약물 발견 및 AI 예측(ft. Stephen MacKinnon)

Innovation Capital의 이번 에피소드에서

향후 약물 발견 과정과 경험은 어떻게 변할까요? Innovation Capital의 이번 에피소드에서는 과학자이자 혁신가인 Stephen MacKinnon과 함께 이 매혹적인 주제를 자세히 살펴봅니다.

들어라.

에피소드 스크립트

레이 초한: Steven, Innovation Capital에 오신 것을 환영합니다! 오늘 이 에피소드에 여러분을 모시게 되어 정말 기쁩니다. 사실 우리는 조직으로서 한동안 Cyclica를 따라왔고 이 공간을 아주 좋아하기 때문에 여러분과의 대화를 꽤 오랫동안 고대해 왔습니다.

우리는 당신의 뒷이야기와 당신이 생명 공학의 놀라운 세계에 어떻게 도달하게 되었는지에 대한 약간의 이야기로 시작하고 싶습니다, Stephen. 그런 다음 Cyclica의 사명과 비전을 탐구할 수 있다면 거기서부터 시작하겠습니다.

자, 스티븐, 당신에게!

스티븐 맥키넌: 승선해 주셔서 감사합니다! 나는 항상 내가 한 일과 조직이 한 일에 대해 이야기하는 것을 기쁘게 생각합니다. 제 이름은 스티븐 맥키넌입니다. 저는 Cyclica의 연구 개발(R&D) 부사장입니다.

저의 배경은 전산 생화학이며 이 분야에서 학사 학위와 박사 학위를 받았습니다. 하지만 실험실에서 비커와 실험을 통해 생화학을 공부하는 것과는 달리, 제 공부 방식은 방대한 정보 데이터베이스를 살펴보고 데이터의 추세를 파악하여 새로운 통찰력을 얻으려고 노력하는 것입니다. 내 박사 학위는 단백질의 3차원 구조를 살펴보는 문제인 구조적 생물 정보학이었습니다. 그리고 다시 완전히 계산적으로 서로 상호 작용하는 방식의 패턴을 찾습니다.

나는 조직의 초기 단계, 말하자면 우리 모두가 지하실에 있었던 사전 시드 단계에서 Cyclica에 합류했습니다. 나는 당시 최초의 직원 과학자였습니다. 우리는 약물이 단백질과 어떻게 상호 작용할 수 있는지에 대한 예측을 하기 위한 아이디어를 내놓았습니다. 그러나 "여기에 새로운 단백질 표적이 있습니다. 이 단백질 표적과 상호 작용할 수 있는 모든 약물은 무엇입니까?"라고 말하는 것은 아닙니다. 대신, 우리의 접근 방식은 우리가 약물을 설계하는 문제를 해결할 수 있을 뿐만 아니라 이 약물이 상호작용할 수 있는 모든 단백질 표적을 발견할 수 있는 포괄적인 솔루션을 개발하는 것이었습니다.

이것은 인간 게놈에 약 20,000개의 다른 단백질 인코딩 유전자가 있다는 생각을 따릅니다. 치료 효과를 유도하기 위해 단 하나의 단백질 표적과 상호 작용하는 약물을 아무리 잘 개발하더라도 약물이 많은 다른 것들과 상호 작용한다는 것을 알고 있습니다. 그것은 대사되고 흡수되어 신체의 한 곳에서 다른 곳으로 이동합니다. 따라서 우리는 약물이 상호 작용하는 다양한 단백질이 있다는 것을 알고 있으며, 이러한 모든 관계를 시도하고 매핑하기 위해 컴퓨터 접근 방식을 사용할 수 있기를 바랍니다.

이제 저는 이 조직에서 약 XNUMX~XNUMX년 동안 일해 왔으며 초기 조직에서 현재 위치로 발전하는 것을 보고 과학자 팀을 구성할 기회를 가졌습니다. 처음에는 제가 메인 개발자로서 많은 프로그래밍과 연구를 직접 했습니다. 그런 다음 팀을 만들기 시작했습니다. 나는 같은 생각을 가진 다른 과학자들을 우리와 함께 찾았고, 우리는 이 문제를 함께 공동으로 연구해 왔습니다.

레이 : 말이 됩니다. Stephen, 작년 3월 DeepMind AlphaFold가 아미노산 서열에서 단백질의 50D 모양을 예측하고 생물학에서 XNUMX년 된 위대한 도전을 해결할 수 있었던 순간이 Cyclica의 비전으로 이어진다고 말하는 것이 타당합니까? 본질적으로 사양에 맞게 제작된 소프트웨어와 같은 약물을 만들고 있습니까?

스티븐 : 저는 DeepMind가 이룬 진전이 확실히 예외적이라고 생각합니다. 나는 그들이 특정 문제를 해결하기 위해 다양한 형태의 정보를 생각하고 결합하는 방식을 특히 좋아합니다.

