Tương lai của AI & Công nghệ sinh học sáng tạo - Phỏng vấn Người được đề cử Công ty khởi nghiệp của năm, NExtNet Inc.

Này các Hacker,

NExTNet Inc. đã được đề cử trong giải thưởng Công ty khởi nghiệp của năm hàng năm của HackerNoon tại San Francisco, Hoa Kỳ.

Hãy bỏ phiếu cho chúng tôi ở đây .

Đọc thêm về chúng tôi bên dưới để hiểu lý do tại sao chúng tôi xứng đáng nhận được phiếu bầu của bạn.

Gặp gỡ NExTNet Inc.

NExTNet là một công ty khởi nghiệp phần mềm Doanh nghiệp có trụ sở tại Thung lũng Silicon được liên doanh hỗ trợ đang phát triển các công nghệ Generative AI cho các ứng dụng quan trọng trong công nghệ sinh học và dược phẩm. Sứ mệnh của chúng tôi là tổ chức và tích hợp kiến thức y sinh của thế giới và làm cho nó có thể tiếp cận được. Hãy tưởng tượng NExTNet = Oracle x Palantir. Gặp gỡ nhóm của chúng tôi ở đây .

Vai trò của tôi

Vào cuối năm 2017, tôi thành lập Mekonos, một công ty nền tảng công nghệ sinh học đang phát triển nhanh chóng, phát triển các công nghệ chip silicon đột phá để đẩy nhanh sự phát triển của y học cá nhân hóa. Hãy tưởng tượng Nvidia cho công nghệ sinh học. Tôi thành lập NExTNet vào cuối năm 2020, thất vọng vì rào cản kỹ thuật cực kỳ cao trong việc tiếp cận kiến thức rải rác bị chôn vùi trong hàng núi dữ liệu và thông tin y sinh đa phương thức và khác nhau. Mục tiêu của chúng tôi là dân chủ hóa khả năng tiếp cận kiến thức y sinh của thế giới để tăng tốc quá trình khám phá và phát triển thuốc. Có hơn 23.500 căn bệnh được nhân loại biết đến, trong đó ~3% có một số hình thức chữa trị hoặc điều trị.

Chúng ta đang phá vỡ sự giao thoa giữa AI và ngành y sinh như thế nào

Khoảng 95% dữ liệu của thế giới đã được tạo ra trong 5-10 năm qua. Sự xuất hiện của dữ liệu y sinh đa phương thức, có độ phân giải cao (hàng chục triệu ấn phẩm khoa học, bằng sáng chế, tài trợ, dữ liệu giải trình tự, biểu hiện gen và protein, hợp chất thuốc, con đường sinh hóa, bệnh tật, hình ảnh, v.v.) trên quy mô lớn đã dẫn đến một lượng lớn kiến thức của con người nằm rải rác trên các kho dữ liệu. Truy vấn tất cả những kiến thức đó đã trở nên phức tạp đáng kể.

Tại NExTNet, chúng tôi sử dụng ngăn xếp Mô hình ngôn ngữ lớn độc quyền của mình để khai thác mối liên hệ giữa nội dung khoa học trong văn bản (ví dụ: tài liệu đã xuất bản, hồ sơ thử nghiệm lâm sàng, bằng sáng chế) và các cơ sở dữ liệu công cộng và độc quyền khác (trình tự gen, biểu hiện protein, bệnh tật, con đường, mầm bệnh , ma túy, hình ảnh...) và liên kết chúng về mặt ngữ nghĩa với mạng ngữ nghĩa khoa học phát triển nhanh nhất thế giới. Rào cản kỹ thuật để truy vấn và truy cập những kiến thức rải rác như vậy là rất cao: một nhà nghiên cứu trung bình sẽ cần có kiến thức sâu rộng về giao diện dòng lệnh bằng cách thành thạo vô số thư viện R, học toàn bộ bộ gói Python hoặc xây dựng các truy vấn phức tạp bằng các ngôn ngữ như như SQL, SPARQL, v.v.

