جان بیلِر، دکترا، معاون ارشد توسعه کسب‌وکار، BPGbio – مجموعه مصاحبه‌ها

جان بیلِر، دکترا، معاون ارشد توسعه کسب‌وکار در BPGbio، بیش از دو دهه تجربه در بیوتکنولوژی و توسعه کسب‌وکار، همراه با تخصص گسترده در درمان‌های نوین را به ارمغان می‌آورد. قبل از پیوستن به BPGbio، او اخیراً به عنوان سرپرست جستجو و ارزیابی توسعه کسب‌وکار در Bristol-Myers Squibb فعالیت می‌کرد، جایی که نقشی محوری در یافتن و ارزیابی فرصت‌های صدور مجوز و مشارکت‌های استراتژیک داشت.

BPGbio یک شرکت پیشرو بیودارویی در مرحله بالینی، مبتنی بر هوش مصنوعی (AI) و با رویکرد زیست‌شناسی-محور است که بر زیست‌شناسی میتوکندری و هم‌ایستایی پروتئین تمرکز دارد. این شرکت دارای مجموعه‌ای عمیق از درمان‌های توسعه‌یافته با هوش مصنوعی است که انکولوژی، بیماری‌های نادر و نورولوژی را شامل می‌شود، از جمله چندین مورد در مراحل پایانی آزمایش‌های بالینی. رویکرد نوین BPGbio توسط NAi، پلتفرم اختصاصی زیست‌شناسی پرسشگر (Interrogative Biology Platform) آن، که توسط بیش از ۴۰۰ پتنت آمریکایی و بین‌المللی محافظت می‌شود، پشتیبانی می‌شود؛ یکی از بزرگترین بایوبانک‌های غیردولتی با داده‌های بالینی حاشیه‌نویسی شده در جهان با نمونه‌های طولی؛ و دسترسی انحصاری به قدرتمندترین ابررایانه جهان.

از زمان پیوستن به BPGbio، همواره تحت تأثیر عمق نوآوری و دیدگاه بلندمدتی بوده‌ام که در ساخت پلتفرم زیست‌شناسی پرسشگر NAi® به کار رفته است. به عنوان کسی که دو دهه در بیوتکنولوژی و توسعه کسب‌وکار فعالیت کرده و طیف گسترده‌ای از پلتفرم‌ها و شرکت‌ها را ارزیابی کرده‌ام، می‌توانم بگویم که NAi به دلیل بنیان زیست‌شناسی-محور و عمق داده‌هایی که بررسی می‌کند، برجسته است.

BPGbio جزو اولین پیشگامان استفاده از هوش مصنوعی برای کشف دارو بود. در ۱۵ سال گذشته، تیم NAi را به پلتفرمی تبدیل کرده است که داده‌های اختصاصی چند-اُمیکس (multi-omics) و یکی از بزرگترین بایوبانک‌های طولی جهان را ادغام می‌کند. برخلاف سایر شرکت‌ها که به فناوری‌های محدود یا مجموعه داده‌های عمومی برای یک برنامه کشف بیماری واحد تکیه می‌کنند، ما قابلیت‌های چند-اُمیکس را با بایوبانک اختصاصی خود که صدها هزار نمونه طولی با حاشیه‌نویسی بالینی را در خود جای داده، ادغام می‌کنیم و از هوش مصنوعی علّی بِیزی (causal Bayesian AI) و نه مدل‌سازی هوش مصنوعی مولد (generative AI) برای کشف بینش‌های مبتنی بر زیست‌شناسی استفاده می‌کنیم که می‌تواند تقریباً هر مرحله از کشف دارو را آگاه سازد و احتمال موفقیت در توسعه بالینی را افزایش دهد. ما فقط اهداف را شناسایی نمی‌کنیم؛ ما از هوش مصنوعی برای طراحی کارآزمایی‌های بالینی خود، درک نتایج کارآزمایی‌های بالینی و اصلاح رویکردهای درمانی خود استفاده می‌کنیم.