단백질 구조 예측, 또는 적어도 단백질 구조의 새로운 예측은 확실히 오랫동안 학계에서 성배의 한 형태였습니다. 단백질이 어떻게 근본적으로 작동하는지, 어떻게 단백질이 세포 내부의 작은 기계인 3D 구조로 연결되어 청사진에서 우리가 상상할 수 있는 가장 복잡한 작업을 수행할 수 있는 기계로 자가 조립되는지, 심지어 거시적인 관점을 넘어서는지를 이해합니다. . 그런 면에서 대단한 성과임에는 틀림없다.

인간 프로테옴의 관점에서 구조를 예측할 수 있는 기술에서 매우 잘 제공될 많은 단백질이 있습니다. 예를 들어, 약 20,000개의 유전자 인코딩 단백질 중에서 약 5,000~10,000개가 실험적으로 어느 정도 용량으로 해결되었으며, 그 중 약 3개의 단백질은 모델링에 사용할 수 있는 어느 정도의 기존 사촌 구조를 가지고 있으며 AlphaFold와 같은 기술이 도입될 때 프로테옴의 어두운 부분, 특히 연구원들이 그렇게 적극적으로 연구하지 않은 부분을 들여다보고 그 XNUMXD 모양이 어떻게 생겼는지 알 수 있습니다.

이는 아직 많이 연구되지 않은 종의 단백질 구조를 식별할 뿐만 아니라 그 맥락에서 중요하고 의미 있는 추가 사항입니다. 예를 들어, 병원성이 있을 수 있고 약물 발견과 인간 건강에 매우 중요한 박테리아 종 또는 인간 건강에 중요한 역할을 하는 장내 미생물 군집이 있습니다. 이러한 영역에 영향을 미칠 수 있는 구조적 예측 기술의 잠재력은 분명히 많습니다.

레이 : 말이 되는군요. 작년 PatSnap에서 자세히 관찰한 내용이었습니다. 이제 우리는 AI, 데이터 분석 및 고전적인 벤치 생물학이 함께 수렴되는 방식에 대한 이 영광스러운 패러다임에 진입하고 있습니다. 당신의 전문적인 견해로는, 이 새로운 패러다임의 뒷이야기는 어디에 있습니까?

모든 사람은 약간 다른 뉘앙스의 렌즈를 가지고 있습니다. 청중이 이 패러다임의 시작을 진정으로 이해할 수 있도록 모든 것이 어디서 시작되었는지 말씀해 주시겠습니까? 또한 2026년까지 환자의 삶의 측면에서 우리가 어디에 있을 것이라고 생각하십니까?

스티븐 : 기계 학습(ML)은 오랫동안 약물 발견 프로세스의 일부였습니다. 제가 이전에 언급한 특정 논문이 있는데, 그 논문에서 저자들은 1980년대에 약물 발견에 대한 ML의 영향에 대해 이야기했습니다.

우리가 할 수 있는 한 정보를 사용하려는 오랜 역사가 있습니다. 많은 경우에 우리가 가진 정보는 제한되어 있고 우리가 해결하려는 문제의 범위는 너무 큽니다. 따라서 어디에서 실험을 진행해야 하는지 알려주기 위해 가능한 한 많은 정보를 사용하려는 동기가 항상 있었습니다.

예를 들어, 화학 공간 - 숫자가 너무 커서 이렇게 큰 숫자에 대한 실제 단어가 없다고 생각하지만 10의 60승은 분자의 수에 대해 인용되는 경향이 있는 숫자 중 하나입니다. 존재할 수 있거나 생성될 수 있는 약물처럼 보입니다. 따라서 프로그램에서 수행할 수 있는 모든 가능한 실험의 크기 또는 순열이 너무 방대할 때 이러한 계산 예측을 사용하면 범위를 좁히거나 원하는 결과를 얻을 수 있는 곳에 집중하는 데 도움이 됩니다. 연구 측면에서 귀하의 돈에 대한 최고의 강타.

보다 최근의 발전에 불을 붙인 몇 가지 사항은 2000년대 초반과 2010년 기간 사이에 정말 흔하고 빠르게 발전했던 로봇 유형 접근 방식입니다. 그래서 사람들이 데이터를 수집하고 실험을 할 때, 10개나 수백 개의 데이터 포인트와 같은 작은 숫자로 하는 것이 아니라 수만에서 수십만 개의 서로 다른 데이터 포인트를 수집하고 있었습니다. 따라서 얼마나 많은 다른 측정이 수행되는지에 관한 것이 아니라 해당 데이터 포인트 내의 데이터에 관한 것이기도 합니다. 이러한 측정에는 훨씬 더 많은 차원이 있습니다.

예를 들어, 2008년에서 2010년 사이에 본격적으로 등장한 기술인 차세대 시퀀싱은 하나의 실험으로 수천 개의 서로 다른 데이터 포인트를 측정할 수 있습니다. 더 많은 실험이 수행되고 있으며 이러한 실험 내의 정보는 훨씬 더 차원이 높습니다. 따라서 개인이 전체를 소비하기에는 너무 많은 정보 콘텐츠를 이해하고 이를 바탕으로 정보에 입각한 결정을 내리기 위한 컴퓨터 예측이 필요합니다.

