La IA generativa y el futuro de la biotecnología: entrevista con la nominada a Startups del año, NExtNet Inc.

Hola hackers,

NExTNet Inc. ha sido nominada en los premios anuales Startup of the Year de HackerNoon en San Francisco, EE. UU.

Por favor vote por nosotros aquí .

Lea más sobre nosotros a continuación para comprender por qué merecemos su voto.

Conozca NExTNet Inc.

NExTNet es una startup de software empresarial con sede en Silicon Valley, respaldada por una empresa, que desarrolla tecnologías de IA generativa para aplicaciones de misión crítica en biotecnología y farmacia. Nuestra misión es organizar e integrar el conocimiento biomédico del mundo y hacerlo accesible. Imagine NExTNet = Oracle x Palantir. Conoce a nuestro equipo aquí .

Mi papel

A finales de 2017, fundé Mekonos, una empresa de plataforma biotecnológica de rápido crecimiento que desarrolla tecnologías innovadoras de chips de silicio para acelerar el desarrollo de la medicina personalizada. Imaginemos a Nvidia para la biotecnología. Fundé NExTNet a finales de 2020, frustrado por la barrera técnica extremadamente alta para acceder al conocimiento disperso enterrado dentro de montañas de información y datos biomédicos multimodales y dispares. Nuestro objetivo es democratizar el acceso al conocimiento biomédico mundial para acelerar el descubrimiento y desarrollo de fármacos. Hay más de 23.500 enfermedades conocidas por la humanidad, de las cuales aproximadamente el 3% tienen algún tipo de cura o tratamiento.

Cómo estamos alterando la intersección de la IA y la industria biomédica

Aproximadamente el 95% de los datos del mundo se han generado en los últimos 5 a 10 años. La aparición de datos biomédicos multimodales de alta resolución (decenas de millones de publicaciones científicas, patentes, subvenciones, datos de secuenciación, expresión de genes y proteínas, compuestos farmacológicos, vías bioquímicas, enfermedades, imágenes, etc.) a escala ha dado lugar a una enorme cantidad de conocimiento humano disperso en silos de datos. Cuestionar todo ese conocimiento se ha vuelto notablemente complejo.

En NExTNet, utilizamos nuestra pila patentada de modelos de lenguaje grande para buscar asociaciones entre contenido científico en texto (por ejemplo, literatura publicada, registros de ensayos clínicos, patentes) y otras bases de datos públicas y patentadas (secuenciación de genes, expresión de proteínas, enfermedades, vías, patógenos). , medicamentos, imágenes...) y vincularlos semánticamente a la red semántica científica de más rápido crecimiento en el mundo. La barrera técnica para consultar y acceder a ese conocimiento disperso es alarmantemente alta: un investigador promedio necesitaría tener un amplio conocimiento de la interfaz de línea de comandos, dominar innumerables bibliotecas de R, aprender un conjunto completo de paquetes de Python o diseñar consultas complejas utilizando lenguajes como como SQL, SPARQL, etc.

La plataforma nativa de la nube de NExTNet permite a estos investigadores y científicos hacer y responder preguntas complejas en un lenguaje natural simple sin tener que dominar la codificación, los lenguajes de consulta o las estadísticas arcanas. Nuestro avance comercial y tecnológico está permitiendo a los científicos identificar patrones ocultos en lo profundo de conjuntos de datos dispares y multimodales, que van desde artículos científicos e informes de ensayos clínicos hasta atlas de secuenciación genética y expresión de proteínas, para que puedan encontrar rápidamente pistas enterradas en montañas de información. a través de nuestra interfaz gráfica de usuario (GUI). Estamos alterando la intersección del lenguaje y la inteligencia artificial generativa y la industria biomédica.

Destacando entre la multitud

El descubrimiento de conocimientos para la I+D en ciencias biológicas es un mercado en desarrollo embrionario. El problema clave de la biomedicina actual:

• El conocimiento biomédico está creciendo a un ritmo exponencial.

• A medida que aumenta la cantidad de datos dispares (por ejemplo, textos científicos, datos moleculares de secuenciación, edición de genes y otros experimentos, etc.), a los investigadores les resulta cada vez más difícil mantenerse actualizados con los últimos avances.

• Dado que la barrera técnica para acceder al conocimiento enterrado en lo profundo de todos estos silos de datos multimodales es muy desafiante sin el conocimiento de la interfaz de línea de comandos, las decisiones se toman sin conocimientos clave ni conocimientos perdidos.

  
  

En NExTNet, nuestro aumento de valor 10 veces superior al de la competencia es que nuestro canal de IA generativa de última generación no solo lee decenas de millones de textos científicos (publicaciones completas revisadas por pares, resúmenes, patentes, subvenciones, etc.), sino que también analiza un corpus masivo de bases de datos moleculares (genes, proteínas y vías) y minas en busca de asociaciones y patrones ocultos en estos datos dispares (de dominio público y propietarios). Nuestros competidores simplemente se limitan a la minería de textos sin expandirse a otras modalidades de datos.