نتایج ما خود گویای مطلب هستند: ما یکی از پیشرفته‌ترین و قوی‌ترین خطوط لوله بالینی در صنعت بیوتکنولوژی هوش مصنوعی را داریم. این خط لوله شامل دو کارآزمایی فعال فاز ۲ در سرطان‌های تهاجمی، چندین برنامه آماده برای فاز ۳ و بیش از صد هدف و نشانگر زیستی (biomarker) نوین است که با استفاده از مدل‌های هوش مصنوعی خود شناسایی کرده‌ایم.

توسعه دارو دارای نرخ موفقیت تقریباً ده درصدی تا تأیید FDA است که نشان‌دهنده خطرات و چالش‌های قابل توجه مرتبط با عرضه یک داروی جدید به بازار است. بنابراین، سرعت و تعداد اهدافی که کشف می‌کنید مهم نیست؛ بلکه کیفیت آن اهمیت دارد.

در حالی که هوش مصنوعی ممکن است به سرعت بخشیدن به فرآیند کشف کمک کند، استفاده از هوش مصنوعی، به ویژه هوش مصنوعی مولد، بر روی همان مجموعه داده‌های عمومی که در فرآیند کشف داروی سنتی استفاده می‌شود، لزوماً نتایج کارآزمایی بالینی را تغییر نخواهد داد، که در نهایت تنها چیزی است که اهمیت دارد.

رویکرد زیست‌شناسی-محور ما کیفیت، عمق، دقت، جامعیت و کمیت داده‌هایی را که به مدل‌های هوش مصنوعی ما وارد می‌شود، تضمین می‌کند. در تجزیه و تحلیل چند-اُمیکس خود، ما فراتر از تجزیه و تحلیل RNA و DNA می‌رویم. علاوه بر ژنومیکس و ترانسکریپتومیکس، دانشمندان ما پروتئومیکس، لیپیدومیکس و متابولومیکس را در تمام لایه‌های زیست‌شناسی انسان - اندام، بافت، سلول و اندامک‌ها - پروفایل می‌کنند و ما داده‌های عظیم و بی‌طرفانه چند-اُمیکس را به مدل‌های هوش مصنوعی علّی خود برای بینش‌های نوین می‌دهیم.

این رویکرد گسترده و مبتنی بر هوش مصنوعی به ما امکان می‌دهد فراتر از حوزه بیماری نگاه کنیم تا "علت ریشه‌ای" را سریع‌تر پیدا کنیم. پس از اینکه هوش مصنوعی به یافتن "علت ریشه‌ای" کمک کرد و قبل از اینکه به کارآزمایی‌های بالینی برویم، به آزمایشگاه مرطوب (wet lab) برمی‌گردیم تا تأیید کنیم بینش‌های حاصل از هوش مصنوعی دقیق هستند. تمرکز بر زیست‌شناسی انسانی به ما کمک می‌کند فرآیند کشف و توسعه خود را تسریع و کم‌خطر کنیم.

این رویکرد حلقه بسته، عدم قطعیت را کاهش می‌دهد و در نهایت فرآیند توسعه را کم‌خطر می‌کند. از دیدگاه من در توسعه کسب‌وکار، این امر کلیدی برای ایجاد اعتماد با شرکای بالقوه است - زیرا رویکرد ما احتمال موفقیت را از ابتدا بهبود می‌بخشد.

از طریق مشارکت با وزارت انرژی ایالات متحده، ما دسترسی انحصاری به ابررایانه Frontier در آزمایشگاه ملی Oak Ridge برای تجزیه و تحلیل توسعه دارو داریم. این ابررایانه می‌تواند ۱.۳۵ کوئینتیلیون (quintillion) محاسبه در ثانیه انجام دهد.

این قدرت محاسباتی ما را قادر می‌سازد تا از مجموعه داده عظیم خود برای شناسایی الگوها، همبستگی‌ها، علیت‌ها و بینش‌های عملی استفاده کنیم که در غیر این صورت در تجزیه و تحلیل‌های مقیاس کوچکتر پنهان می‌ماند و زمان مورد نیاز را از ماه‌ها به ساعت‌ها کاهش می‌دهد.

