biotechnologies

intelligence artificiel

Utilisation de l'IA pour la découverte de médicaments

Invité:

Min

L'intelligence artificielle est sur le point de changer la façon dont les drogues sont découvertes. Découvrez comment dans cet épisode. Ce balado est disponible en anglais. Une traduction en français est disponible ci-dessous.

« Ce que nous essayons de faire ici, c'est de trouver une façon novatrice de changer radicalement la façon dont cette industrie fait les choses. » - Handol Kim

Visiter le lien du balado ici:

Listen to this podcast on these platforms:

Biographie de l'invité :

Handol Kim

Handol est cofondateur et chef de la direction de Variational AI, une entreprise d'IA pour la découverte de médicaments en démarrage basée à Vancouver. L'IA variationnelle utilise son IA générative de pointe pour découvrir de petites molécules nouvelles ressemblant à des médicaments qui sont efficaces, sûres et synthétisables en quelques mois plutôt qu'en années. Avant de cofonder Variational AI, Handol était directeur général de l'unité commerciale Quadrant AI de D-Wave Systems Inc. Il apporte plus de 20 ans d'expérience et de leadership en gestion de cadres supérieurs au sein de start-ups soutenues par des entreprises de capital-risque et de sociétés technologiques cotées en bourse dans les logiciels cloud, mobiles/embarqués et de télécommunications dans la Silicon Valley, au Canada et en Asie-Pacifique. Variational AI est la troisième start-up qu'il a cofondée. Handol est vice-président de l'AI Network of British Columbia (AinBC) et membre du conseil d'administration du Digital Technology Supercluster et de Centraide Lower Mainland.

Afficher les liens pour cet épisode

Afficher la transcription de cet épisode

Market Hunt S02 E08 Transcription variationnelle de l'IA

[ouverture de la transition musicale]

Thierry Harris : La puissance de l'intelligence artificielle se répand dans de nombreux secteurs d'activité différents. Parmi eux se trouve la découverte de médicaments. L'apprentissage automatique est utilisé non seulement pour découvrir de nouveaux médicaments, mais aussi pour améliorer ceux que nous avons déjà en circulation. Comment cela se produit-il ? Qui sont les principaux acteurs de ce domaine émergent ? Quels sont les éléments nécessaires pour favoriser ces nouvelles technologies et les commercialiser ? Dans cet épisode de Market Hunt, les mondes de la pharmacie et de l'intelligence artificielle se heurtent. Restez à l'écoute.

[musique de la chanson d'introduction]

Nick Quain : L'entrepreneuriat est difficile, vous devez avoir du soutien là-bas.

Andrew Casey : Nous devons fondamentalement apprendre à vivre notre vie différemment. Nous ne pouvons pas continuer comme nous l'avons fait.

Handol Kim : Ce n'est pas comme si Google pouvait en quelque sorte entrer et prendre tout le marché. Pas encore, n'est-ce pas ?

Thierry Harris : C'est un véritable équilibre qui demande franchement un peu de folie. Mais je veux dire que certaines personnes apprécient ce genre de choses, je suppose.

Handol Kim : Vous connaissez la taille du marché, c'est vraiment tout ce que vous avez.

Thierry Harris : C'est vrai. Nous sommes en train de trouver des idées assez intéressantes.

Andrew Casey : Nous avons tout résolu,

Thierry Harris : [rires] Nous avons tout résolu.

[Fin de la chanson d'introduction]

[commencer la musique promotionnelle]

Narration : Et maintenant un message de notre commanditaire, IE-KnowledgeHub. IE-KnowledgeHub est un site Web dédié à la promotion de l'apprentissage et des échanges sur l'entrepreneuriat international. Regardez des études de cas vidéo, écoutez des podcasts et bien plus encore !

Si vous êtes un professionnel de l'éducation à la recherche de contenu de cours, un chercheur universitaire à la recherche de matériel de recherche ou une personne intéressée par l'innovation commerciale, consultez IE-KnowledgeHub.

IE-KnowledgeHub met l'accent sur les écosystèmes d'innovation et les entreprises qui commercialisent leurs technologies sur les marchés internationaux.

Écoutons une étude de cas vidéo mettant en vedette Photon, etc..

Sébastien Blais-Ouellette : Vous regardez un objet, avec une caméra, normalement vous ne voyez que l'image, lorsque vous avez l'image spectrale, vous avez cette capacité de regarder la composition chimique de n'importe quel objet devant vous. Quand vous commencez à rêver de ce que vous pouvez faire avec ça, c'est énorme.

Narration : C'est Sebastien Blais-Ouellette de Photon, etc. Photon etc. fabrique du matériel d'analyse. Il s'agit notamment de caméras spéciales, de filtres et de plates-formes de microscopes. Sébastien fonde son entreprise à la suite d'une découverte qu'il a faite alors qu'il était au California institute of Technology. Il devait conclure une entente de licence avec l'institution où nous avons développé la technologie.

Sebastien Blais-Ouellette : Vous savez, j'ai dû délivrer une licence pour mon invention auprès de mon établissement. Cela a pris environ 2 semaines. Et je comprends, vous voyez, ils disent : « Oh, vous voulez démarrer une entreprise ? Voici le contrat de licence. Je regarde ça et je dis, ok. C'était très juste, très positif, très facile, et ils disent simplement, nous sommes fiers que vous soyez en train de créer une entreprise, alors allez.

Narration : Sébastien revient de Californie à Montréal pour fonder son entreprise dans sa ville natale. Il a pu profiter des crédits de recherche et développement offerts au Canada.

Sébastien Blais-Ouellette : Je n'avais pas d'argent bien sûr, pas de place, et seulement un bureau à la maison, un petit bureau, mais c'était aussi la buanderie. Et quand j'ai fait ma première déclaration de revenus, j'ai fait une vérification fiscale du gouvernement. Et ils sont venus faire une vérification, alors j'ai en quelque sorte caché l'appareil derrière un rideau, et vous savez, j'avais ces affiches scientifiques et mon ordinateur. Et ils sont venus, ont vu ça et ont dit 'Ok, vous commencez, c'est très bien. ' Et au milieu de la vérification, vous savez que la laveuse commence à tourner, et j'ai dit : « une expérience. c'est une expérience. » Mais c'est comme ça que Photon a commencé. Dans une buanderie, vous savez, certaines sont des garagistes, la mienne est une entreprise de buanderie.

Narration : Comment Sébastien a-t-il pu prendre son invention et la transformer en entreprise ? Apprenez-en plus à la fin de l'émission. Vous pouvez également consulter l'étude de cas Photon etc. en visitant par exemple trait d'union knowledgehub.ca

[mettre fin à la musique promotionnelle]

[commencer la musique d'introduction]

Thierry Harris : Trouver des marchés pour les nouvelles technologies est une entreprise difficile. Vous faites face à une culture bien ancrée, lassée de changer la façon dont les problèmes sont résolus. Les difficultés du client cible, c'est-à-dire les problèmes ou les problèmes potentiels auxquels il est confronté, doivent être suffisamment solides pour justifier l'utilisation de vos produits ou services. La façon actuelle de faire les choses doit être améliorée ou perturbée. Il faut être moins cher. Sinon, vous devez prouver que la valeur ajoutée en utilisant votre technologie justifiera la dépense. Pour les entreprises technologiques, la conquête de nouveaux marchés demande du temps, de la persévérance et de l'argent.

La création d'une entreprise d'IA peut ajouter de la complexité. Pour votre algorithmes d'apprentissage automatique pour travailler, il faut des données. Souvent, ces données n'existent pas ou sont difficiles d'accès.

Handol Kim : Vous travaillez avec la probabilité que vous échouiez et cette probabilité est probablement assez élevée. Vous savez ce que vous essayez de faire ici, de trouver une façon novatrice de changer radicalement la façon dont cette industrie fait les choses. Il y a donc ce risque technique, c'est-à-dire si ça ne fonctionne pas et que vous n'avez pas d'entreprise.

Thierry Harris : Dans cet épisode de Market Hunt, nous discutons avec Handol Kim, cofondateur de IA variationnelle. Son entreprise utilise IA générative aider à mettre au point de nouveaux médicaments. Variational veut réduire le temps nécessaire à la production de médicaments et augmenter la probabilité de leur succès.

Dans cet épisode, nous allons couvrir de nombreux concepts qu'un expert non spécialisé en IA pourrait ne pas comprendre. Vous trouverez des liens vers les définitions de certains de ces concepts sur notre page d'émissions d'épisodes et dans la transcription de l'épisode. Alors que vous vous plongez dans ce programme, jetez un coup d'œil à ces documents. Écoutons notre conversation :

[mettre fin à la musique d'introduction]

Thierry Harris : Handol vous souhaite la bienvenue à Market Hunt.

Handol Kim : Merci. Merci beaucoup de m'avoir invité.

Thierry Harris : Veuillez vous présenter brièvement et expliquer la différence entre une entreprise principale d'IA et une entreprise d'IA applicative et quelle est la place de Variational dans ce paradigme ?