Nền tảng dựa trên đám mây của NExTNet cho phép các nhà nghiên cứu và nhà khoa học này hỏi và trả lời các câu hỏi phức tạp bằng ngôn ngữ tự nhiên đơn giản mà không cần phải thành thạo mã hóa, ngôn ngữ truy vấn hoặc số liệu thống kê phức tạp. Bước đột phá về thương mại và công nghệ của chúng tôi đang cho phép các nhà khoa học xác định các mẫu ẩn sâu trong các bộ dữ liệu đa phương thức và khác nhau, từ các bài báo khoa học và báo cáo thử nghiệm lâm sàng đến giải trình tự gen và tập bản đồ biểu hiện protein -- để họ có thể nhanh chóng tìm ra các đầu mối bị chôn vùi trong hàng núi thông tin thông qua Giao diện người dùng đồ họa (GUI) của chúng tôi. Chúng tôi đang phá vỡ sự giao thoa giữa Ngôn ngữ và Trí tuệ nhân tạo sáng tạo và ngành Y sinh.

Nổi bật giữa đám đông

Khám phá tri thức cho R&D khoa học đời sống là một thị trường đang phát triển trong giai đoạn phôi thai. Vấn đề then chốt của y sinh học ngày nay:

• Kiến thức y sinh đang phát triển với tốc độ theo cấp số nhân.

• Khi lượng dữ liệu khác nhau (ví dụ: văn bản khoa học, dữ liệu phân tử từ giải trình tự, chỉnh sửa gen và các thí nghiệm khác, v.v.) tăng lên, các nhà nghiên cứu càng ngày càng khó cập nhật công nghệ mới nhất.

• Vì rào cản kỹ thuật để truy cập kiến thức được chôn sâu trong tất cả các kho dữ liệu đa phương thức này là rất khó khăn nếu không có kiến thức về giao diện dòng lệnh, nên các quyết định được đưa ra mà không có những hiểu biết sâu sắc và thiếu kiến thức.

  
  

Tại NExTNet, giá trị tăng gấp 10 lần so với các đối thủ cạnh tranh là hệ thống Generative AI tiên tiến nhất của chúng tôi không chỉ đọc hàng chục triệu văn bản khoa học (các ấn phẩm được bình duyệt đầy đủ, tóm tắt, bằng sáng chế, tài trợ, v.v.) mà còn phân tích một kho dữ liệu khổng lồ gồm các cơ sở dữ liệu phân tử (gen, protein và con đường) và các mỏ tìm kiếm các liên kết và mẫu ẩn trên các dữ liệu khác nhau này (phạm vi công cộng và độc quyền). Các đối thủ cạnh tranh của chúng tôi chỉ giới hạn trong việc khai thác văn bản mà không mở rộng sang các phương thức dữ liệu khác.

Dự đoán/Suy nghĩ của chúng tôi về ngành Nghiên cứu và Phát triển Thuốc/Nghiên cứu Y sinh vào năm 2023

• Khi mới khởi nghiệp, chúng tôi đang tập trung cao độ vào thị trường khám phá và phát triển thuốc do $$$ phải chi rất nhiều trước khi bất kỳ thử nghiệm lâm sàng nào được thực hiện ở giai đoạn tiền lâm sàng trong ít nhất 3-7 năm. Ngoài ra còn có một lượng tiền VC đáng kể đang được đầu tư vào các công ty phát triển thuốc AI (Atomwise, Insilico, Benevolent AI, Exscientia, Insitro, Recursion, v.v. có phương pháp điều trị riêng).

  
  

• Do những rủi ro đáng kể liên quan đến việc đưa thuốc ra thị trường cùng với thời gian phát triển dài (có thể kéo dài đến một thập kỷ hoặc thậm chí hơn), việc tham gia với các cơ quan quản lý như FDA, v.v. và thời gian dài của quan hệ đối tác đồng phát triển (ví dụ: trả trước + cột mốc quan trọng + tiền bản quyền), chúng tôi đã sớm quyết định chỉ tập trung vào phát triển phần mềm và thay vào đó cho phép các công ty công nghệ sinh học và dược phẩm khác phát triển phương pháp trị liệu tiên tiến 'contextualize' dữ liệu độc quyền của họ trên mạng kiến thức ngữ nghĩa của NExTNet --> hỏi và trả lời các câu hỏi sinh học phức tạp để thúc đẩy nỗ lực phát triển thuốc của họ. Một công ty như Benchling đã đạt được thành công đáng kể cho đến nay với tư cách là một công ty phần mềm Doanh nghiệp.