به عنوان مثال، در طول کووید، ما پرونده‌های الکترونیکی پزشکی (EMR) ۲۸۰,۰۰۰ بیمار را به همراه اطلاعات بالینی آنها تجزیه و تحلیل کردیم. ما عوامل خطر ژنتیکی را برای گروه‌های قومی خاص شناسایی کردیم که راه را برای پزشکی شخصی‌سازی شده هموار کرد. ما ۱.۲ میلیارد ماده مختلف را تجزیه و تحلیل کردیم تا درمان‌های بالقوه برای کووید را تنها در چند ساعت کشف کنیم.

از دیدگاه تجاری، این قدرت محاسباتی ما را قادر می‌سازد تا بینش‌ها را سریع‌تر و مؤثرتر از دیگران باز کنیم، زمان رسیدن به مشارکت، کارآزمایی‌های بالینی و در نهایت، منفعت بیمار را تسریع کنیم.

BPGbio در حال حاضر یک کارآزمایی فاز ۲b روی گلیوبلاستوما (GBM) را فعالانه اجرا می‌کند و یک کارآزمایی فاز ۲a برای سرطان پانکراس را به پایان رسانده است، هر دو کارآزمایی با کاندیدای دارویی مولکول کوچک ما BPM31510 انجام شده‌اند.

از طریق پلتفرم NAi، ما دریافتیم که اکثر تومورهای جامد تهاجمی ناشی از اختلال عملکرد میتوکندری در محیط تومور هستند. BPM31510، یک نانوپراکندگی (nanodispersion) حاوی یوبی‌دکارنون (ubidecarenone) با اثرات ضد سرطانی است که توسط مکانیسم‌های مولکولی در میتوکندری میانجی‌گری می‌شود و فرآیند مرگ برنامه‌ریزی‌شده سلول سرطانی را آغاز می‌کند. ما یک مطالعه فاز ۱ با برچسب باز روی ۱۲۸ بیمار با BPM31510 انجام دادیم و نتایج کارآزمایی بالینی بینش‌هایی را که NAi کشف کرده بود تأیید کرد. NAi متعاقباً به ما کمک کرده است تا تقریباً تمام جنبه‌های این درمان‌ها، از دوز و زمان‌بندی بهینه گرفته تا انتخاب بیمار را بهینه کنیم. کارآزمایی GBM ما در حال حاضر در حال جذب بیمار است و انتظار داریم نتایج کارآزمایی فاز ۲ GBM خود را اواخر امسال گزارش کنیم.

بیماری‌های نادر کودکان اغلب به دلیل پیچیدگی و شیوع کم، فاقد گزینه‌های درمانی مؤثر هستند و کودکانی که به این شرایط مبتلا هستند معمولاً با امید به زندگی کوتاه روبرو هستند. این امر چالش‌هایی را برای جذب بیمار در کارآزمایی، پیمایش نظارتی و توسعه درمانی ایجاد می‌کند.

در BPGbio، ما مفتخریم که این چالش‌های پیچیده را بر عهده بگیریم. ترکیب اصلی ما، BPM31510، چندین عنوان از FDA دریافت کرده است - از جمله عناوین داروی اورفان (Orphan Drug) و بیماری نادر کودکان (Rare Pediatric Disease) - هم برای کمبود اولیه CoQ10 و هم برای اپیدرمولیز بولوزا (EB). اینها نقاط عطف مهمی هستند که پتانسیل بالینی برنامه‌های ما را منعکس می‌کنند و در صورت تأیید، در را به روی کوپن‌های بررسی اولویت‌دار (priority review vouchers) باز می‌کنند.

ما در حال برنامه‌ریزی یک کارآزمایی فاز ۳ برای کمبود اولیه CoQ10 هستیم و فعالانه در حال بررسی مشارکت‌ها برای پیشبرد برنامه EB خود هستیم. این شامل ارزیابی فرمولاسیون‌های موضعی به عنوان گزینه‌های درمانی است. ما معتقدیم پلتفرم BPGbio می‌تواند تأثیر تحول‌آفرینی در این فضا داشته باشد.

هوش مصنوعی بِیزی پلتفرم ما را قادر می‌سازد تا فراتر از شناسایی ارتباطات حرکت کند و روابط علت و معلولی را که بیماری را هدایت می‌کنند، کشف کند. این هوش مصنوعی عدم قطعیت را مدل‌سازی می‌کند، تغییرپذیری داده‌ها را در نظر می‌گیرد و پیش‌بینی‌های بسیار قوی‌ای تولید می‌کند که کشف درمانی و نشانگر زیستی را هدایت می‌کند.