[transition musicale]

Handol Kim : Nous sommes une IA générative pour une start-up de découverte de médicaments basée à Vancouver. Et nous avons été fondés en octobre 2019. Et nous avons travaillé très fort pour essayer d'appliquer l'IA pour découvrir plus rapidement de nouveaux médicaments qui ont une plus grande probabilité d'être approuvés. Et nous utilisons cette technologie sur de multiples cibles dans de nombreux domaines de maladies.

[transition musicale]

Handol Kim : Nous sommes donc une entreprise d'IA appliquée dans le sens où nous utilisons l'IA pour résoudre un problème. Donc c'est l'IA pour X. Donc si vous êtes une IA pour la fintech, si vous êtes une entreprise d'IA appliquée, si vous êtes une IA pour vous connaissez le marketing numérique, vous savez, votre entreprise d'IA appliquée.

Par opposition à peut-être une entreprise de base d'IA où vous développez des algorithmes, puis vous essayez de trouver un marché et une application ou un produit pour cet algorithme. Il y a donc des entreprises d'IA de base multisectorielles, Élément AI étant en quelque sorte le plus célèbre d'entre eux. Ils ont de la difficulté à trouver des applications commerciales qui peuvent leur rapporter suffisamment d'argent pour croître et devenir une entreprise continue. Alors que dans une entreprise d'IA appliquée, nous effectuons de la recherche fondamentale en IA, mais elle est limitée à un domaine ou une activité spécifique.

[transition musicale]

Thierry Harris : Il y a une distinction importante entre les entreprises d'IA de base et les entreprises d'application de l'IA. Les principales sociétés d'IA travaillent davantage en tant que consultants, ajustant leurs algorithmes en fonction du client qui sollicite leurs services. Les entreprises d'IA d'applications travaillent sur un algorithme pour résoudre un problème spécifique. Ils doivent donc s'assurer qu'ils travaillent sur les bons problèmes, sinon tout leur travail ne servira à rien.

Variational AI est une entreprise d'IA appliquée qui travaille sur un produit pour un marché spécifique, la découverte de médicaments. La jeune entreprise a présenté une demande de financement par l'entremise de la Supergrappe numérique du Canada, un programme parrainé par le gouvernement pour soutenir l'économie de l'innovation. Équipe de projet de loi, les supergrappes Le cofondateur et chef de l'exploitation décrit les possibilités offertes aux entreprises d'IA applicative et leur investissement dans la technologie de VariationAlAI.

Bill Tam : Je pense que c'est la grande chose dans l'affaire Variational et je pense que c'est le cas pour les investissements en IA au Canada en général. Variational a requis une tentative très délibérée de fabriquer des produits et des cas d'utilisation dans le domaine des sciences de la vie, dans le domaine pharmaceutique.

À cet égard, j'espère que cela les distinguera de nombreuses autres initiatives en matière d'IA au pays. Souvent, ce que nous voyons, c'est que l'IA en soi a été une entreprise qui consiste à appliquer le savoir-faire et davantage à faire appel à une entente de consultation qu'à une question de produit final. Avec Variational, nous espérons que nous pourrons établir un peu un cadre ou du moins un plan directeur sur la façon dont les entreprises peuvent adopter une notion d'IA qui produit réellement les choses au lieu d'être simplement un fournisseur d'expertise dans l'équation.

[transition musicale]

Thierry Harris : Le Supercluster numérique finance l'IA variationnelle pour travailler avec d'autres partenaires afin de développer et de perfectionner leurs algorithmes leur permettant de générer de nouvelles molécules qui pourraient être attachées Cibles en matière de médicaments. Pour en savoir plus sur les cibles médicamenteuses, consultez les liens de l'épisode.

J'ai demandé à Handol de nous donner un peu plus d'informations sur la façon dont les médicaments étaient traditionnellement développés et sur l'opportunité qu'il a vue pour l'IA variationnelle d'entrer sur le marché du développement de médicaments.

Handol Kim : Oui, donc, vous savez, dans le domaine de la thérapeutique, je veux dire ce sont des médicaments que vous seriez prescrits, vous savez. Une fois que vous avez une maladie par opposition aux vaccins et que vous vous trouvez dans le domaine de la thérapeutique, il y a, vous savez, ce que nous pourrions appeler des produits biologiques, si ces molécules sont des protéines plus grosses, par exemple. Des entreprises comme Abcelleraou Zymeworks au Canada, faites un excellent travail, vous savez en abordant ce marché. Nous sommes dans le domaine de petites molécules. Nous travaillons donc dans le domaine de la chimie. Donc, ce que nous faisons, c'est de trouver de nouveaux produits chimiques dans le vaste espace chimique, vous savez, afin de traiter certaines cibles liées à certaines maladies et ces cibles sont habituellement des protéines..

[transition musicale]

Thierry Harris : Et qu'est-ce qui est différent dans ce que vous faites ? Parce que j'imagine qu'il y a d'autres entreprises qui font ce travail moléculaire. Quelle est la différence entre ce que fait Variational et ce que font d'autres sociétés de développement de médicaments plus traditionnelles ?

Handol Kim : Oui, donc en général, vous savez, vous avez une idée que vous commencez par la cible juste à la cible, c'est peut-être comme je l'ai dit une protéine ou une enzyme ou quelque chose comme ça. Et vous avez une sorte de perspicacité ou des recherches qui montrent que cette cible est liée à une maladie. Il existe un mécanisme d'action qui crée le diabète, par exemple, ou le VIH. L'idée est donc de prendre cette protéine cible et ensuite d'essayer de trouver une petite molécule, une structure chimique de structure moléculaire qui conviendra réellement.

Et c'est comme un jeu Tetris en trois dimensions où vous essayez de mettre une petite clé dans cette grande structure amorphe de disquette. C'est donc un problème très difficile. Et ce qui se passe vraiment, c'est cette découverte de médicaments traditionnels, vous voyez, vous commencez par ce que nous pourrions appeler des données expérimentales. Donc vous auriez en fait une cible, puis vous commenceriez par cribler et vous pouvez prendre des composés chimiques et vous la plantez physiquement dans un tas de puits et ensuite vous voyez si ces composés ont une activité s'ils sont contre la cible et s'ils le font, vous dites « oui », c'est ce que nous appelons un plomb.

Et puis vous travaillez sur cette piste, puis vous essayez d'optimiser, essayez de la rendre plus conforme à cette cible et vous essayez aussi d'éliminer certaines choses qui se produisent dans les drogues. Par exemple, vous ne voulez pas d'effets hors cible. Vous voudrez que votre médicament se lie à une zone différente et provoque ensuite un effet secondaire qui pourrait être pire que celui que vous essayez de traiter.

Ou, vous essayez également de vous assurer qu'il a les bonnes propriétés pharmacocinétiques : il est absorbé par le corps, il est distribué par le corps, est métabolisé puis excrété. Vous ne voulez pas que ce médicament s'accuffe dans le foie et qu'il cause des dommages plus tard. Et puis évidemment vous voulez aussi, vous voulez que ce ne soit pas toxique et vous tue. Et la plupart, vous savez, enfin, vous voulez aussi que ce soit une molécule que vous pouvez réellement synthétiser et fabriquer.

Donc, ce sont toutes des propriétés différentes et ensuite vous vouliez être puissant pour ne pas avoir une dose trop élevée. Vous voulez qu'il soit biodisponible par voie orale. Toutes ces propriétés que vous allez essayer de développer au sein d'une molécule candidate. C'est un problème d'optimisation très difficile. Imaginez, vous voyez, que vous avez une petite couverture et que vous essayez de couvrir tous ces points que vous la tirez ici et qu'elle expose votre pied, vous le tirez vers le haut et cela expose votre bras.

Donc, ce que vous essayez de faire, c'est de vous assurer que le médicament respecte toutes ces propriétés. Et puis une fois que c'est fait, vous passerez à des essais cliniques. C'est un problème très difficile.

Et le fait est que dans le domaine de la découverte de médicaments, les coûts augmentent énormément chaque année. Sur un plafond, sur les coûts directs, vous parlez des centaines de millions de dollars, vous parlez, vous savez, de 10 à 12 ans et beaucoup de médicaments qui font l'objet d'essais cliniques ne finissent pas par sortir. Peut-être seulement un sur huit et je peux vraiment s'en sortir. Mais certains sont plus élevés, d'autres ou inférieurs selon les cas. Le cancer est très difficile. Vous savez que d'autres drogues, d'autres domaines sont beaucoup plus faciles.

Quoi qu'il en soit, ce qui se passe, c'est que vous prenez un risque énorme et un investissement technique massif pour essayer de développer ce médicament. Et donc c'est très très difficile. Le taux d'échec est très élevé.

Donc, ce que nous essayons de faire, c'est de prendre ce stade précoce de développement de médicaments, de découverte de médicaments à un stade précoce. Nous commençons par la cible. Une fois que nous savons quelle est la cible et que nous avons des données autour de la cible, nous utilisons notre IA générative pour générer de nouvelles molécules qui n'ont pas été vues auparavant, puis nous les optimisons sur plusieurs propriétés simultanément. Et c'est là que nous obtenons le gain de temps.