  
  

• Để hiểu được chi phí khổng lồ của việc khám phá và phát triển thuốc: 30 năm trước, phải mất ~ 300 triệu USD để đưa một loại thuốc ra thị trường v/s ngày nay phải mất ~ 2,4 tỷ USD (đã tính đến lạm phát). Điều này không phải vì bất kỳ giai đoạn nào trong quá trình khám phá và phát triển một phân tử nhất định đều trở nên đắt đỏ hơn nhiều. Trên thực tế, đã có sự gia tăng đáng kể về năng suất ở một số giai đoạn này - vì vậy, nếu có thì tổng chi phí đưa thuốc ra thị trường lẽ ra phải rẻ hơn. Lý do thực sự khiến chi phí đưa thuốc ra thị trường cao như vậy là do hầu hết các loại thuốc chúng tôi đưa vào từng giai đoạn đều thất bại và kênh ngày càng rộng hơn, thu hẹp xuống còn số lượng thuốc ngày càng nhỏ hơn để tạo ra nó. giai đoạn tiếp theo.

  
  

• Đây rõ ràng là sự thất bại trong khả năng của chúng ta trong việc xem xét các đặc điểm (ví dụ: hiểu cơ chế hoạt động phân tử, các quá trình sinh học, v.v.) ở một giai đoạn và dự đoán điều gì sẽ thành công trong giai đoạn tiếp theo. Đây là lúc các mô hình ML dự đoán tốt hơn (ví dụ: AI ngôn ngữ tự nhiên) có thể giúp ích rất nhiều.

  
  

• Ngoài ra, theo truyền thống, bệnh tật được chẩn đoán dựa trên các triệu chứng và vị trí của chúng trong cơ thể chứ không phải bằng các cơ chế phân tử, con đường hoặc quá trình sinh học cơ bản dành riêng cho một bệnh nhân cụ thể. Việc xác định mục tiêu và khám phá sớm các mối liên hệ với các con đường trong quá trình phát triển bệnh sẽ giúp can thiệp ở giai đoạn nguyên nhân hơn là các triệu chứng. Do đó, nhiều loại thuốc được kê đơn thường không có tác dụng với bệnh nhân.

Từ nào định nghĩa trạng thái ' giao thoa giữa AI và Công nghiệp Y sinh ' vào năm 2023?

Ngôn ngữ AI

Tại sao chúng tôi quyết định tham gia giải thưởng Công ty khởi nghiệp của năm của HackerNoon

Chúng tôi đã được mời! :)

suy nghĩ cuối cùng

Kiến thức y sinh là vô cùng lớn và đang phát triển nhanh chóng. Kiến thức có sẵn công khai bị ngắt kết nối - không thể xác định được các mô hình/sự liên kết ẩn sâu bên trong những kiến thức bị ngắt kết nối đó. Kiến thức nội bộ của công ty cũng bị ngắt kết nối với nó. Điều này đặt ra một thách thức đáng kể cho các nhà khoa học trong ngành y sinh vì họ:

• Bỏ lỡ kiến thức quan trọng và có khả năng liên quan

• Không thể cập nhật hoặc theo kịp kiến thức mới

• Các quyết định được đưa ra mà không có lợi thế từ những hiểu biết sâu sắc

  
  

Tại NExTNet, chúng tôi đang xây dựng hệ thống AI Sáng tạo/Ngôn ngữ tốt nhất trong lớp để cho phép các nhà khoa học xác định các mẫu ẩn sâu trong các bộ dữ liệu đa phương thức và khác nhau, từ các bài báo khoa học và báo cáo thử nghiệm lâm sàng đến trình tự gen và bản đồ biểu hiện protein -- để họ có thể nhanh chóng tìm thấy những khách hàng tiềm năng bị chôn vùi trong hàng núi thông tin.

Hãy bắt đầu hành trình khám phá kiến thức y sinh của bạn bằng cách đăng ký miễn phí ngay tại đây .