레이 : 스티븐, 급격한 원가 하락도 기회라고 할까요? 예를 들어 2000년대 초반 게놈 시퀀싱 비용을 보면 1,000억 달러에 가까웠다. 오늘 기준으로 XNUMX달러 미만입니다. AI와 로봇 공학 및 전산 생물학 주변의 다른 움직이는 부분에 이러한 디플레이션 효과가 있을 때 앞으로 나아가는 데에도 큰 역할을 합니까? 본질적으로 확장성과 접근성이 향상되고 있습니까?

스티븐 : 예. 시퀀싱은 훨씬 더 저렴해진 생명 공학 향상의 좋은 예 중 하나이며 결과적으로 더 적은 비용으로 더 높은 규모로 수행할 수 있습니다. 그러나 여기에는 역할을 하는 여러 기여자가 있습니다.

예를 들어, 이러한 유형의 측정을 수행하고 해당 데이터를 전 세계와 공개적으로 공유하는 전체 학술 커뮤니티가 있습니다. 이는 새로운 유형의 기술을 개발할 수 있는 기반을 제공하는 데도 많은 도움이 되었습니다. 따라서 비용뿐만 아니라 커뮤니티 효과도 있습니다. 결합된 이러한 요소는 생명 과학 분야의 대규모 공용 데이터베이스에 기여했으며 회사가 새로운 기술을 개발하고 새로운 것을 시도할 수 있는 길을 열었습니다. 이러한 회사는 사용 가능한 정보를 기반으로 작동하는 것과 작동하지 않는 것을 테스트할 수 있습니다.

둘째, 데이터뿐만 아니라 알고리즘에 대한 접근성이 게임 체인저였습니다. 새로운 기술 개발을 시작하는 데 더 쉽게 접근할 수 있도록 하는 기계 학습 전용의 훌륭한 공개 툴킷이 많이 있습니다.

레이 : DNA 시퀀싱, 합성, 머신 러닝, 컴퓨터 비전, 자동화가 융합되고 로봇 공학을 접한 이 흥미진진한 공간을 살펴보면 시장에서도 우리가 보고 있는 것은 이 새로운 세대의 생명 공학입니다. 회사. 이러한 기능은 플랫폼 비즈니스 모델처럼 작동하며 Uber 또는 Airbnb와 다르지 않습니다. 데이터 네트워크 효과와 같은 요소가 있고 다른 회사가 IP 및 플랫폼을 기반으로 구축할 수 있습니다. 이것이 Cyclica에서 관찰했거나 적극적으로 참여하고 있는 것입니까?

스티븐 : 그것은 확실히 우리 개발의 초기 단계에서 나온 질문입니다. 처음에 우리는 신약 개발에 가치를 가져올 수 있을 것으로 예상되는 새로운 예측을 제시하고 있었습니다. 우리의 초점은 약물이 주요 표적에 대해 무엇을 하려는지 뿐만 아니라 연단에 있는 모든 것 또는 그와 같은 많은 부분에 대해 우리가 정말로 알고 싶거나 설명할 수 있기를 원했던 앞에서 언급한 중심 철학에 있었습니다. 가능한 한 새로운 화합물을 위한 새로운 설계 프로세스의 일부로 선행합니다.

그래서 어느 시점에서 우리는 예측을 개발합니다. 예측이 좋습니다. 우리가 만족하는 좋은 예측 신호를 얻었습니다. 결국 이것은 "이것이 어떻게 상용화됩니까?"라는 질문을 던집니다. 즉, 비즈니스 모델이 있는 본격적인 회사로 여기(술어 및 일부 소프트웨어 코드)에서 어떻게 이동합니까?

지금은 다른 산업을 대표하여 말할 수 없지만 예를 들어 약물 발견을 위한 AI를 보면 약물 발견 제품 수명 주기가 매우 복잡합니다. "이 조건에 대한 FDA 승인 약물이 여기 특정 조건에 대한 치료를 원합니다."에서 갈 수 있는 단일 경로는 없습니다. 길은 하나가 아니라 길을 따라 여러 갈래로 나뉜다. 또한 해당 연구 및 제품화에 관련된 수백 가지 단계가 있습니다.

따라서 계산 기술이 영향을 미칠 수 있는 다양한 영역과 기술이 삽입될 수 있는 다양한 영역이 있습니다. 당연히 이 공간에서 형성되고 있는 전 세계적으로 많은 회사가 있습니다. 놀랍게도 동일한 작업을 위해 설계된 두 가지 도구를 제공하는 측면에서 직접적으로 경쟁하는 업체는 많지 않습니다. 각 기술이 해결하고 구축하기 위해 개발되는 다양한 작업 측면에서 실제로 많은 다양성이 있습니다.

