L'avenir de l'IA générative et de la biotechnologie - Entretien avec le candidat de la startup de l'année, NExtNet Inc.

Salut les hackers,

NExTNet Inc. a été nominé aux prix annuels de la startup de l'année décernés par HackerNoon à San Francisco, aux États-Unis.

Veuillez voter pour nous ici .

Apprenez-en davantage sur nous ci-dessous pour comprendre pourquoi nous méritons votre vote.

Rencontrez NExTNet Inc.

NExTNet est une startup de logiciels d'entreprise basée dans la Silicon Valley, soutenue par Venture, qui développe des technologies d'IA générative pour des applications critiques dans les domaines de la biotechnologie et de l'industrie pharmaceutique. Notre mission est d'organiser et d'intégrer les connaissances biomédicales mondiales et de les rendre accessibles. Imaginez NExTNet = Oracle x Palantir. Rencontrez notre équipe ici .

Mon rôle

Fin 2017, j'ai fondé Mekonos, une société de plateforme de biotechnologie à croissance rapide développant des technologies révolutionnaires de puces de silicium pour accélérer le développement de la médecine personnalisée. Imaginez Nvidia pour la biotechnologie. J'ai fondé NExTNet fin 2020, frustré par les barrières techniques extrêmement élevées pour accéder aux connaissances dispersées enfouies dans des montagnes de données et d'informations biomédicales multimodales et disparates. Notre objectif est de démocratiser l'accès aux connaissances biomédicales mondiales pour accélérer la découverte et le développement de médicaments. Il existe plus de 23 500 maladies connues de l’humanité, dont environ 3 % bénéficient d’une forme de guérison ou de traitement.

Comment nous perturbons l' intersection de l'IA et de l'industrie biomédicale

Environ 95 % des données mondiales ont été générées au cours des 5 à 10 dernières années. L'émergence de données biomédicales multimodales à haute résolution (des dizaines de millions de publications scientifiques, brevets, subventions, données de séquençage, expression de gènes et de protéines, composés médicamenteux, voies biochimiques, maladies, imagerie, etc.) à grande échelle a abouti à une énorme quantité de connaissances humaines dispersées dans des silos de données. Interroger toutes ces connaissances est devenu remarquablement complexe.

Chez NExTNet, nous utilisons notre pile exclusive de grands modèles linguistiques pour rechercher des associations entre le contenu scientifique d'un texte (par exemple, littérature publiée, dossiers d'essais cliniques, brevets) et d'autres bases de données publiques et exclusives (séquençage des gènes, expression des protéines, maladies, voies, agents pathogènes). , médicaments, imagerie...) et les relier sémantiquement au web sémantique scientifique qui connaît la croissance la plus rapide au monde. La barrière technique pour interroger et accéder à des connaissances aussi dispersées est effrayante : un chercheur moyen devrait avoir une connaissance approfondie de l'interface de ligne de commande en maîtrisant des myriades de bibliothèques R, en apprenant toute une suite de packages Python ou en concevant des requêtes complexes à l'aide de langages tels que comme SQL, SPARQL, etc.

La plateforme cloud native de NExTNet permet à ces chercheurs et scientifiques de poser et de répondre à des questions complexes dans un langage naturel simple sans avoir à maîtriser le codage, les langages d'interrogation ou les statistiques obscures. Notre avancée commerciale et technologique permet aux scientifiques d'identifier des modèles cachés au plus profond d'ensembles de données disparates et multimodaux, allant des articles scientifiques et rapports d'essais cliniques au séquençage génétique et aux atlas d'expression des protéines - afin qu'ils puissent rapidement trouver des pistes enfouies dans des montagnes d'informations. via notre interface utilisateur graphique (GUI). Nous perturbons l’intersection du langage, de l’intelligence artificielle générative et de l’industrie biomédicale.

Se démarquer de la foule

La découverte de connaissances pour la R&D en sciences de la vie est un marché en développement embryonnaire. Le problème clé de la biomédecine aujourd’hui :

• Les connaissances biomédicales croissent à un rythme exponentiel.

• À mesure que la quantité de données disparates (par exemple, textes scientifiques, données moléculaires issues du séquençage, de l'édition génétique et d'autres expériences, etc.) augmente, il devient de plus en plus difficile pour les chercheurs de se tenir au courant de l'état de l'art.

• Étant donné que l’obstacle technique à l’accès aux connaissances enfouies au plus profond de tous ces silos de données multimodaux est très difficile sans la connaissance de l’interface de ligne de commande, les décisions sont prises sans informations clés et sans connaissances manquées.

  
  

Chez NExTNet, notre valeur multipliée par 10 par rapport à nos concurrents est que notre pipeline d'IA générative de pointe lit non seulement des dizaines de millions de textes scientifiques (publications complètes évaluées par des pairs, résumés, brevets, subventions, etc.), mais analyse également un corpus massif de bases de données moléculaires (gènes, protéines et voies) et des mines d'associations et de modèles cachés dans ces données disparates (domaine public et exclusif). Nos concurrents se limitent simplement à l’exploration de texte sans s’étendre à d’autres modalités de données.