Donc, ce que nous essayons de faire, c'est d'essayer de réduire la découverte de médicaments à un stade précoce ou peut-être préclinique au niveau préclinique et de la transformer pendant un an et, éventuellement, si nous le faisons, nous voulons essayer de réduire cela pendant des mois. Et cela contribuera à réduire le temps nécessaire à la mise au point de médicaments.

Maintenant, évidemment, c'est un Saint Graal et vous savez, nous utilisons une approche progressive pour y parvenir. Mais nous avons obtenu des résultats très prometteurs dès le début.

Nous sommes donc en mesure de le faire, non seulement nous pouvons raccourcir le préclinique. Mais l'idée et l'espoir sont que nous pouvons également augmenter la probabilité de succès de sorte qu'au moment où vous le savez, vous introduisez un médicament dans les essais cliniques, ce qui représente une grande partie de cette dépense, que vous ayez plus confiance que la molécule réussira réellement les essais et sera approuvée.

Donc, le principal problème que nous abordons avec notre IA est que nous sommes une IA générative. Donc, en ce sens, si vous regardez la façon dont les médicaments sont découverts aujourd'hui, vous connaissez l'espace que nous appelons l'espace chimique. Et c'est un concept de, parmi toutes les molécules qui existent dans l'univers. Il y a certains médicaments qui ressemblent à des drogues, n'est-ce pas ? Et ils suivent certaines heuristiques telles que règle de cinq de lipinsky ou divers types d'heuristiques, vous savez, ressemblant à des drogues.

Et vous savez, avec prudence, nous examinons son visage de 10 à 60 molécules. Et c'est juste un chiffre incroyablement élevé. Et aujourd'hui, la découverte de médicaments utilise une sorte de approche par force brute où je pourrais dépister une centaine de milliers de molécules ou de composés contre la cible, expérimentalement. Ou peut-être jusqu'à un million. Mais c'est extrêmement coûteux et prend beaucoup de temps.

Et puis l'autre façon de le faire consiste à utiliser le calcul en utilisant ce que nous appelons le filtrage virtuel. Pour que vous puissiez utiliser criblage virtuel à haut débit où vous pouvez prendre des millions, des centaines de millions, voire plus d'un milliard de molécules et les filtrer par ordinateur ou en silicium comme nous l'appelons à l'encontre de la cible.

Maintenant, un milliard de molécules est le très grand nombre. C'est beaucoup plus important que tout ce que nous pouvons faire en laboratoire. Mais en même temps, vous savez que dix à la neuvième, c'est très exactement zéro pour cent de l'espace chimique. Donc, ce que nous faisons, c'est utiliser, au lieu d'une méthode par force brute, pour essayer d'augmenter le nombre de molécules que nous pouvons filtrer pratiquement d'un milliard à un trillion à un quadrillion, vous savez, une accélération d'un million d'ordres est toujours en fait un espace chimique nul.

Ce que nous faisons, c'est que nous adoptons une approche différente. Et notre modèle génératif prendra essentiellement des données selon lesquelles nous avons à la fois des données expérimentales ainsi que des données informatiques et il entraînera l'algorithme en tant qu'entrées. L'algorithme, parce qu'il est génératif, apprendra alors en quelque sorte la distribution des molécules. Il apprendra en quelque sorte ce qui rend la molécule active contre la cible, ce qui ne la rend pas active contre la cible, puis nous utiliserons la magie de l'apprentissage automatique dans notre autocodeur variationnel Ergo le nom Variationnel.

Et puis ce que fait l'algorithme, c'est qu'il génère des molécules qui ne faisaient pas partie de l'ensemble d'apprentissage, mais qui devraient provenir de la même distribution, et ces molécules qui sont optimisées pour les propriétés d'intérêt. De sorte que lorsque nous sortons, nous générons ces molécules qui sont uniformes dans l'espace de propriétés que vous recherchez, mais qui seront diverses en ce qui concerne les structures.

C'est donc une façon très différente de voir les choses et ce n'est pas une méthode par force brute. C'est parce que nous générons ces molécules qui n'existent pas ou que nous ne sommes pas dans l'ensemble de la formation. Et c'est notre différence.

Et nous ne sommes pas les seuls à le faire. Mais c'est la province de vous savez, d'une poignée d'entreprises d'apprentissage automatique qui travaillent maintenant dans le domaine de la découverte de médicaments.

[transition musicale]

Thierry Harris : Comment définyez-vous votre marché alors si vous l'êtes ? Vous devez d'abord disposer de données pour être en mesure de réaliser ce modèle d'affaires. Alors, peut-être pouvez-vous décrire un peu qui sont vos intervenants et comment vous interagissez avec chacun d'eux ?

[transition musicale]

Handol Kim : Bien sûr, et en ce moment nous sommes dans une étape parce que nous sommes une jeune entreprise où nous validons l'algorithme. Donc ce dont nous avons besoin, c'est que nous devons identifier des cibles d'intérêt et donc une cible est quelque chose dont nous avons besoin pour nous de données par rapport à cette cible.

Nous travaillons donc avec des partenaires biopharmaceutiques partenaires pharmaceutiques, qui ont des concepts qui ont des objectifs. Ils ont des données et ils effectuent un filtrage par rapport à la cible. Et il y a une confiance relativement élevée, qu'il s'agisse d'une cible établie ou d'une cible validée, que cette cible signifie réellement quelque chose.

Vous ne voulez pas traverser tous ces problèmes et trouver une molécule vraiment géniale qui interagit avec la cible. Seulement pour constater que la cible n'avait aucun lien avec la maladie, n'est-ce pas ?

Donc vous voulez essayer de réduire les risques, vous savez, ce ne sont pas les droïdes que vous recherchez, n'est-ce pas ? Alors vous avez passé tout ce temps et vous avez dit : « Oh, eh bien ça n'a pas fonctionné comme nous le voulions. »

Nous nous adressons donc à des partenaires qui en savent plus que nous parce que nous sommes une petite entreprise d'apprentissage automatique. Et deuxièmement, mais surtout, vous voulez vous assurer que vous ciblez quelque chose qui a une valeur commerciale, n'est-ce pas ? Pour que ce ne soit pas quelque chose dont vous ne serez pas en mesure de gagner de l'argent. Ce n'est pas une maladie urgente, n'est-ce pas ?

Et vous voulez être en mesure de choisir la bonne cible le long de ces axes ainsi que d'autres considérations. Donc, pour nous, nous dérisquons cela en nous adressant à des partenaires qui ont établi des programmes ou qui ont plus d'information ou de meilleures connaissances que nous. Nous devons également travailler avec des chimistes médicinaux. Et ce sont des chimistes qui sont des chasseurs de drogue qui ont cette intuition. Nous travaillons main dans la main avec nos partenaires et nous savons que notre IA a besoin de l'humain au courant et des connaissances spécialisées pour l'améliorer. Vous savez, ce n'est pas nous n'allons pas remplacer, vous savez, des emplois dans chimie médicinale bientôt. La chimie médicinale joue certainement un rôle permanent en tandem avec l'apprentissage automatique.

Nous dérisquons donc nos activités afin de valider. Et là où nous en sommes actuellement, c'est que nous en sommes à l'étape de la validation. Nous avons actuellement trois programmes pour lesquels nous devons trouver des cibles avec d'excellents partenaires tels que AdMare BioInnovations ainsi que l'Université de la Colombie-Britannique et d'autres où nous avons le concept d'un cible. Nous avons identifié une cible, nous avons des données et nous avons l'expertise pour nous aider à nous assurer que nous ne finissons pas par générer des molécules de ces IA qui sont évidentes ou qui ne fonctionnent pas. Nous devons donc être en mesure de travailler avec ces partenaires.

Une fois que nous avons validé que les molécules que nous générons et que nous sommes entraînés sur les données par rapport à la cible sont ensuite validées expérimentalement biochimiquement et dans les lignées cellulaires, tout d'un coup, vous savez, si nous pouvons dire que cette molécule aura ce genre de vous savez, vous savez, vous savez efficacité et ensuite nous synthétisons ou commandons ces molécules pour les tester et oui, en fait, je pense que nous avons débloqué une très grande réalisation.

Et à ce stade, vous savez, une fois que nous l'avons fait suffisamment de fois, alors l'idée est que nous le fassions pour récolter beaucoup d'argent et ensuite devenir une société pharmaceutique alimentée par une plateforme d'IA. Et ce n'est pas différent de ce que beaucoup de compagnies pharmaceutiques d'aujourd'hui, mais beaucoup de sociétés pharmaceutiques et de biotechnologie n'utilisent pas nécessairement l'IA, mais elles utiliseront d'autres types de plateformes. Et la capacité d'utiliser une plateforme afin de générer plus rapidement des candidats, de déposer vos I et D et de construire votre pipeline est vraiment ce que nous essayons de faire.