회사를 발전시키다 보면 어느 순간 “하나의 문제를 해결하는 데 집중하고 그것을 아주 잘 수행한 다음 그 문제를 확장하는 데 집중하고 싶습니까?”라고 생각해야 하는 단계가 있습니다. 또는 "신약 발견 내에서 가치를 창출하는 특정 변곡점에 집중하고 이를 중심으로 하는 신약 개발 프로그램 구축을 시작하고 싶습니까?"

이것이 보다 수평적인 비즈니스 구조와 보다 수직적인 비즈니스 구조 사이의 트레이드 오프입니다. 그리고 기술을 취하여 더 나은 약물을 설계하는 데 사용할 것인지, 아니면 기술과 파트너를 구축하고 다양한 파트너를 위한 파트너십 플랫폼을 만들 것인지에 대해 이 공간에 등장하는 서로 다른 회사와 함께 작동하는 두 가지 사고 방식이 있습니다. 사람들이 자신의 연구에서 다양한 프로그램을 돕고 지원할 수 있습니까? 그것은 모든 회사가 어느 정도 발전함에 따라 직면하게 될 정체성 위기입니다.

레이 : 현재 우리는 어디에 있습니까, Stephen, 문제 솔루션 구축(특정 수의 사례를 가리키는)과 데이터에 대한 이 핵심 IP 기능을 가지고 있는 플랫폼에 더 가까운 반대, 그리고 당신은 다른 사람들이 당신 위에 올라가도록 내버려두고 당신은 거기에서 가나요?

스티븐 : 그건 좋은 질문이야. 두 영역 모두에서 이 업계에서 성공을 거두었습니다. 포인트 솔루션에 초점을 맞추는 경향이 많을수록 특정 기술을 더 많이 개선할 수 있습니다. 더 세련될수록 더 나은 서비스를 제공할 수 있습니다. 그러나 이에 대한 반대는 어느 시점에서 개발에 대한 수익이 감소하고 특정 한 가지를 만지작거리게 된다는 것입니다.

아마도 효과적인 포인트 솔루션으로 시작하여 이를 개선하기 위해 점진적으로 업스트림 및 다운스트림으로 이동한 다음 더 오랜 기간 동안 파트너 프로젝트를 지원하는 더 나은 교차점이 실제로 있을 것입니다.

레이 : 정말 흥미로워요, 스티븐. 당신이 이야기하는 동안 저는 플랫폼 회사가 있는 고전적인 소프트웨어 공간인 우리 공간을 시각화하고 있습니다. 100,000점 이상의 솔루션 플레이어는 아니더라도 수천 명이 있습니다. 그것들은 모두 다른 방식으로 가치를 창출하고 있으며 그 생태계는 기업 내에서 그리고 B2B 맥락 또는 B2C 맥락에서 엄청난 생산성을 가져왔습니다.

롤러코스터 여행의 관점에서 볼 때, 우리는 생명공학 내에서 이 새로운 패러다임 내에서 어디에 있습니까? 구체적으로, 1994년에서 ​​1995년 사이에 정말 초기 단계였고, 1998년에 미친 닷 컴북이 시작되었고, 나머지는 역사라면, 닷 컴, 초기 인터넷과 비교한다면 우리는 얼마나 멀리 있습니까? 귀하의 의견으로는, 이것을 구축하고 의료 분야의 판도를 바꾸는 영향을 만드는 측면에서 우리는 어디에 있습니까?

스티븐 : 나는 2000년이나 그 이전에 대해 말하고 싶지 않습니다. 거의 거품이 나타날 것이라고 예측하기 때문입니다. 그러나 어느 정도는 comp bio가 큰 성장과 함께 거품이 오기 전에 초기 단계에 있을 수 있다고 생각합니다.

즉, 1995년에서 2000년 사이에 실제로 초기 단계의 인터넷에 있었던 것보다 comp bio에 더 많은 기반이 있다고 생각하기 때문에 그것이 사실이라고 생각하지 않습니다. 그리고 그것은 다른 이름으로 오랜 기간 동안 comp bio에서 많은 훌륭한 작업이 이루어졌기 때문이라고 생각합니다. 당시에는 AI라는 이름이 아니었습니다. 계산 화학과 같은 다양한 용어가 등장했고 시뮬레이션에 많은 관심이 있었습니다.

게다가 시뮬레이션과 예측, 특정 공간 내에서 시뮬레이션 또는 기계 학습의 형태를 통한 예측의 오랜 역사가 있습니다. 그래서 저는 실제로 미친 과대 광고 주기가 오고 갔을 수도 있는 2006년에서 2007년 시대에 더 가깝다고 생각합니다. 그러나 우리는 약물 발견의 민주화, 전산 생물학의 민주화, 그리고 더 광범위하게 접근할 수 있도록 하는 것과 전 세계적으로 다양한 조직의 기여를 살펴보고 있습니다. 그래서 저는 거품이 오기 전의 닷넷과 반대로 유튜브와 페이스북, 인터넷 2.0형 단계의 부상을 더 많이 생각하고 있습니다.

