Unlearn.AI، استارت‌آپی که سرویس «دوقلو دیجیتال» را برای آزمایش‌های بالینی توسعه می‌دهد، 50 میلیون دلار جمع‌آوری می‌کند – TechCrunch

ایده دوقلوهای دیجیتال – نمایش دیجیتالی انسان‌ها که با مدل‌های کامپیوتری ساخته شده‌اند – برای تحقیقات پزشکی در بخش خصوصی و دانشگاهی مورد توجه قرار گرفته است. با فناوری شبیه‌سازی پیش‌بینی‌کننده، برخی از کارشناسان می‌گویند که دوقلوهای دیجیتال پتانسیل بهبود مراقبت‌های بهداشتی را با ارزیابی خطرات سلامتی قبل از علامت‌دار شدن یک بیماری دارند و به پزشکان کمک می‌کنند، برای مثال، زمان (و آیا) مداخله را تعیین کنند.

آینده‌ای که در آن پزشکان بتوانند اثرات تمام درمان‌های ممکن را بر روی دوقلوهای دیجیتالی بیماران شبیه‌سازی کنند تا مؤثرترین مسیر را تعیین کنند، مسلماً جاه‌طلبانه است. شاید به همین دلیل است Unlearn.AIاستارت آپی که امروز اعلام کرد 50 میلیون دلار در دور سرمایه گذاری سری B جمع آوری کرده است، با آزمایشات بالینی شروع به کار کرد. محصول دوقلو دیجیتال Unlearn ویژگی‌های بیماران را در آزمایش‌ها تکرار می‌کند تا مطالعات کوچک‌تر و سریع‌تری را که این شرکت ادعا می‌کند بر اساس ترکیبی از هوش مصنوعی و داده‌های تاریخی ساخته شده است، امکان‌پذیر کند.

ما از داده های ترکیب شده از تعداد زیادی کارآزمایی بالینی که قبلاً اجرا شده بود استفاده می کنیم. چارلز فیشر، مدیرعامل، از طریق ایمیل به TechCrunch گفت: محصول ما یک مدل هوش مصنوعی نیست، بلکه یک آزمایش بالینی است. انتظار برای توسعه واکسن [during the pandemic] به این معنی است که هر روزنامه نگار و بیشتر مصرف کنندگان آگاه به طور دردناکی از نیاز به سرعت بخشیدن به آزمایشات بالینی در حین انجام ایمن آنها آگاه شدند… [While there] آیا سایر شرکت‌ها علاقه‌مند به استفاده از داده‌های دنیای واقعی برای انجام آزمایش‌ها سریع‌تر یا بهتر هستند، هیچ رقیب مستقیمی با مسیر نظارتی مستقیم برای استفاده از فناوری‌های خود در این زمینه وجود ندارد. [late-stage] آزمایشات بالینی.”

Unlearn در سال 2017 توسط فیشر، آرون اسمیت و جان والش – همه فیزیکدانان آموزش دیده – تاسیس شد. این سه در حین کار با هم در Leap Motion، استارت‌آپ منحل‌شده‌ای که حسگرهای حرکتی را برای رایانه‌های رومیزی و هدست‌های واقعیت افزوده توسعه می‌دهد، ملاقات کردند.

فیشر، اسمیت و والش به دنبال ایجاد سرویسی بودند که بتواند مجموعه داده‌های کارآزمایی بالینی را از بیماران پردازش کند تا مدل‌های یادگیری ماشینی «ویژه بیماری» را بسازد، که به نوبه خود می‌توان از آن برای ایجاد دوقلوهای دیجیتال با سوابق پزشکی مجازی مربوطه استفاده کرد. این سوابق دیجیتالی دوقلوها طولی خواهند بود – یعنی داده‌های مربوط به زمان و سیستم‌ها را ترکیب می‌کنند – و اطلاعات جمعیت‌شناختی، نتایج آزمایشات رایج و نشانگرهای زیستی را پوشش می‌دهند که با سوابق واقعی بیمار در یک کارآزمایی بالینی یکسان به نظر می‌رسند.

“[Our] هدف این نبود که آزمایش‌های بالینی را تسریع کند، بلکه تحقیقی خالص در زمینه یادگیری ماشینی بود. ولی [I] فیشر گفت که سابقه صنعت داروسازی داشت و به زودی مشخص شد که هیچ سرمایه‌گذاری در یادگیری ماشینی به عنوان یک فناوری برای توسعه دارو وجود نداشته است. (فیشر قبلاً دانشمند اصلی فایزر بود.)[Unlearn] از طریق تعامل تکامل یافته است[s] با صنعت داروسازی.»