[transition musicale]

Thierry Harris : Donc, une fois que vous avez ça, disons ceteris paribus, les compagnies pharmaceutiques se passent bien. Et votre technologie est validée par les différents tests que vous effectuez avec AdMare, UBC excetera. Une fois que vous avez atteint ce stade, vous dites que vous voulez développer les médicaments en interne chez Variational AI, puis vous transformer en une société de développement de médicaments.

Pourquoi choisir de faire cela plutôt que d'accorder une licence de votre technologie à de plus grandes entreprises qui en sont déjà à cette étape des essais cliniques et de tout ce qui se passe ?

Pourquoi faire ce choix et pourquoi faire ce choix dès maintenant ? Pourquoi pensez-vous que vous n'avez pas à faire de choix pour le moment ?

[transition musicale]

Handol Kim : Eh bien, donc, vous savez, c'est une très bonne question et c'est en fait, vous voyez, que nous avons passé beaucoup de temps à y réfléchir. Donc, juste pour être clair, nous ne disons pas que nous allons parrainer nos propres essais cliniques et les exécuter, vous voyez, même si nous sommes en mesure de valider la technologie. L'idée serait pour nous de créer un actif. Dans un atout, il y a, vous savez, un plomb optimisé qui a été passé par des animaux, vous connaissez des modèles et c'est quelque chose que nous pouvons ensuite concéder sous licence à de grandes entreprises qui prendraient ce composé et le feraient ensuite passer par des essais cliniques.

Thierry Harris : Très bien.

Handol Kim : Pour ce qui est de savoir pourquoi nous voulons nous concentrer sur la génération d'actifs plutôt que d'être une société de plateforme et de fournir le service aux autres, c'est simplement parce que nous avons parlé à beaucoup d'investisseurs et de personnes dans l'écosystème et que je viens du monde de la technologie. Et j'ai eu une carrière assez longue dans les logiciels, le cloud, le mobile et la technologie, la technologie numérique ou les TIC, vraiment ce que vous essayez de faire, c'est de créer une plateforme. Et puis la plateforme aura des effets de réseau qui généreront une valeur énorme et naturellement ce que vous voulez.

Mais vous savez, dans le monde de la découverte de médicaments, lorsque nous avons parlé aux gens et qu'ils ont dit : « laissez-moi clarifier les choses, vous dites que si vous pouvez faire cela, vous serez en mesure de générer, vous savez, des médicaments plus rapidement que la façon dont ils sont développés aujourd'hui et vous pouvez le faire sur une base économique, mais pourquoi pas vous ? Pourquoi diable abandonneriez-vous ça ? Et ne pas développer vos propres médicaments ? »

Et après que vous le savez, la 10e personne nous a dit que nous pensions que nous pourrions être, nous devrions écouter ce que les gens disent dans l'industrie. Donc c'était vraiment, vous voyez, le défi pour nous, c'est que vous savez, nous sommes tous des gens de l'apprentissage automatique. Et il y a certains avantages à cela. Je veux dire, nous pouvons intégrer l'apprentissage automatique de pointe, vous savez, et nous l'avons. Je veux dire, vous savez, en ce qui concerne les résultats de référence dans la communauté de l'apprentissage automatique, et ensuite les résultats d'autres repères étaient à la fine pointe de la technologie, nous surpassons, vous savez, tous les autres laboratoires qui ont publié leurs résultats. Mais en même temps, vous savez, nous sommes nouveaux dans ce monde où les immigrants, vous savez, la découverte de drogues. Et par conséquent, vous savez, une grande partie de ce temps est consacrée à essayer de comprendre le fonctionnement de l'industrie et de l'aligner correctement. Je veux dire, je ne veux pas cracher le vent, n'est-ce pas ? Et le fait est que fondamentalement, si notre proposition de valeur est saine, et alors nous pouvons vraiment, vraiment en faire un repas. Donc, vous savez, nous venons de parler à beaucoup de gens et on nous a dit et nous suivons ce conseil.

[transition musicale]

Thierry Harris : Eh bien et à bon escient, parce que tant d'idées se perdent une sorte de plongeon avant de sauter dans l'océan. Et une fois que vous êtes dans l'océan, il est très difficile de sortir. Vous avez brûlé votre piste pour ainsi dire au nom de quelque chose qui n'aura pas nécessairement de jambes. Et donc vous avez pris deux décisions importantes, la première, trouver les bons partenaires avec lesquels travailler pour acquérir les données et la deuxième, conceptualiser votre entreprise afin que vous compreniez la valeur avant de la faire, même une vente commerciale ou peut-être même avoir une lettre d'intérêt de l'une de ces entreprises avec laquelle vous allez éventuellement vous associer.

Et vos gars de l'apprentissage automatique, comme vous dites, mais vous au lieu d'aller au lit et de dire : « Oh mec et moi aurions aimé faire de la chimie quand j'étais plus jeune et j'aurais dû faire ce degré supplémentaire pour savoir pourquoi je n'ai pas écouté mes parents ? Il suffit de trouver les chimistes médicinaux et de trouver les bonnes personnes qui peuvent faire ce travail super spécialisé qui est de valider que oui vos molécules vont réellement dans la bonne direction. Et oui, ils ont cette crédibilité en utilisant également ces personnes pour aider à améliorer votre offre de produits.

Et vous avez écouté ce que les gens ont dit à ce sujet lorsque vous êtes allé leur demander de l'argent et que vous avez appliqué ça. Je pense donc que beaucoup de gens qui s'expriment humblement ici seront intéressés par cette histoire parce que montrer un pivot avant même de lancer un produit sur un marché commercial, comme vous le dites, n'est pas nouveau dans le monde de la technologie rapide, mais dans le secteur pharmaceutique, vous allez dans un zoo différent ici et les animaux sont différents des attentes sont différentes et les moments où le marché est beaucoup plus différent.

Donc, vous vous lancez vraiment dans une toute nouvelle culture d'un secteur différent dans lequel vous vous lancez. Pouvez-vous nous donner une idée Handol, il y a combien de temps est-ce que les entreprises d'IA ont commencé à travailler ou ont commencé à approcher ou à penser à approcher des sociétés pharmaceutiques ?

[transition musicale]

Handol Kim : Oui, je suppose que ça dépend de la façon dont vous définissez l'IA, mais vous savez, je dirais que vous avez commencé à partir d'une sorte de Apprentissage profond et vous savez, c'est peut-être vers 2011 ou 2012 que l'on assiste à cette explosion de l'apprentissage profond. Et tout cela a été causé par des résultats rapides en 2011, vous savez, ImageNet et Alexnet . Et vraiment la capacité de faire des recherches Laboratoire de Hinton à l'Université de Toronto et Le travail de Krizhevsky là-bas. En montrant ça ouah, vous savez que cette nouvelle activité d'apprentissage profond obtient de bien meilleurs résultats par rapport au benchmark standard et c'était en quelque sorte le moment ImageNet. Et tout d'un coup, vous voyez comme ouah, il y a cette chose qui fonctionne réellement et vous voyez une innovation rapide et rapide.

Et puis peu de temps après. Vous savez, je dirais que Atomique a probablement été l'un des pionniers de l'application d'une approche d'apprentissage profond dans ce domaine. Et je crois que cela représenterait 2012-2013.

Et puis, à ce stade, vous voyez en quelque sorte le premier type d'IA pour les entreprises de découverte de médicaments qui commencent à être financées sur la base du capital-risque. Des entreprises comme Récursion, Atomique, IA bienveillante etc. et sur une période de quelques années. Ces entreprises ont réussi à attirer beaucoup d'investissements et à conclure des ententes avec le secteur pharmaceutique.

Et à l'intérieur même de l'industrie pharmaceutique. Vous voyez que certaines entreprises investissent assez massivement dans l'apprentissage automatique et l'IA pour voir si la chose fonctionne réellement. Bien sûr, vous savez, il leur est impossible de financer toute cette innovation. Ils le font donc par le biais de partenariats.

Mais je dirais que vous voyez, nous commençons à nous retrouver dans une sorte de frénésie vers 2018-2019, où vous voyez beaucoup d'affaires se dérouler et vous voyez quelques sociétés de découverte de médicaments de première génération liées à l'IA, vous savez, générer des candidats qui vont à la clinique et qui vont aux essais cliniques.

Nous n'avons pas encore vu de médicament approuvé qui a été découvert par l'IA, vous savez. Et vous savez, juste après le fonctionnement de la mise au point de médicaments, ça va prendre un peu de temps. Mais nous voyons, vous savez, un pipeline en pleine croissance. Ensuite, ce que je dirais, c'est que c'était en quelque sorte la première IA pour la découverte de médicaments.

Il y a donc une autre chose, c'est qu'il y a beaucoup d'entreprises d'IA qui résolvent différents problèmes dans le monde de la découverte ou du développement de médicaments. Vous avez des entreprises qui génèrent des cibles à partir de là, vous savez des entreprises comme Génomique profonde basé à Toronto. Qui font de grandes choses. Vous savez que Benevolent AI travaille dans ce domaine.