레이 : 우와. 당신은 그것으로 나를 웃게 만들고 있습니다. 그래서 2006년에서 2007년? 2001년부터 2002년까지라고 말할 줄 알았는데! 우리가 이른 것처럼, 그러나 우리는 거기에 도달하고 있습니다.

2006년에서 2008년 사이에 우리가 진정으로 가속하고 긍정적인 영향을 미치기 시작하는 시대를 아름답게 만들어준 핵심 기술인 큰 힘 승수에 대해 말씀해 주시겠습니까?

스티븐 : 이상하게도 그 질문에 기술을 통해 답할 수 있다고 생각하지 않습니다. 나는 이것이 과학자들의 문화와 적응하고 기여하려는 그들의 준비성이라고 생각합니다. 또한 소규모 회사와 생명 공학 회사가 이러한 전통적인 허브 영역 밖에서 전 세계적으로 시작하려는 욕구가 있었습니다.

나는 그것이 준비의 문화와 예측에 대한 과학자의 사고 방식에 가깝다고 생각합니다. 사람들이 인터넷 소비자에서 인터넷 콘텐츠 제작자로 이동한 2007년에 시작된 콘텐츠 제작 전환과 같습니다. 전 세계적으로 과학자들은 단순히 기초 과학을 생성하는 대신 아이디어를 가져와 적용하고 치료법을 만들고 있습니다.

특정 단백질이 세포에 미치는 영향에 대해 이 놀라운 연구와 위대한 발견을 하는 것은 전 세계 실험실의 모든 학생과 교수들입니다. 그들은 다음 단계를 모색하고 중요한 질문을 던집니다. “왜 나는 새로운 치료법을 개발할 수 없습니까? 내가 뭔가를 돌리는 사람이 될 수 없는 이유는 무엇입니까?”

그 식욕이 우리를 매우 설레게 하는 것 같아요, 그렇죠? 우리가 약물 발견을 민주화하는 데 도움이 되는 방법을 찾을 수 있다면 사람들이 준비가 되었을 때 이러한 인터넷 회사가 있었던 훌륭한 위치에 있을 것이라고 생각합니다.

레이 : 우리가 여기서 완전히 새로운 메타버스를 여는 것 같군요, Stephen. 이런 식으로 민주화하면 예를 들어 남아프리카에 있는 한 기관의 캠퍼스에서 북미에 기반을 둔 생명 공학 플랫폼을 구축하고 그 과정에서 실제로 가치를 창출하는 명석한 박사 과정 학생이 있을 수 있습니다. 그것이 우리가 향후 XNUMX~XNUMX년 안에 실행하게 될 잠재적인 세계입니까, 아니면 이미 일어나고 있습니까?

스티븐 : 나는 그것이 이미 일어나고 있다고 생각하고 흥분과 식욕이 있습니다. 연구자들이 조사하고 있는 문제의 유형은 희귀병이며, 당신은 남아프리카와 열대성 질병도 언급했습니다. 아마도 이것은 업계가 이렇게 함으로써 보고 있는 것의 범위를 넓히도록 강요하고 있을 것입니다.

레이 : 현재 실제로 영향을 미치고 있는 팀 또는 개별 조직의 가장 좋아하는 예는 무엇입니까?

스티븐 : 글쎄, 우리라고 말하고 싶다(웃음).

레이 : 물론 너희들이 그런 줄 알아!

스티븐 : 확실히, 우리가 높이 평가하는 이 공간 안에 다른 많은 회사들이 있습니다. 하지만 그것이 우리가 하고자 하는 바이며 우리가 도울 수 있기를 바라는 것입니다. 우리는 바로 그 이유로 학술 파트너십 프로그램을 마련했습니다. 우리는 교육과 그 경험이 파트너와 학생, 우리와 함께 일하는 박사후 연구원에게 매우 중요하다고 믿습니다. 그것은 그들에게 산업에 대한 노출을 제공하고, 계속 움직이고자 하는 관심과 욕구를 불러일으킨다.

우리는 다른 두 학술 기관과의 공동 작업으로 아카이브 논문을 발표했습니다. 기술 측면에서 우리를 도왔고 Vector Institute의 Bo Wang을 통해 단백질 표적을 식별하는 새로운 기술을 개발했습니다. 그의 학생 Haotian과 Postdoc Mehran은 대상을 식별하는 데 도움이 되는 COVID-19 약물 발견 프로그램에서 우리를 도왔습니다. 그런 다음, 약 10,000개의 임상 테스트 화합물의 약물 표적 상호 작용을 예측하여 작동하는 약물 용도 변경 데이터베이스인 Polyform DB라는 기술을 개발했습니다.