امروز Unlearn با داروسازی، شرکت‌های بیوتکنولوژی و محققان دانشگاهی برای تولید دوقلوهای دیجیتال برای هر بیمار در یک کارآزمایی بالینی. فیشر این را می گوید اثرات درمان را می توان پس از تصحیح نتایج حاصل از دوقلوهای دیجیتال با دقت بیشتری تخمین زد.

طبق گزارش‌ها، توانایی‌های Unlearn برای متقاعد کردن سه شرکت برای انجام مطالعات در مورد محصول آن کافی بود، اگرچه فیشر تنها مایل بود یکی را نام برد: Merck KGaA، دارمشتات، آلمان (یک نهاد دارویی مجزا از Merck). به گفته فیشر، Merck KGaA از Unlearn برای گنجاندن اطلاعات پیش آگهی از دوقلوهای دیجیتال در کارآزمایی‌های تصادفی‌سازی شده و کنترل‌شده خود استفاده می‌کند، که امیدوار است گروه‌های کنترل کوچک‌تر را فعال کند و شواهدی را ایجاد کند که «برای حمایت از تصمیم‌های نظارتی در خط لوله ایمنی‌شناسی خود» مناسب است.

اگر فناوری دوقلوی دیجیتال Unlearn به همان اندازه که تبلیغ می‌شود کار کند، می‌تواند موهبتی برای صنعت پزشکی باشد که مدت‌هاست مجبور شده است هزینه‌های سنگین و چالش‌های لجستیکی مرتبط با آزمایش‌های بالینی را بپذیرد. طبق یک مطالعه در سال 2018 از جان هاپکینز، آزمایشات بالینی که پشتیبانی تاییدیه های سازمان غذا و داروی ایالات متحده برای داروهای جدید هزینه متوسط ​​19 میلیون دلاری دارد. این کارآزمایی‌های بالینی – که در مراحل چند ماهه انجام می‌شوند – می‌توانند سال‌ها (شش تا هفت) طول بکشند به طور متوسط) و با موانع پیش بینی نشده مانند کمبود شرکت کنندگان واجد شرایط و تغییرات در پروتکل مواجه شوید.

اما چندین مطالعات سوالاتی را در مورد محدودیت های فناوری دوقلو دیجیتال، مانند حساسیت بالقوه آن به مجموعه داده های مغرضانه، مطرح می کند. یکی اخیر کاغذ اشاره می کند که سوگیری – که برای مثال ناشی از عدم نمایش بیماران سیاه پوست در داده های کارآزمایی بالینی است – می تواند بر دقت پیش بینی های انجام شده با استفاده از دوقلوهای دیجیتال تأثیر بگذارد.

فیشر با اشاره به پیش نویس نظر از آژانس دارویی اروپا (EMA) نشان می دهد که دوقلوهای دیجیتال می توانند برای تجزیه و تحلیل اولیه مطالعات دارویی فاز 1 و فاز 2 استفاده شوند. (EMA تقریباً موازی با بخش دارویی سازمان غذا و داروی ایالات متحده است.)

«تیسوال او این است که آیا ممکن است سوگیری در کارآزمایی بالینی با استفاده از این فناوری وجود داشته باشد؟ از نظر ریاضی غیرممکن خواهد بود.» فیشر گفت. “[Moreover,] Unlearn فقط از داده های متراکم شده استفاده می کند و به اطلاعات خصوصی دسترسی ندارد.”

با سرمایه جدید، که مجموع جمع آوری Unlearn را تا به امروز به 69.85 میلیون دلار می رساند، این شرکت قصد دارد تعداد 40 نفر خود را دو برابر کرده و عملیات خود را در مناطق جدید بیماری گسترش دهد.

فیشر گفت: «صنعت فناوری کارآزمایی بالینی یک مشکل عمده دارد: شرکت‌های داروسازی نسبت به فناوری جدید بدبین هستند. “چالش بزرگ ایجاد شواهدی برای متقاعد کردن آنها به این است که رویکردهای جدید ارزش ارائه می دهند و در عین حال شواهدی را ارائه می دهند که می توانند در فرآیند نظارتی مورد استفاده قرار گیرند.”

Insight Partners در Unlearn’s Series B شرکت کرد، که همچنین شاهد مشارکت Radical Ventures و سرمایه گذاران موجود 8VC، DCVC، DCVC Bio و Mubadala Capital Ventures بود.