Et puis il y a des entreprises d'IA qui travaillent sur réaffectation des médicaments, n'est-ce pas ? Ce qui consiste à examiner les médicaments approuvés et à voir s'ils sont efficaces contre différentes indications, sont différents paramètres. Et vous avez des entreprises comme Récursion, vous avez des entreprises qui font ça.

Et puis vous connaissez d'autres entreprises qui essaient essentiellement d'utiliser l'IA pour accélérer considérablement le tri de cette méthode de recherche basée sur des fragments de structure. Vous connaissez et générez de la nouveauté au sein de ces échafaudages. Ainsi, vous pouvez soit rechercher plus efficacement l'espace chimique. C'est toujours une méthode de la force brute, mais elles génèrent beaucoup plus. Vous savez, les entreprises de ce secteur disent, je mettrais probablement Atomwise dans cette catégorie, probablement Cyclica.

Et puis dans le monde de la génération, qui est sorti du nouveau, vous voyez, je dirais, des entreprises comme Insilique, Invivo, à partir de Montréal. Il y a donc un écosystème très robuste. Nous essayons tous de résoudre le problème. Nous essayons également de résoudre des problèmes similaires, mais par vagues différentes, bien et et c'est bien. Vous avez cette grande diversité et le Canada en a, vous savez très bien à cet égard et nous sommes fiers de faire partie de l'écosystème.

[transition musicale]

Thierry Harris : Eh bien, je veux dire clairement que vous résolvez vraiment un problème majeur dans l'industrie, à savoir le risque lié à l'utilisation d'actifs pour la découverte de médicaments. Peut-être que Handol vous décrirez un peu l'origine de Variational et ce qui vous a poussé à fonder cette entreprise.

[transition musicale]

Handol Kim : Eh bien, vous savez, il y a cinq cofondateurs et nous avions tous l'habitude de travailler ensemble. Et vous savez, et nous avons développé un algorithme qui était extraordinairement efficace pour prédire les propriétés moléculaires et les propriétés moléculaires optimisées. Et c'est sur cette force que nous avons décidé de lancer l'entreprise. Je suis donc la seule personne qui ne fait pas de recherche. Donc ça veut dire que je fais tout ce qui n'est pas lié à la recherche.

Et donc et je pense que c'est une bonne relation dans le sens où nous sommes maigres et très concentrés. Et vous savez, nous avons tous décidé lorsque nous avons créé cette entreprise que, pour être honnête, nous envisagions en fait d'appliquer l'IA à la découverte moléculaire dans des domaines autres que la pharmacie. Parce que l'idée était que, eh bien, les sociétés pharmaceutiques sont si fières de leurs nombreuses entreprises géniales qui amassent autant d'argent et c'est un écosystème très différent. Et j'avais un immense respect pour la biopharmacie et je savais que je ne savais rien du domaine biopharmaceutique. Et vous savez, vous adoptez une approche très pacifique pour dire oh, vous voyez, il y a beaucoup de concurrence, ils sont bien financés et nous voici Johnny vient ces derniers temps. Nous n'avons pas d'expertise dans le domaine. C'est une sorte de marché de la mer Rouge. Que devons-nous faire Blue Ocean ? Nous avons donc examiné, vous savez, les documents. Nous avons examiné, vous savez, les nanoparticules. Nous avons examiné l'électronique. Molécules utilisant l'électronique. Nous avons examiné les parfums et les arômes. Et ce sont tous de très grands marchés. Nous avons examiné les polymères. Nous avons examiné les documents.

Et il y a une énorme quantité d'innovation qui s'y produit. Nous avons cherché à permettre la biologie synthétique. Toutes ces choses sont basées sur des molécules. Et une molécule est une molécule, sauf qu'elles sont très différentes. Mais nous pensions que nous pourrions appliquer cette technologie à des domaines autres que le secteur pharmaceutique.

Et en fait, vous savez, nous avons passé pas mal de temps, vous savez, à parler avec de grandes entreprises de produits chimiques, des entreprises de matériaux et des investisseurs, et l'une des choses que nous avons constatées assez rapidement était qu'elles n'avaient pas assez de données pour former nos modèles, n'est-ce pas ? Pour former notre algorithme, il ne semblait pas qu'ils allaient avoir de données pendant un certain temps et c'est parce que vous savez que la chimie et les matériaux sont là où l'industrie pharmaceutique était peut-être il y a 15 à 20 ans, en ce sens que ce n'était pas la numérisation des données. C'est toujours très axé sur les bancs, n'est-ce pas ?

C'est pourquoi vous voyez des innovations vraiment passionnantes en train de se produire et en quelque sorte laboratoires autonomes et dans divers autres domaines où vous savez, le premier objectif est de générer ces données, puis vous pouvez faire quelque chose avec elles. Et donc nous avons pensé que vous savez quoi ? Cela se conservera pendant un certain temps. Alors passons à l'industrie pharmaceutique parce qu'avançons dans ce marché encombré et essayons de nous différencier.

Et nous sommes heureux de l'avoir fait parce que même s'il y avait un marché bondé. Je veux dire, c'est un marché d'un point et trois billions de dollars. C'est un marché très très énorme, vous avez des centaines de milliers d'entreprises à travers le monde qui utilisent toutes, vous savez, la biologie utilisant différents types de chimie utilisant différents types de méthodes pour essayer de résoudre le même problème, c'est-à-dire augmenter la probabilité de succès, vous savez d'une thérapie. N'est-ce pas ?

Thierry Harris : Oui

Handol Kim : Et donc nous avons bien pensé, vous savez, nous pouvons apporter ça au parti et nous sommes vraiment heureux de l'avoir fait et vous savez, ce qui a été extrêmement important pour nous, ce n'est pas en tant que chercheurs en apprentissage automatique, vous savez, la communauté a tendance à se concentrer sur des projets et des ensembles de données essayant de publier un article. Et vous savez, dans le monde de la recherche, vous savez, vos ensembles de données sont volumineux et beaux, ils sont équilibrés et vous pouvez très bien faire. Mais dans le monde réel, je veux dire que les données ne sont pas tout simplement de cette nature.

Et pour que vous fassiez face à des défis que vous n'auriez pas rencontrés dans un milieu universitaire l'année dernière, nous avons consacré notre recherche à partir de l'apprentissage automatique en programmes réels sur cible réelle avec des données réelles. Et nous avons tellement appris. Et ce faisant, en parlant, en travaillant et en coopérant avec des personnes qui en savent plus que nous dans le monde de la chimie. Chimie organique, chimie médicinale et biologie. Vous savez, nous avons amélioré l'algorithme.

Dans la mesure où vous le savez, et c'est là que le superamas entre vraiment en jeu. Est-ce que vous savez quand Covid est arrivé, vous savez, il y a eu une énorme sorte de redressement et une équipe nationale, et vous savez ce qu'on va faire ?

Et vous savez, l'appel Covid du Supercluster des technologies numériques était extrêmement opportun et idéal pour nous. En ce sens que, parce que vous savez, notre approche est agnostique par rapport à la cible. Nous avons bien pensé, bon sang, vous voyez, c'est un virus, n'est-ce pas ? Il s'agit d'une maladie infectieuse. Et il y a des données que nous pouvons utiliser pour nous former à ce sujet.

Parce que le triste fait à propos de la Covid-19, c'est que, vous savez, nous avons fait face SRAS, vous savez, il y a une quinzaine d'années et la pandémie n'était pas aussi grave que celle de la Covid-19. Mais dans une large mesure, quand vous regardez le virus, je veux dire, c'est le SRAS Co-V, n'est-ce pas ? Ou le classique du SRAS est à l'origine du SRAS il y a 15 ans. Et puis il s'est levé et a disparu, s'est arrêté. Et puis à ce moment-là, toute la recherche s'est arrêtée, n'est-ce pas ? Les gens ne voulaient pas le financer. Pourquoi financeriez-vous la recherche sur le virus qui n'existe plus ?

Et c'est regrettable parce que si nous avions continué et mis au point des traitements et des vaccins contre le SRAS, il y a de bonnes chances, plus que vous ne le savez, que ces thérapies et vaccins aient été efficaces contre le Covid. Parce que lorsque vous examinez le virus et le SRAS CO-V 2 au virus, qui est à l'origine de la Covid, ils sont extraordinairement similaires.

Mais nous avons pu le faire, c'est que nous avons pu prendre ces données parce qu'il y a beaucoup de données du domaine public et complétées par des données supplémentaires et nous avons pu nous entraîner sur le SRAS Co-V, le SRAS classic et ensuite certains, vous savez, l'apprentissage par transfert parce que le fait est que les virus sont très proches les uns des autres 96 %, je pense de la même manière.

Et puis avec la cible, nous avons choisi VCL Pro et cette différence est encore plus petite. Je crois qu'il ne s'agit que d'une différence d'acides aminés dans la poche de liaison.