따라서 이들은 8,000상 데이터, 26상 데이터 또는 19상 데이터가 있거나 약 XNUMX개의 인간 단백질과 관련하여 FDA 승인을 받은 화합물입니다. 이것은 미리 계산된 약물 표적 상호작용 데이터베이스와 같습니다. 우리는 그들의 표적, 우리가 만든 예측을 상호 참조하고 다른 학술 그룹인 Ryerson University의 Costin Antonescu와 그의 그룹의 Postdoc Michael의 도움으로 그들은 다음을 개발했습니다. 실제 인간 세포를 사용하고 살아있는 바이러스를 사용하여 일부 로봇에 비해 수천 가지 화합물을 실제로 볼 수 있는 정확한 바이러스 감염성 에세이. 우리는 이 낮은 처리량의 과학적 스크린으로 그것이 정확함을 볼 수 있습니다. 그래서 우리는 생산을 기반으로 테스트를 위해 약 XNUMX개의 화합물을 구입할 수 있었고 몇 가지 히트를 기록했습니다. 그것은 COVID-XNUMX에 대한 새로운 후보의 발견으로 이어졌지만 바이러스에 직접 작용하는 대신 인간 세포에 작용합니다. 그 접근 방식에 대한 희망은 후속 실험에서 이것이 실제로 임상 시험을 위한 실행 가능한 후보임을 보여주면 돌연변이에 더 저항할 수 있다는 것입니다.

특히 COVID-19에 대한 학술 기관의 욕구를 보여주는 좋은 예라고 생각했기 때문에 지적하고 싶었습니다. 2020년 XNUMX월부터 XNUMX월까지 팬데믹이 처음 발생했을 때 모두가 이 공간에서 도울 수 있기를 원했습니다. 그래서 우리는 두 개의 학술 기관과 파트너 관계를 맺었고 모두가 중요한 역할을 했습니다. 우리는 화합물을 용도 변경하는 것뿐만 아니라 유용할 수 있는 새로운 표적을 찾았고 미래의 코로나바이러스나 다른 바이러스에 대항할 수 있는 몇 가지 새로운 화합물을 개발할 수도 있습니다.

레이 : 특정 교육 기관과 훌륭한 파트너십을 맺은 사례에 대해 이야기하면 할수록 특정 소프트웨어가 개발된 방식과 매우 유사합니다. 우리는 현대의 생명공학 회사가 동급 최강의 클라우드 기반 소프트웨어 비즈니스와 다르지 않은 운영 리듬을 가지고 있는 이 거대한 수렴을 보고 있습니다.

Stephen, 실행 세부 사항이 많이 변경되었나요? 따라서 예를 들어 뉴질랜드의 X 교육 기관과 파트너 관계를 맺고 실사, 특정 법적 요구 사항 및 일반적으로 거쳐야 하는 모든 프로세스와 관련하여 일을 진행하고 모든 지루한 작업을 수행하는 프로세스는 다음과 같습니다. 사람들과 함께 일하고 일이 처리되고 정리되는 방식을 빠르게 추적하는 데 큰 변화를 가져왔습니까?

스티븐 : 처음에는 확실히 더 큰 장벽이 있었습니다. 우리가 학계와 협력하고 그러한 프로세스가 어떤 것인지 파악하는 데 끈질기게 노력하지 않았다면 아마도 상황이 조금 다르게 보였을 것입니다.

다행스럽게도 우리는 우리의 기술을 널리 알리고 학계와 협력하여 공동 기술 개발을 돕고 현장 테스트를 통해 유효성 등을 얻는 데 도움이 되는 훌륭한 전략적 파트너십 팀을 보유하고 있습니다. 처음 몇 개는 확실히 도전이었지만, 잠시 후 우리는 교육 기관이 원하는 것을 알게 됩니다. 그리고 이러한 기관들은 일반적으로 더 많은 응용 연구와 파트너십을 찾고 있기 때문에 식욕이 증가하고 있습니다.

그러한 욕구는 또한 업계 학술 협력을 촉진하기 위해 최선을 다하고 있는 대학 및 정부 프로그램에서도 나옵니다. 저는 캐나다에 우리를 위한 공동 연구 프로그램에 자금을 지원하는 데 도움이 되는 매우 좋은 리소스가 많이 있다는 것을 알고 있습니다. 이것은 우리가 다른 방법으로는 가질 수 없는 무언가에 손을 대볼 수 있는 기회를 제공합니다.

학계의 경우 연구 개발 및 출판물 확보 측면에서 필요한 것을 제공합니다. 그런 다음 학생들에게는 졸업할 때 더 큰 성공의 기회를 제공하는 독특한 기회가 제공됩니다. 그래서 저는 그것이 다양한 곳에서 나온다고 생각하며, 점점 더 유연해지고 있는 학술 기관과 IP 관리 부서의 수용성이 더 높아진 것이 아닙니다. 또한 정부 프로그램은 이 과정을 실질적으로 지원합니다. 마지막으로, 기초 과학에 대한 필요성이 여전히 강하지만, 그 필요성은 응용 과학의 필요성과도 균형을 이루고 있습니다. 따라서 전체 생태계가 진화하고 개선되어 사물에 더 쉽게 접근할 수 있습니다.

레이 : 학계와 정부 측면에 초점을 맞추면 지난 XNUMX~XNUMX년 동안 관료주의가 완화된 대규모 문화적 변화가 있었습니까? 과거에 일을 진행하고 사람들을 실행하는 데 어려움이 있었다는 것을 알고 있습니다. 하지만 이제 파트너 관계를 유지하고 결과를 실행하고 전달할 수 있습니까?