Nuestras predicciones/pensamientos sobre la industria de descubrimiento y desarrollo de fármacos/investigación biomédica en 2023

• Como empresa emergente, nos estamos enfocando en el mercado de descubrimiento y desarrollo de fármacos debido a la gran cantidad de dinero que se gasta antes de realizar cualquier ensayo clínico en las fases preclínicas en el transcurso de al menos 3 a 7 años. También se invierte una cantidad significativa de dinero de capital de riesgo en empresas de descubrimiento de fármacos de IA (Atomwise, Insilico, Benevolent AI, Exscientia, Insitro, Recursion, etc. que tienen su propia línea terapéutica).

  
  

• Dados los importantes riesgos asociados con la comercialización de un medicamento, junto con los largos plazos de desarrollo (que pueden extenderse hasta una década o incluso más), la colaboración con agencias reguladoras como la FDA, etc., y el largo ciclo de las asociaciones de codesarrollo (por ejemplo, anticipos + hitos + regalías), decidimos desde el principio centrarnos únicamente en el desarrollo de software y más bien permitir que otras empresas biotecnológicas y farmacéuticas que desarrollan terapias de vanguardia 'contextualize' sus datos patentados sobre la red de conocimiento semántico de NExTNet --> preguntar y responder preguntas biológicas complejas para avanzar en sus esfuerzos de desarrollo de fármacos. Una empresa como Benchling ha tenido un éxito significativo hasta ahora como empresa de software empresarial.

  
  

• Para dar una idea del enorme costo del descubrimiento y desarrollo de fármacos: hace 30 años, se necesitaban ~300 millones de dólares para llevar un medicamento al mercado, frente a los actuales se necesitan ~2.400 millones de dólares (teniendo en cuenta la inflación). Esto no se debe a que cualquier etapa del proceso de descubrimiento y desarrollo de una determinada molécula se haya vuelto mucho más costosa. De hecho, ha habido aumentos significativos en la productividad en varias de estas etapas, por lo que, en todo caso, el costo total de llevar un medicamento al mercado debería haberse abaratado. La verdadera razón de los costos tan altos al llevar un medicamento al mercado es que la mayoría de los medicamentos que ponemos en cada fase fallan y el embudo se ha vuelto cada vez más ancho, estrechándose a un número cada vez menor de medicamentos que llegan al mercado. la siguiente fase.

  
  

• Esto es claramente una falla en nuestra capacidad para observar características (por ejemplo, comprender los mecanismos moleculares de acción, procesos biológicos, etc.) en una etapa y predecir qué tendrá éxito en la siguiente etapa. Aquí es donde mejores modelos predictivos de aprendizaje automático (por ejemplo, IA en lenguaje natural) pueden ser de gran ayuda.

  
  

• Además, las enfermedades se han diagnosticado tradicionalmente por sus síntomas y su ubicación en el cuerpo y no por los mecanismos moleculares, vías o procesos biológicos subyacentes exclusivos de un paciente específico. Identificar objetivos y descubrir conexiones con vías en las primeras etapas de la progresión de la enfermedad ayuda a intervenir en la etapa causal en lugar de en los síntomas. Por lo tanto, muchos de los medicamentos recetados no suelen funcionar en los pacientes.

¿Qué palabra define el estado de la ' intersección de la IA y la industria biomédica ' en 2023?

Idioma IA

Por qué decidimos participar en los premios Startup del año de HackerNoon

¡Nos invitaron! :)

Pensamientos finales

El conocimiento biomédico es inmenso y está creciendo rápidamente. El conocimiento disponible públicamente está desconectado: es imposible identificar patrones/asociaciones ocultas en lo más profundo de ese conocimiento desconectado. El conocimiento interno de una empresa también está desconectado de ella. Esto presenta un desafío importante para los científicos de la industria biomédica porque:

• Perder conocimientos importantes y potencialmente relevantes.

• No puede mantenerse actualizado o mantenerse al día con nuevos conocimientos

• Las decisiones se toman sin la ventaja de tener conocimientos completos.

  
  

En NExTNet, estamos construyendo la mejor pila de IA generativa/lenguaje de su clase para permitir a los científicos identificar patrones ocultos en lo profundo de conjuntos de datos dispares y multimodales, que van desde artículos científicos e informes de ensayos clínicos hasta atlas de secuenciación de genes y expresión de proteínas. para que puedan encontrar rápidamente pistas enterradas en montañas de información.

Comience su viaje de descubrimiento de conocimientos biomédicos registrándose gratis aquí .