Et donc nous avons pu profiter des données et des efforts, vous savez, qui ont été faits il y a quinze ans pour vraiment sauter la grenouille. Et c'est très idéal pour nous. Et puis, pour que vous soyez au courant, le financement de la Supergrappe de technologie numérique pour couvrir les coûts de la recherche était inestimable et certainement extrêmement important pour notre capacité de continuer à progresser sur le plan de la recherche et du développement. Et donc nous sommes vraiment ravis d'avoir pu le faire et d'avoir obtenu des résultats contre cela.

Et là où nous en sommes en ce moment, c'est en partenariat avec Dr Artem Cherkasov, de la Centre de la prostate de Vancouver, qui fait partie de VGH et UBC est-ce que vous savez, nous sommes en mesure d'utiliser les ressources de l'écosystème pour produire des composés impressionnants qui, jusqu'à présent, semblent très prometteurs. Nous en sommes à l'étape où nous avons effectivement commandé des échantillons et nous commençons à tester essais biochimiques et à partir de là, nous sommes en mesure d'itérer et de faire de bons progrès là-bas, et nous sommes vraiment enthousiasmés par le potentiel.

Alors, vous savez, la question est évidemment la suivante : la Supergrappe des technologies numériques est extrêmement intéressée par la commercialisation, alors vous savez comment la commercialiser ? Eh bien, vous savez, c'est là qu'adMare entre en jeu. AdMare fournit des services dans le cadre du consortium tant sur le plan de la chimie médicinale que sur le plan de la commercialisation.

Nous estimons donc qu'en tant que petite entreprise, en tant que PME, comme le gouvernement aime à l'appeler, vous savez, nous avons pu établir des partenariats avec de grandes organisations qui ont à la fois la capacité du réseau de sortir et de commercialiser tout type d'actif que nous pourrions être en mesure de générer. Et c'est gagnant-gagnant, donc nous en sommes très heureux.

[transition musicale]

Handol Kim : Lorsque vous êtes dans la technologie profonde ou dans un type de technologie très très difficile. Vous allez en quelque sorte là où se trouve l'expertise approfondie et, en général, ce sera un bassin de personnes assez raréfié. Donc vous avez besoin de savoir qui vous allez être, vous savez, vous allez amener à la danse.

Et avec le Supercluster, vous savez, tout ça c'est : « Regardez, nous devons nous assurer que le consortium que vous avez mis sur pied pour qu'un projet soit financé soit capable de faire le travail et ensuite de le commercialiser : et ainsi nous avons pu mettre en place les partenariats. Et commencez vraiment à faire des progrès à ce sujet.

[transition musicale]

Thierry Harris : Vous savez, ce que nous essayons d'étudier ici avec Market Hunt, c'est comment les idées sont commercialisées et, comme vous le dites, avec des technologies qui sont développées pour des médicaments qui n'ont même pas encore été conceptualisés. Vous devez établir des partenariats avec différents joueurs qui ont chacun leur propre expertise. Et certains d'entre eux fournissent les données, certains d'entre eux, les capacités de commercialisation lancent souvent une partie du jeu technologique, à savoir l'inventeur, si vous voulez, l'utilisation de cet algorithme et la façon dont vous jouez tous ensemble, en quelque sorte dans votre bac à sable, être amélioré par le Supercluster, donne vraiment beaucoup d'espoir et d'optimisme pour que les futures entités collaboratives potentielles examinent ce que vous avez fait et essaient ensuite d'appliquer cela à leur propre paradigme. les mme et leurs propres problèmes qu'ils s'efforcent de résoudre. Donc des choses très excitantes et très intéressantes pour vous de partager ce voyage avec nous.

Alors, quels sont les types de défis auxquels est confrontée Variational ? Vous sentez-vous en sécurité et que faites vous en ce moment ? Parce que c'est assez impressionnant de vraiment pivoter là-bas et de relever ce défi.

[transition musicale]

Handol Kim : Je veux dire, donc il y a certains cauchemars que vous avez qui sont en quelque sorte intrinsèques. À quelqu'un qui essaie de le faire, à tous les entrepreneurs, n'est-ce pas ? Et vous savez, ce sont eux, il y a ce seau, et puis il y a l'autre domaine de travail en quelque sorte de ces mots de technologie profonde au clair de lune.

Donc je vais d'abord parler de ce dernier, c'est-à-dire vous savez, je ne pense pas que si vous travaillez dans un domaine de technologie profonde, vous voyez, vous travaillez avec une probabilité d'échec et cette probabilité est probablement assez élevée. Beaucoup plus élevé que vous ne le savez, la plupart des entreprises sont à l'aise à prendre.

Parce que c'est une sorte de binaire dans un sens. C'est comme si ça marche ou non. Et il y a un risque réel d'échec technique et scientifique que vous puissiez trouver quelque chose qui pourrait fonctionner, qui ne vaut pas mieux que le statu quo. Dans ce cas, il s'agit d'un échec.

Vous savez, ce que vous essayez de faire, c'est de trouver une façon novatrice de changer radicalement la façon dont cette industrie fait les choses.

Alors à ce moment-là, vous voyez, c'est vraiment David et Goliath. Et le fait est que nous allons, qui sommes nous pour aller parler à une société pharmaceutique qui a un chiffre d'affaires de 40 milliards de dollars et vous savez des centaines de milliers de personnes qu'elle existe depuis cent ans et dire : « hé, nous pensons que nous pouvons faire ce que vous faites, mais mieux et beaucoup plus rapidement ». Je veux dire, vous haussez beaucoup les sourcils.

Ce qui est bien chez nous, c'est que nous sommes dans l'espace où c'est, nous ne sommes pas les seuls. Donc, et je pense qu'on se rend de plus en plus compte qu'il y a une certaine validité à l'application de l'apprentissage automatique dans ce domaine.

[transition musicale]

Donc, au moins, nous ne sommes pas les premiers. Vous savez, nous sommes, nous faisons essentiellement partie d'une vague qui est énorme et qui nous dérisquera complètement.

Mais encore une fois, vous devez regarder la technologie dont vous disposez pour regarder les coéquipiers que vous avez. Et je suis béni de travailler, vous savez, de travailler avec des gens qui sont, vous savez, de premier ordre.

Et vous savez qu'en fin de compte, il s'agit de savoir à quel point l'équipe est bonne dans l'exécution. Vous savez à quelle vitesse nous pouvons faire des progrès ? Comment pouvons-nous ajuster et modifier votre itération et nous assurer que vous savez que nous atteindrons nos objectifs. Il y a donc ce risque technique, c'est-à-dire si ça ne fonctionne pas et que vous n'avez pas d'entreprise.

Heureusement, nous partons d'une position où, du point de vue académique et de la recherche, nous savions ce que nous faisions, nous obtenons d'excellents résultats. Ensuite, c'est un problème de traduction. Et c'est un ensemble de défis complètement différent. Nous en sommes à un stade où nous pensons que nous approchons d'une étape où nous pouvons valider et montrer des données qui montrent que « hé, nous pouvons réellement faire ça ». Et une fois que nous faisons cela, nous pensons qu'il s'agit d'une étape très importante qui génère de la valeur.

Donc il y a ça qui consiste à dire : « Est-ce que ça va fonctionner ? » Et vous savez, nous y travaillons tous les jours et j'ai certaines des meilleures personnes, vous savez qui travaillent là-dessus au sein de l'entreprise. Ensuite, il y a la liste commerciale en ce qui concerne la façon dont nous interagissons avec les clients du marché, n'est-ce pas ? Et nous ne pensons même pas beaucoup aux concurrents à ce stade, parce que c'est un si grand marché, n'est-ce pas ?

Il y aura de la place pour que différentes IA émergent pour que les entreprises de découverte de médicaments émergent, ce n'est pas une situation où les gagnants prennent tout. Du moins pas encore. Il n'y a pas, ce n'est pas comme si Google pouvait en quelque sorte le déplacer et ensuite prendre tout le marché. Pas encore. N'est-ce pas ?

Vous avez donc ce genre de craintes et de préoccupations à l'égard des défis. Et puis il s'agit, vous voyez, alors, vous savez, le reste, c'est d'être un entrepreneur et tout ce que je suis sûr que vous savez, vous parlez à beaucoup d'entrepreneurs en ligne sur votre balado ici. Le fait est que vous voyez quelqu'un qui lance une entreprise et j'ai lu très bien cet article sur les conséquences psychologiques du démarrage d'une entreprise et vous regardez ouah, vous regardez cet entrepreneur et c'est comme regarder quelqu'un chevaucher un lion et vous vous dites « ouah, cette personne est vraiment courageuse ». Pendant ce temps, la personne qui chevauche la ligne dit : « Comment diable est-ce que je suis arrivé sur ce lion ? » Et comment puis-je m'en sortir sans être mangé par le lion ? N'est-ce pas ?

Thierry Harris : C'est génial, c'est génial.

Handol Kim : Oui, et vraiment, c'est un peu comme si vous le faisiez. Vous ne pensez pas vraiment savoir, vous ne pouvez pas l'analyser. Vous savez, il vous suffit de l'exécuter. Et ce genre d'intrépide témérité et cette audace, vous savez tempérée par vous savez, la capacité et la PI et et vos coéquipiers, vous savez, la taille du marché, c'est vraiment tout ce que vous avez.