스티븐 : 빨간 테이프가 지워진 적이 없습니다. 체계적인 개선이 있는지, 아니면 우리 팀이 작업을 더 잘하고 있는지는 모르겠지만 확실히 더 이상 장벽이 아닙니다. 그 어떤 관료주의보다 의지가 강하다고 생각합니다.

레이 : 그 어느 때보다 외부를 바라보고 있기 때문에 Cyclica에서 인텔리전스 워크플로를 갖는 것이 일상의 핵심이라고 내부적으로 말하는 것이 공평합니까?

스티븐 : 우리가 훨씬 작았을 때(10~50명), 모든 것을 탐색하고 추적하는 것은 분명히 어려웠습니다. 하지만 우리가 성장함에 따라, 특히 지금은 직원이 50명을 넘어섰기 때문에 서로 다른 사람이 서로 다른 일을 모니터링하도록 하는 것이 조금 더 쉬워졌습니다. 그리고 그 XNUMX명 안에는 정부 프로그램, 학술 기관 및 파트너십과 같은 특정 요소에 관심이 많은 개인이 많이 있습니다. 따라서 조직으로서 개인이 좋아하는 것을 유지하기 어려울 수 있기 때문에 확실히 인식을 유지하는 데 도움이 됩니다.

레이 : 지금 약간의 재미를 느끼고 유토피아를 바라보는 것만으로도 우리는 전체적으로 상업적인 측면에서 생명 공학 공간과 생명 과학 분야에서 완전히 새로운 패러다임을 갖게 되었습니다. 이제 앞서 언급한 것처럼 이 공간에서 2006~2007년 인터넷 시대에 접근하고 있습니다.

수익 창출 모델은 어떻게 생겼습니까? 지금 비즈니스를 확장할 수 있는 방법에 대해 머리가 빙글빙글 돌고 있기 때문입니다. 수익을 확장하고 수익화를 민주화하여 더 많은 이해관계자가 게임에 참여하고 훌륭한 작업을 수행하고 의료에 영향을 주는 이점을 얻을 수 있는 혁신적인 새로운 방법이 있습니까?

말 그대로 Stephen에 대해 열광하는 것입니다. 산업뿐만 아니라 전체 공간입니다. 별난 새로운 아이디어로 이야기되고 있거나 실제로 지금 일어나고 있는 특정 수익 창출 모델이 있습니까?

스티븐 : 2007년부터 2008년까지 YouTube 콘텐츠 제작자가 나오기 시작하고 Facebook 사용자가 호황을 누리며 다양한 수익 창출 스키마에 대해 생각했습니다. 그 공간에서 성공한 모델은 플랫폼과 개별 기여자 모두에게 이익이 되는 모델이었습니다. 예를 들어 YouTube에서 YouTube 스타의 부상은 이를 완벽하게 보여줍니다.

이 공간에서 나올 신흥 솔루션은 비슷한 노선을 따를 것이라고 생각합니다. 기초 과학을 제시하고 새로운 흥미로운 대상을 식별하고 질병 모델 및 세포질 질병 모델을 개발하는 학자들은 그 연구로부터 혜택을 받을 수 있는 사람들입니다. 네, 앞으로 10년에서 XNUMX년 사이에 생명공학이 어떻게 자리를 잡고 발전할 것인지에 대한 많은 희망과 흥분이 분명히 있다고 생각합니다.

레이 : 중앙 분산 원장 기술에 대한 이벤트 블록체인 기술의 급속한 상승과 함께 마지막으로 정말 가속화되고 더 많은 공화국 수준에서 비트코인과 이더리움의 엄청난 급증으로 지금은 일종의 1998년 순간을 보내고 있습니다. 우리는 실제로 약물 개발이 민주화되면 X 생명 공학 회사에서 사용하는 예측 알고리즘을 가지고 있을 수 있는 초기 단계의 학술 연구원에게 잠재적으로 인센티브를 제공할 수 있는 방법에 대해 여기에서 잠재적인 파트너를 읽고 이야기하고 있습니다. 그러나 그들은 이제 당신이 예를 들어 남아프리카 공화국의 기관에서 밝은 마음을 가지고 있다면 당신의 아이디어를 업로드하고 토큰화되는 시장에서 그것을 공유하는 데 더 개방적입니다. 블록체인에 저장됩니다.

따라서 샌디에이고의 X biotech이 "와우, 우리는 이 예측 모델이 마음에 듭니다. 실제로 회사 내에서 이 기능을 가능하게 합니다. 우리는 이것을 타임스탬프하고 당신에게 보상할 것입니다.” 블록체인, NFT(Non-Fungible Token)와 같은 영역이 생명공학에 스며드는 것을 보고 있습니까?

스티븐 : 글쎄, 그것은 일종의 comp bio 앱 스토어를 갖는 흥미로운 아이디어입니다. 어쩌면 우리는 그것을 조사하고 측면에서 무언가를 시작해야 할 것입니다.