Nos prédictions/réflexions sur l’industrie de la découverte et du développement de médicaments/de la recherche biomédicale en 2023

• En tant que startup, nous nous concentrons sur le marché de la découverte et du développement de médicaments en raison des sommes considérables dépensées avant qu'un essai clinique ne soit effectué dans les phases précliniques sur une période d'au moins 3 à 7 ans. Une quantité importante d’argent de capital-risque est également investie dans des sociétés de découverte de médicaments liées à l’IA (Atomwise, Insilico, Benevolent AI, Exscientia, Insitro, Recursion, etc. qui disposent de leur propre pipeline thérapeutique).

  
  

• Compte tenu des risques importants associés à la mise sur le marché d'un médicament, associés à de longs délais de développement (pouvant s'étendre jusqu'à une décennie, voire plus), à la collaboration avec des agences de réglementation telles que la FDA, etc., et à la longue durée du cycle des partenariats de co-développement (par exemple, avances + jalons + redevances), nous avons décidé très tôt de nous concentrer uniquement sur le développement de logiciels et de permettre à d'autres sociétés biotechnologiques et pharmaceutiques développant des thérapies de pointe 'contextualize' leurs données exclusives au-dessus du réseau de connaissances sémantique de NExTNet --> demander et répondre à des questions biologiques complexes pour faire progresser leurs efforts de développement de médicaments. Une entreprise telle que Benchling a connu jusqu’à présent un succès significatif en tant qu’éditeur de logiciels d’entreprise.

  
  

• Pour donner une idée du coût énorme de la découverte et du développement de médicaments : il y a 30 ans, il fallait environ 300 millions de dollars américains pour mettre un médicament sur le marché, contre environ 2,4 milliards de dollars aujourd'hui (en tenant compte de l'inflation). Ce n’est pas parce qu’une seule étape du processus de découverte et de développement d’une molécule donnée est devenue beaucoup plus coûteuse. En fait, il y a eu des augmentations significatives de productivité pour un certain nombre de ces étapes – donc le coût total de mise sur le marché d’un médicament aurait dû devenir moins cher. La véritable raison des coûts si élevés liés à la mise sur le marché d'un médicament est que la plupart des médicaments que nous mettons en place à chaque phase échouent et que l'entonnoir est devenu de plus en plus large, se rétrécissant jusqu'à un nombre de plus en plus petit de médicaments qui parviennent à atteindre le marché. la phase suivante.

  
  

• Il s'agit clairement d'un échec dans notre capacité à examiner, par exemple, les caractéristiques (par exemple, comprendre les mécanismes d'action moléculaires, les processus biologiques, etc.) à une étape et à prédire ce qui va réussir à l'étape suivante. C'est là que de meilleurs modèles de ML prédictifs (par exemple, l'IA en langage naturel) peuvent être extrêmement utiles.

  
  

• De plus, les maladies sont traditionnellement diagnostiquées par leurs symptômes et leur localisation dans le corps et non par les mécanismes moléculaires sous-jacents, les voies ou les processus biologiques propres à un patient spécifique. L’identification des cibles et la découverte des liens avec les voies de transmission dès le début de la progression de la maladie permettent d’intervenir au stade causal plutôt qu’au stade des symptômes. C’est pourquoi de nombreux médicaments prescrits ne fonctionnent pas souvent sur les patients.

Quel mot définit l'état de « l' intersection de l'IA et de l'industrie biomédicale » en 2023 ?

IA linguistique

Pourquoi nous avons décidé de participer aux prix Startup de l'année de HackerNoon

Nous avons été invités ! :)

Dernières pensées

Les connaissances biomédicales sont immenses et se développent rapidement. Les connaissances accessibles au public sont déconnectées – il est impossible d’identifier des modèles/associations cachés au plus profond de ces connaissances déconnectées. Les connaissances internes d’une entreprise en sont également déconnectées. Cela représente un défi important pour les scientifiques de l’industrie biomédicale car ils :

• Manquer des connaissances importantes et potentiellement pertinentes

• Incapable de rester à jour ou de suivre de nouvelles connaissances

• Les décisions sont prises sans bénéficier d’informations complètes

  
  

Chez NExTNet, nous construisons la meilleure pile d'IA générative/langageuse de sa catégorie pour permettre aux scientifiques d'identifier des modèles cachés au plus profond d'ensembles de données disparates et multimodaux, allant des articles scientifiques et rapports d'essais cliniques au séquençage des gènes et aux atlas d'expression des protéines -- afin qu'ils puissent trouver rapidement des pistes enfouies dans des montagnes d'informations.

Commencez votre parcours de découverte des connaissances biomédicales en vous inscrivant gratuitement ici .