Vous savez, lorsque vous essayez d'imposer votre réalité sur le marché, c'est un marché énorme. Ce sont donc des cauchemars assez fondamentaux que vous avez.

[transition musicale]

Thierry Harris : J'ai repris l'analogie dans un balado précédent. Je le comparais à un skieur de descente qui, vous savez, sait à quelle heure il doit arriver à la ligne d'arrivée pour devenir le vainqueur de cette course et qui essaie juste de visualiser sa course alors qu'ils sont au sommet de la montagne juste aux portes et qu'ils se préparent à partir. Et ils voient chaque virage à l'avance et ils voient comment ils vont effectuer ce virage. Et il semble que les entrepreneurs doivent opérer dans ce genre d'éther spatial où ils doivent être présents. Ils doivent être, vous savez, au top de chaque journée et gagner en quelque sorte la journée pour ainsi dire. Mais ils doivent aussi regarder dans leur subconscient le genre de course plus profond qu'ils font et doivent être en mesure de s'assurer qu'ils sont à la bonne vitesse. Ils ont le bon financement. Ils ont le bon positionnement sur le marché pour prendre ce virage et être en mesure de terminer la course. Il s'agit donc d'un véritable équilibre. Franchement, cela nécessite un peu de folie, mais je veux dire que certaines personnes aiment ce genre de choses.

[transition musicale]

Nous avons interviewé bon nombre d'entre eux. Il y a donc des gens qui sont assez fous pour essayer ce genre de choses.

Et vous semblez être l'un d'entre eux, ce qui est juste un excellent trait d'avoir tant de félicitations à ce sujet.

[transition musicale]

Thierry Harris : Comment mesurez-vous votre succès à ce stade ?

Handol Kim : Je veux dire à ce stade-ci. Je veux juste m'assurer qu'il y a suffisamment d'argent à la banque pour payer tout le monde en frais de couverture pendant assez longtemps pour que l'équipe soit en mesure d'atteindre les objectifs techniques. Et c'est tout simplement la mesure la plus brutale que nous ayons à l'heure actuelle. Si nous parvenons à atteindre nos objectifs techniques, alors nous allons en relever un autre. Vous savez, nous recueillons plus d'argent. Nous faisons plus de transactions et nous validons davantage. Et c'est là où nous en sommes en ce moment. Ce n'est pas comme si nous activions un interrupteur et que nous devenions soudainement tous de puissants chercheurs dans l'espace moléculaire. C'est un voyage. Donc, vous savez, nous avons maintenant cette phase où nous validons l'algorithme et nous faisons d'excellents progrès par rapport à cette étape, nous espérons avoir d'excellents résultats dans les prochains mois, vous savez, pour valider cela.

Et ensuite, nous recueillons plus d'argent pour pouvoir embaucher plus de personnes et obtenir les ressources dont nous avons besoin. Ce serait pour vous, ce serait choquant de savoir combien de ressources GPU nous utilisons dans le domaine de l'apprentissage automatique. Il y a une raison pour laquelle Les actions de NVIDIA c'est tellement élevé parce que nous prenons de l'argent et le leur donnons pour que nous puissions réellement former notre algorithme et notre modèle.

Encore une fois, pour avoir suffisamment de piste, suffisamment de temps et de ressources pour que l'équipe puisse atteindre ses objectifs techniques, après cela, nous amassons plus d'argent, puis nous rinçons et répétons. Sauf que cette fois, nos objectifs techniques s'entrelacent davantage avec les objectifs commerciaux. À l'heure actuelle, nous avons trois tirs au but. Et c'est un endroit vraiment génial où il fait bon vivre. À ce stade, où nous en sommes.

Nous avons, vous savez, des résultats de pointe. Et nous devons tout à l'heure franchir ce prochain jalon en matière de création de valeur. Après cela, nous passons à la prochaine phase de croissance. C'est-à-dire que nous commençons à examiner différents programmes, nous commençons à envisager l'interfaçage avec des partenaires plus importants. Nous avons déjà des ententes commerciales. Et donc, vous savez, c'est très bon pour les validations là-bas.

L'objectif lui-même est extraordinairement ambitieux et difficile à atteindre. Et nous devons le prendre par paliers. Et chaque palier que nous franchissons, chaque étape, débloque plus de valeur que nous pouvons générer, vous savez, de meilleurs résultats et obtenir le capital, les ressources et le soutien dont nous avons besoin pour passer au niveau supérieur.

La trajectoire est très similaire à celle d'autres entreprises que vous avez vues. J'aime Abcellera c'est une excellente histoire ici, à Vancouver. Ils valent maintenant une énorme somme d'argent, ils sont maintenant l'une des sociétés canadiennes des sciences de la vie les plus capitalisées, par capitalisation boursière, au Canada. Ce qui est génial. Cela leur a pris un certain temps et vous savez, ils ont fait des progrès extrêmement rapides pendant la COVID et, avant même, les bases ont été jetées. Et ils ont recueilli des centaines de millions de dollars auprès de grands investisseurs. Nous n'y sommes pas encore.

[transition musicale]

Thierry Harris : L'un des obstacles récurrents auxquels les entreprises d'IA sont confrontées est l'accès à des données fiables pour alimenter leurs machines. J'ai interrogé Handol sur l'importance des données pour l'IA variationnelle. À quoi ressemblerait l'accessibilité des données pour Variational dans un monde idéal ?

[transition musicale]

Handol Kim : Donc, les données bien sûr, c'est le carburant, sans ça, nous ne pouvons vraiment rien faire. L'apprentissage automatique est intrinsèquement axé sur les données, donc là où nous en sommes, c'est légèrement différent. Donc, si je suis en quelque sorte une entreprise d'IA dans le domaine de la santé, ou si j'essaie en quelque sorte de suivre l'explosion d'une pandémie. Vous savez que vous voulez vous fier aux données du monde de la santé. Et vous savez les sciences de la vie, la santé et les produits pharmaceutiques génériques, ils sont tous en quelque sorte regroupés, mais ils sont très différents.

Nous n'avons pas à nous occuper de choses comme les questions de protection de la vie privée liées aux données des patients. Les données que nous utilisons pour former notre IA sont des données sur les produits chimiques et les molécules.

Il y a donc une énorme quantité de données qui se trouvent dans des référentiels de sources ouvertes, comme vous savez. Zincou Pubchemou Chembl etc. Et ces documents sont mis à la disposition du milieu de la recherche par de formidables organismes.

Et ce ne sont pas des données sur des personnes, donc elles ne sont pas soumises au même examen éthique ou confidentialité dont vous auriez besoin, n'est-ce pas ? Par opposition à la formation d'un modèle sur la prédiction du cancer du sein, je vais avoir besoin de beaucoup de données sur le cancer du sein. Vous connaissez les images. Et cela vient avec des personnes réelles et ensuite vous devez vous occuper de cette question, donc ce n'est pas un problème pour nous.

Cependant, le problème est que dans de nombreux cas, les entreprises elles-mêmes ou l'industrie elle-même n'ont pas généré suffisamment de données pour l'utilisation de l'apprentissage automatique. Et c'est là un véritable facteur limitant.

Dans un monde idéal, nous générons suffisamment de ressources pour pouvoir générer les données nous-mêmes et par rapport à la cible que nous décidons. C'est une proposition coûteuse, mais c'est quelque chose qui, vous savez, nous facilite grandement la vie. Ou nous trouvons une méthode où nous pouvons accéder aux données si elles existent.

Mais dans bien des cas, s'il n'y a pas suffisamment de données par rapport aux cibles, et des données de filtrage que nous voudrions utiliser, et nous voulons donc compléter cela.

Mais en même temps, il y a déjà beaucoup de données qui existent déjà. Donc, pour nous, les données sont fonction des ressources. Nous n'avons donc pas les ressources pour le moment pour extraire efficacement toutes les données accessibles au public. Mais aussi, nous ne pouvons pas générer suffisamment nous-mêmes parce que nous n'avons ni le temps ni les ressources pour le faire.

C'est pourquoi nous examinons les partenariats à cette étape. Mais dans un monde idéal, nous choisissons une cible, il y a des données, et nous générons contre elle, et nous formons notre algorithme, nous menons nos propres campagnes d'expérimentation ou nous engageons un CRO ou un fournisseur de services pour le faire. Et puis nous générons suffisamment de données pour que nous puissions appliquer notre algorithme.

Une chose que je dirais cependant, c'est que nous évoluons dans un monde où les données sont rares. Notre algorithme est extraordinairement efficace pour travailler avec de petites quantités de données. Et c'est aussi un autre avantage de l'approche générative, par rapport à disons plus approche discriminatoire que beaucoup d'autres sociétés de découverte de médicaments utilisant l'IA utilisent.

