنند.
ما در حال برنامه ریزی یک آزمایش فاز 3 برای کمبود اولیه COQ10 هستیم و به طور جدی برای پیشبرد برنامه EB خود به بررسی مشارکت ها می پردازیم. این شامل ارزیابی فرمولاسیون های موضعی به عنوان گزینه های درمانی است. ما معتقدیم که پلت فرم BPGBIO می تواند در این فضا تأثیر تحول آمیز ایجاد کند.
هوش مصنوعی بیزی نقش مهمی در سکوی شما ایفا می کند. چگونه به طور خاص در شناسایی اهداف دارویی جدید یا نشانگرهای زیستی کمک می کند؟
هوش مصنوعی بیزی ، سکوی ما را قادر می سازد تا فراتر از شناسایی انجمن ها برای کشف روابط علت و معلولی که باعث بیماری می شود ، حرکت کند. این مدل عدم اطمینان ، تنوع داده ها را به خود اختصاص می دهد ، و پیش بینی های بسیار قوی را ایجاد می کند که هدایت درمانی و زیست نشانگر را هدایت می کند.
با ادغام چندمیک طولی و داده های بالینی ، مدل های ما می توانند مکانیسم های بیولوژیکی پیشرفت بیماری و نقاط مداخله بهینه را شناسایی کنند. این باعث می شود روند کشف دقیق تر و توسعه پایین دست قابل پیش بینی تر باشد.
از دیدگاه استراتژیک ، این فوق العاده با ارزش است. اعتبارسنجی آنچه را که هدف قرار می دهد و چرا اهمیت آن از نظر بیولوژیکی نحوه اولویت بندی برنامه ها ، طراحی آزمایشات و صحبت با شرکا را تغییر می دهد. این اعتماد به نفس در علم ایجاد می کند.
کار شما در مورد آنزیم های E2 برای تخریب پروتئین هدفمند پیشگامانه است. چگونه سکوی NAI در هدف قرار دادن پروتئین های “غیرقابل توصیف” بر چالش های سنتی غلبه کرد؟
برنامه تخریب پروتئین هدفمند مبتنی بر E2 BPGBIO (TPD) یکی از مهیج ترین و ابتکاری ترین مناطق خط لوله ما است. رویکردهای سنتی TPD به لیگازهای E3 متکی هستند ، که دامنه هدف را محدود می کند و می تواند منجر به مقاومت در برابر دارو شود. رویکرد ما از مجتمع های آنزیم E2 اصلاح شده پس از ترجمه-که توسط سکوی NAI ساخته شده است-برای گسترش پروتئوم قابل دارو استفاده می کند.
این یک رویکرد در کلاس اول است و کشش اولیه که می بینیم توجه دارویی و بیوتکنولوژی را به خود جلب کرده است. ما در حال حاضر این کار را در آنکولوژی ، عصب شناسی و بیماریهای نادر اعمال می کنیم. این یک مثال عالی از چگونگی پشتیبانی NAI فقط از کشف نیست – این امکان را برای ما فراهم می کند تا در مورد آنچه در تولید مواد مخدر امکان پذیر است ، تجدید نظر کنیم.
چگونه BPGBIO بینش های محور AI را با نظارت انسانی تعادل می دهد تا از اعتبار اکتشافات شما اطمینان حاصل کند؟
در BPGBIO ، ما AI را به عنوان ابزاری قدرتمند – اما نه جایگزینی – برای تخصص انسانی می بینیم. بینش های هوش مصنوعی ما در داده های بیولوژیکی با کیفیت بالا پایه گذاری شده است و به طور مداوم توسط تیم های زیست شناسان ، پزشکان و دانشمندان داده ما مورد اعتبار قرار می گیرند.
این همکاری تضمین می کند که هر بینش در زمینه های بیولوژیکی و بالینی قرار می گیرد. این یکی از دلایلی است که BPGBIO در کارآزمایی های بالینی به چنین میزان موفقیت بالایی دست یافته است – ما سرعت و مقیاس هوش مصنوعی را با سخت گیری و قضاوت علمی ترکیب می کنیم که فقط متخصصان باتجربه می توانند به ارمغان بیاوریم.
چه پتانسیلی را برای نشانگرهای زیستی کشف شده در هوش مصنوعی برای انقلابی در تشخیص زودرس در بیماری هایی مانند پارکینسون می بینید؟
قدرت سکوی ما در توانایی آن در بازجویی از زیست شناسی به طور گسترده و عمیق نهفته است – بنابراین وقتی NAI هدف را برای اهداف درمانی کشف می کند ، اغلب می توان از آن به صورت تشخیصی نیز استفاده کرد.
در بیماری پارکینسون ، ما مدل های زیست شناسی سیستم هایی را با استفاده از نمونه های بیمار از نزدیک 400 نفر توسط موسسه پارکینسون ساخته ایم و N- استیلپترسین (NAP) را به عنوان یک نشانگر جدید مبتنی بر خون شناسایی کردیم. ما آن را از طریق یک پانل تشخیصی دارای مجوز CLIA تأیید کرده ایم ، و مطالعه منتشر شده ما نشان داد که وقتی با ویژگی های بالینی مانند از دست دادن بویایی و اختلال در خواب REM ترکیب می شود ، این پانل به طور قابل توجهی دقت تشخیصی و ارزیابی خطر اولیه را بهبود می بخشد. این پتانسیل را برای فعال کردن مداخله قبلی و بهبود نتایج بیمار دارد.
چه نقشی را می بینید که BPGBIO در شکل دادن به آینده پزشکی دقیق بازی می کند؟
در معالجه بیماران هیچ اندازه یک اندازه وجود ندارد. زیست شناسی-اول AI با کشف بینش های جدید که به بیماران زیرگروه کمک می کند ، می تواند داروی دقیق را تغییر دهد ، بنابراین باعث بهبود طراحی آزمایش ، طبقه بندی بیمار و میزان موفقیت درمانی می شود. این بینش ها منجر به توسعه کارآمد تر تشخیص و درمان برای طیف وسیعی از بیماری های نادر و پیچیده می شود.
این صنعت با استفاده از AI برای بازجویی از ورودی های بیولوژیکی و مدل های ترجمه ، می تواند پتانسیل کامل AI را برای تغییر رشد دارو و ارائه پیشرفت هایی که نیازهای پزشکی برآورده نشده را باز می کند ، باز کند. فصل بعدی پزشکی دقیق توسط کسانی که می توانند نوآوری را با Impact جفت کنند ، نوشته خواهد شد و BPGBIO آماده رهبری این اتهام است.
با تشکر از شما برای مصاحبه عالی ، خوانندگانی که مایل به کسب اطلاعات بیشتر هستند باید از آنها بازدید کنند bpgbioبشر