با ادغام داده‌های چند-اُمیکس طولی و داده‌های بالینی، مدل‌های ما می‌توانند مکانیسم‌های بیولوژیکی پشت پیشرفت بیماری و نقاط مداخله بهینه را شناسایی کنند. این امر فرآیند کشف را دقیق‌تر و توسعه پایین‌دستی را قابل پیش‌بینی‌تر می‌کند.

از دیدگاه استراتژیک، این فوق‌العاده ارزشمند است. اعتبارسنجی اینکه چه چیزی را هدف قرار دهیم و چرا از نظر بیولوژیکی اهمیت دارد، نحوه اولویت‌بندی برنامه‌ها، طراحی کارآزمایی‌ها و صحبت با شرکا را تغییر می‌دهد. این امر اعتماد به علم را ایجاد می‌کند.

برنامه تجزیه هدفمند پروتئین (TPD) مبتنی بر E2 شرکت BPGbio یکی از هیجان‌انگیزترین و نوآورانه‌ترین زمینه‌ها در خط لوله ما است. رویکردهای سنتی TPD به لیگازهای E3 متکی هستند که دامنه هدف را محدود می‌کنند و می‌توانند منجر به مقاومت دارویی شوند. رویکرد ما از کمپلکس‌های آنزیم E2 تغییریافته پس از ترجمه (post-translationally modified) - که توسط پلتفرم NAi کشف شده‌اند - استفاده می‌کند تا پروتئوم قابل هدف‌گیری دارویی (druggable proteome) را گسترش دهد.

این یک رویکرد اولین در نوع خود (first-in-class) است و کشش اولیه‌ای که شاهد آن هستیم توجهات را در سراسر صنعت داروسازی و بیوتکنولوژی به خود جلب کرده است. ما در حال حاضر این رویکرد را در انکولوژی، نورولوژی و بیماری‌های نادر به کار می‌گیریم. این نمونه‌ای عالی از این است که چگونه NAi نه تنها از کشف پشتیبانی می‌کند - بلکه ما را قادر می‌سازد تا در مورد آنچه در توسعه دارو ممکن است دوباره فکر کنیم.

در BPGbio، ما هوش مصنوعی را به عنوان ابزاری قدرتمند - اما نه جایگزینی - برای تخصص انسانی می‌بینیم. بینش‌های مبتنی بر هوش مصنوعی ما بر اساس داده‌های بیولوژیکی با کیفیت بالا استوار هستند و به وسیله تیم دانشمندان با تجربه ما به دقت تأیید می‌شوند. هوش مصنوعی الگوها و اهداف بالقوه را شناسایی می‌کند، اما این دانشمندان ما هستند که این یافته‌ها را تفسیر می‌کنند، آزمایش‌های اعتبارسنجی را طراحی می‌کنند و در نهایت تصمیمات علمی را هدایت می‌کنند. این همکاری تضمین می‌کند که ما فقط از نظر آماری معتبر نیستیم، بلکه از نظر بیولوژیکی نیز مرتبط و قابل اجرا هستیم.

ما در مورد پتانسیل خط لوله و پلتفرم خود فوق‌العاده هیجان‌زده هستیم. تمرکز ما بر پیشبرد برنامه‌های بالینی، به ویژه در انکولوژی و بیماری‌های نادر، و ایجاد مشارکت‌های استراتژیک برای تسریع توسعه دارو باقی می‌ماند. در نهایت، هدف ما استفاده از ترکیب منحصر به فرد زیست‌شناسی و هوش مصنوعی برای ارائه درمان‌های تحول‌آفرین به بیمارانی است که بیشترین نیاز را به آن‌ها دارند. ما مشتاقانه منتظر به‌روزرسانی‌های بیشتر در مورد پیشرفت خود هستیم و معتقدیم که رویکرد مبتنی بر هوش مصنوعی ما نقشی کلیدی در شکل‌دهی آینده پزشکی دقیق ایفا خواهد کرد.