[transition musicale]

Thierry Harris : Des choses extrêmement intéressantes. Nous avons un auditoire universitaire. Ils adorent regarder des entreprises comme la vôtre et les étudier, étudier leur évolution et étudier aussi vous connaissez en quelque sorte l'idée de ce que vit l'entrepreneur. Vous nous avez fourni des données extraordinaires pour travailler. Sur quel genre de questions aimeriez-vous que les élèves travaillent s'ils examinent l'IA variationnelle ? Quel genre de questions aimeriez-vous leur poser et les aider à travailler ?

[début, fin de la piste musicale]

Handol Kim : Quand commencer à examiner diverses cibles. Il y a tout un élément commercial de l'industrie biopharmaceutique que nous n'avons pas vraiment touché. Et vous savez quelle est la valeur commerciale d'une cible ? Quel est le contexte et quel est le portefeuille de biopharmaceutiques qui travaillent dans ce domaine ?

Et puis, dans une large mesure, nous voulons être en mesure de lancer des programmes qui sont axés sur quelque chose de valeur commerciale.

Mais aussi, vous savez, si nous sommes face à cet énorme mastonnet d'un médicament qui génère huit milliards de dollars par année pour l'agriculture et vous savez, il est bien desservi, alors peut-être que vous savez, nous pourrions choisir une cible plus petite en premier, n'est-ce pas ?

Mais si quelque chose n'est peut-être pas breveté ou que c'est le bon moment pour choisir le meilleur type de votre catégorie, vous savez, approchez.

Mais en fin de compte, nos modèles d'affaires sont malléables. Je veux dire, vous savez, au sein de notre entreprise, nous avons souscrit à des personnes, vous voyez, des opinions fortement exprimées, nous avions des opinions, n'est-ce pas ? Face à de meilleures données et de meilleures informations. Vous savez, vous êtes les premiers à y aller. « Oh, ok. Nous sommes assez stupides à ce sujet. À quoi diable avons-nous pensé, changeons. Et vous avez besoin de cette agilité et de cette agilité mentale pour être en mesure de vous assurer que vous ne le faites pas.

Vous savez, vous faites une analogie avec le ski, comme je dirais que vous skiez à l'aveugle. Et vous devez juste utiliser la force. Et vous voulez vous assurer que vous allez à gauche plutôt qu'à droite. Mais vous pourriez heurter un arbre. Donc tu dois être capable de, Oh, je pense qu'il y a un arbre devant moi, je ferais mieux de pouvoir changer à gauche, non ? Au lieu de rester fidèle à vos principes erronés, puis de percuter un arbre et de mourir.

Donc, là où nous aurions besoin d'aide, c'est de veiller à ce que les secteurs que nous ciblons soient mal desservis. Parce que notre approche est largement agnostique dans le domaine de la maladie, nous voulons trouver des domaines où nous pouvons réellement mettre un actif sur le marché. Parce que cela augmente également la valeur de cet actif.

S'il n'y a pas de médicament par exemple, la maladie d'Alzheimer, il n'y a pas de médicament approuvé pour ça, vous savez, beaucoup de gens ont perdu des dizaines de milliards de dollars de valeur marchande en essayant de commercialiser des médicaments. Biogen a perdu une capitalisation boursière de 16 milliards de dollars parce qu'ils ont manqué un point final de leur troisième phase. C'est comme si un tiers de leur marché avait été anéanti parce que ce médicament n'a pas été le cas. Nous ne voulons donc pas être dans cette situation où nous voulons être avertis à ce sujet. Et regardez un domaine de maladie, où nous ne voulons pas partir en mission kamikaze, aussi génial que nous pensons que notre IA soit, nous voulons nous assurer que nous allons à la recherche de cibles viables qui ont un bon rendement commercial et qui ont plus de chances de succès qu'aléatoires. Donc c'est quelque chose, vous savez, l'analyse serait de nouveau nécessaire, vous connaissez les portefeuilles, et examiner où les entreprises sont actives et non actives et avoir cette compréhension pour éclairer notre décision. Parce qu'à un moment donné, vous savez qu'une fois que nous aurons validé, nous allons commencer à examiner nos propres objectifs. C'est là que nous avons besoin d'aide.

Thierry Harris : Dans cet épisode, nous avons plongé en profondeur dans les subtilités du développement de médicaments à l'aide de l'intelligence artificielle. Nous avons compris comment les forces du marché continueront de façonner le développement des médicaments. Ces mêmes forces dicteront l'évolution des hybrides IA et pharmaceutiques appliqués. L'investissement du Supercluster numérique dans l'IA variationnelle en est l'exemple parfait. Pour que la technologie prospère, elle devra continuer à franchir le pont entre la recherche fondamentale et la résolution de problèmes dans le monde des affaires. Les partenariats seront essentiels pour y parvenir. Il reste encore du travail à faire pour continuer à favoriser ces réseaux. Et nous partagerons ce scénario avec vous au fur et à mesure qu'il continue d'évoluer.

[fin de la piste musicale]

[commencer la musique promotionnelle]

Narration : Et maintenant, un dernier mot de notre commanditaire, le IE-KnowledgeHub. IE-Knowledge Hub est un site Web dédié à la promotion de l'apprentissage et des échanges sur l'entrepreneuriat international.

Reprenons là où nous nous sommes arrêtés pour Photon etc., une entreprise de photonique fabriquant des instruments de mesure pour la recherche fondamentale et les applications industrielles.

Sébastien Blais-Ouellette : Début 2004, j'ai emprunté un laboratoire dans une université, et ils m'ont permis de n'avoir qu'un petit morceau de la table optique. J'ai fait le premier prototype. Et puis j'ai pu vendre le premier filtre. Et ça m'a donné un peu d'argent pour embaucher quelqu'un, puis louer une place à l'université, et nous avons été les premiers dans l'incubateur Joseph Armand Bombardier, de Polytechnique, Université de Montréal.

Narration : C'est Sébastien Blais, fondateur de Photon, etc. Photon a pu s'appuyer sur le soutien des incubateurs pour l'aider à faire décoller son entreprise. Comme sa technologie est née d'un laboratoire universitaire, il était naturel de poursuivre les scientifiques comme les premiers à adopter sa technologie.

Sébastien Blais-Ouellette : Vous savez que c'est toujours le cas avec les physiciens et les spécialistes de l'optique, parce que nous, et beaucoup de scientifiques, vous savez qu'ils développent une technologie de base, et vous vous demandez ce que vous pouvez en faire ? Au lieu de partir d'un problème et de dire : hé, quelle solution puis-je trouver ? Vous savez, c'est très difficile d'avoir une nouvelle technologie, d'analyser les marchés les uns après les autres, et de dire, où puis-je me situer ? vous n'en savez pas assez sur ces marchés, et les gens sur ces marchés ne peuvent pas comprendre votre technologie. c'est une position très difficile, alors à un moment donné, vous dites simplement « ok », et vous partez ! et c'est pour cette raison que nous avons consulté des scientifiques.

Narration : Tout en permettant à Photon etc. de survivre et même de croître pendant une longue période de temps, la collaboration avec des scientifiques a également posé de sérieux défis.

Sébastien Blais-Ouellette : Les universitaires sont des premiers à adopter, et ils aiment les nouvelles choses, ils sont donc très heureux de développer un portefeuille de produits, de développer de nouveaux produits. C'est douloureux à un moment donné parce qu'ils veulent toujours quelque chose de différent. Parce qu'ils veulent aller plus loin que leur dernière publication, ils veulent aller plus loin que leurs collègues et donc ils demandent des choses qui ne sont pas là. C'est très intéressant sur le plan intellectuel, mais sur le plan commercial, vous savez que vous aimez répéter les choses, mais c'était une bonne façon de commencer.

Narration : Vous avez écouté des segments de l'étude de cas vidéo Photon etc., disponible sur le carrefour de connaissances. Apprenez-en davantage sur la façon dont Photon etc. a étendu son activité sur différents marchés, desservant de multiples industries et même créé de nouvelles entreprises à partir de leur technologie de base. Regardez leur dossier complet disponible gratuitement à ie hyphen knowledge hub point ca.

[mettre fin à la musique promotionnelle]

[Crédits de début musique]

Thierry Harris : Market Hunt est produit par Cartouche Media en collaboration avec Seratone Studios à Montréal et Podcasting contextuelle à Ottawa. Market Hunt fait partie du réseau IE Knowledge Hub. Le financement de ce programme provient du Conseil des ressources en sciences humaines du Canada. Producteurs exécutifs Hamid Etemad, Université McGill, Faculté de gestion Desautels et Hamed Motaghi, Université du Québec en Outaouais. Producteur associé Jose Orlando Montes, Université du Québec à Montréal. Producteurs techniques Simon Petraki, Seratone Studio et Lisa Querido, Pop up Podcasting. Afficher le consultant JP Davidson. Oeuvre de Melissa Gendron. Voix Over : Katie Harrington. Vous pouvez consulter les études de cas IE-Knowledge Hub sur Ie hyphen knowledge Hub point ca. Pour Market Hunt, je suis Thierry Harris, merci de m'avoir écouté.

[Crédits de fin musique]

‍