레이 : 뭐, 이걸 다시 그 인터넷 이야기로 연결한다면 어쩔 수 없겠죠? 조직 외부의 광범위한 수준에서 보고 있는 것이 있습니까? 일반적으로 500,000피트 개요가 논의되고 있습니까?

스티븐 : 특히 블록체인에 대해서는 조금 덜 말할 것입니다. 하지만 전자수첩에 블록체인을 사용한다는 이야기는 확실히 들었습니다. 특히 어떻게 진행되고 있는지에 대해 실제로 말할 수는 없지만 적어도 나중에 감사 또는 확인을 위해 기록된 정보와 실험 내에서 정보가 변경되지 않도록 하는 일종의 방법입니다. 그래서 저는 그 분야에 블록체인을 적용했다는 소식을 들었습니다.

레이 : 음, 스티븐, 당신과의 연결은 정말 흥미로웠어요. 당신과 팀이 Cyclica에서 하고 있는 일이 놀랍기 때문에 우리는 아마도 몇 시간 동안 이야기할 수 있을 것입니다. 귀하는 PatSnap에서 매우 열정적인 시장 공간에 있습니다. 우리는 이 공간에서 직간접적으로 운영하는 1,000명 이상의 고객을 보유하고 있습니다. 오늘 Innovation Capital에 참여해 주셔서 감사합니다.

이제 주제를 완전히 벗어난 재미있는 빠른 발사 라운드로 마무리하겠습니다. 외계 생명체를 믿거나 믿지 않습니까?

스티븐 : 신자. 확실히.

레이 : 이유는 무엇입니까?

스티븐 : 외계 생명체는 아마도 우리가 상상하는 방식이 아닐 것입니다. 그러나 어떤 종류의 박테리아처럼 보일 수 있는 것은 아무것도 없다고 말하면, 어떤 행성 어딘가에는 약간 밖에 있습니다. 천문학의 세계에 대해 새로운 것을 들을 때마다 우주는 우리가 이전에 생각했던 것보다 10배 더 크다는 것입니다. 따라서 우주의 크기가 우리가 예상한 것보다 계속 크다면 외계인의 가능성도 우리가 예상했던 것보다 더 높아야 합니다.

레이 : 2030년 시장 출시 시간, 약물 비용 및 흥미진진한 개발 측면에서 콤프 바이오 공간이 어디에 있을 것이라고 생각하십니까?

스티븐 : 기술적인 측면에서는 모델 교육을 위한 실험이 훨씬 더 많이 진행될 것이라고 생각합니다. 저는 AWS 및 Google Cloud와 같은 클라우드 컴퓨팅 클러스터를 생각하고 있습니다. 그들은 아무도 VM을 구매하지 않는 경우 가동 중지 시간 동안 사용되는 이러한 인스턴스를 갖는 경향이 있습니다. VM을 임대하는 특정 시간 동안 가동 중지 시간은 다른 유형의 계산에만 사용됩니다. . 실험실 장비는 특정 연구 프로그램, 특히 로봇에 집중하는 대신 데이터 생성을 위해 연구 중인 단백질이 있는 어두운 공간에서 데이터를 생성할 수 있다고 생각합니다.

환자 결과에 대한 장기적인 비전 측면에서, 이 전체 분야가 할 일, 특히 대학을 졸업한 초기 단계의 생명 공학을 강화하는 데 중점을 둔다면, 더 열악한 조건에 도움이 될 것입니다. . 또한 열대성 질병, 희귀 질병, 그리고 좀 덜 정식적인 것들에 대한 지원이 훨씬 더 많이 있을 것이라고 생각합니다. 그 전에는 약물 대상이 아니었던 영역에서 특정 환자에게 큰 영향을 미칠 것이라고 생각합니다. 이 접근 방식을 통해 사람들이 약물 투여 가능하다고 생각하는 것 또는 사람들이 치료 기회로 간주하는 것의 범위를 확장할 수 있는 많은 잠재력이 있습니다.

레이 : 약물 개발 평균 비용의 고전적인 헤드라인은 평균 개발 시간이 2.5~10년인 2030억 달러입니다. 시간과 비용 측면에서 XNUMX년에 우리는 어디에 있다고 생각하십니까?

스티븐 : 영향이 있을 것이라고 생각합니다. 하지만 시행착오를 많이 하다보면 실수도 많아질 것 같아요. 내 가정은 그것이 사물의 다양성을 증가시킬 것이라는 것입니다. 하지만 얼마나 비쌀지에 대한 구체적인 수치를 붙이려면 당연히 더 낮아야 하지만 얼마나 더 적은지에 대한 특정한 수치를 붙이기는 어렵다. 반으로 자르라고 말하고 싶습니다.

레이 : 기다려 보겠습니다. 스티븐, 오늘 대화가 정말 즐거웠고 곧 다시 뵙기를 기대합니다. 매우 감사합니다.

스티븐 : 고맙습니다.