Unlearn.ai融资了1200万美元,用于加速“数字双胞胎”的临床试验

设计用于临床研究的软件工具的公司Unlearn.ai今天宣布获得1200万美元的股权融资。 Unlearn在试验中采用的“数字孪生”方法,即使用数字模型代替真实的试验对象,可以减少进行试验所需的人数,同时又不牺牲证据标准。

Unlearn的技术还可以帮助解决临床研究中的系统可重复性问题,拜耳和安进(Amgen)最近进行的两次调查使这项研究大为缓解。 拜耳报告说它所分析的已发表的临床前研究中,只有25%被成功复制,而安进在53项具有里程碑意义的癌症研究中,只有6项得到证实(11%)。

Unlearn于2017年由物理学家查尔斯•费希尔(Charles Fisher)、亚伦•史密斯(Aaron Smith)和乔恩•沃尔什(Jon Walsh)共同创立。沃尔什最初将Unlearn的平台建立在一种名为restricted Boltzmann machines (RBMs)的人工智能架构之上。RBMs受到统计力学的启发,可以对一个人的特征进行建模,同时在缺少数据的情况下保持健壮,但是它们对来自不同组的数据的建模很差,例如,生成混合的而不是不同分布的患者。

为了解决这些缺点,该团队设计了一个名为Paysage的开源包,它实现了无监督学习算法(意味着它们使用的数据没有分类或标记),包括RBM和生成式对抗网络的混合:一个Boltzmann编码的对抗机器(BEAM)。GANs是由两部分组成的人工智能模型,包括一个创建样本的生成器和一个试图区分生成的样本和真实样本的鉴别器,这种独特的安排使它们能够实现令人印象深刻的媒体合成壮举。

Unlearn的DiGenesis平台就是建立在这种混合模式之上的。它处理来自数千名患者的历史临床试验数据集,以建立针对特定疾病的机器学习模型,该模型用于创建数字双胞胎和相应的虚拟医疗记录。数字孪生记录是纵向的,包括人口统计信息、常见的实验室测试、终点和/或临床试验中与实际患者记录相同的生物标记。

在去年发表的一项案例研究中,Unlearn将其系统应用于预测阿尔茨海默病的进展,本质上是预测单个患者在未来任何时候都会经历的症状。它同时计算预测和置信区间的多个特点的病人一次使用一个束,这是训练和测试的联合对抗主要疾病(CAMD)在线数据库的阿尔茨海默氏症。该数据集由5000名患者组成,为期18个月,涵盖50个变量,包括ADAS-Cog(一种广泛使用的认知亚量表)的个体组成部分和迷你精神状态检查(一种用于在临床和研究环境中测量认知障碍的问卷)。

在研究过程中,Unlearn利用训练过的模型生成“虚拟病人”及其相关的认知考试分数、实验室测试和临床数据。对个别患者进行了模拟,以预测他们在诸如单词记忆、定位和命名等方面的疾病进展,这些反过来又用来计算ADAS-Cog的整体分数。

结果:无监督模型至少可以在18个月内做出准确的ADAS-Cog预测。

Unlearn表示,一些未公开的制药公司已经表达了对DiGenesis的兴趣——这并不奇怪。开发和销售一种新药平均需要20多亿美元和10年的时间,而且大部分成本出现在试验阶段,在此期间约90%的候选治疗被证明无效或不安全。

“自愿参加临床试验的患者会承担一些风险;他们可能会接受无效的治疗,或者经历严重的副作用。因此,我们在为进一步的医学研究提供可靠证据的同时,尽可能高效地进行这些试验是非常重要的。”Fisher表示。“我们相信我们的(平台)将对这个问题产生深远的影响,我们很高兴能与8VC合作,实现一个共同的愿景,利用技术来改善患者的生活。”

Unlearn的理想目标是为每个病人开发一个数字双胞胎,这将帮助医生评估每个病人面临的风险,并为病人制定最佳的治疗方案。在短期内,Unlearn打算专注于神经系统疾病,从阿尔茨海默病和多发性硬化症开始。

首轮融资由8VC牵头,Unlearn的所有现有投资者包括DCVC、DCVC Bio和Mubadala Capital Ventures都参与了此次融资。(到目前为止,Unlearn的募资总额已超过1700万美元。)通过这项投资,8VC的负责人弗朗西斯科·希门尼斯(Francisco Gimenez)加入了公司的董事会。

根据领英(LinkedIn)的数据,总部位于旧金山的Unlearn有16名员工。

发表评论

电子邮件地址不会被公开。 必填项已用*标注