Οι βιοεπιστήμες είναι σήμερα ένας από τους πιο ανερχόμενους τομείς όσον αφορά την έρευνα, την καινοτομία, και τη νεοφυή επιχειρηματικότητα, διεθνώς αλλά και στη χώρα μας. Σήμερα, στο ελληνικό οικοσύστημα υπάρχουν δεκάδες Startups που πρωτοπορούν στο συγκεκριμένο χώρο και μία εξ αυτών είναι η JADBio, μια Spinoff του Πανεπιστημίου Κρήτης που έχει αναπτύξει μια πλατφόρμα αυτόματης μηχανικής εκμάθησης (AutoML).
Η πλατφόρμα είναι ειδικά σχεδιασμένη για δεδομένα βιοεπιστημών και ιδιαίτερα μοριακά δεδομένα και απευθύνεται σε επιστήμονες/αναλυτές δεδομένων και βιοπληροφορικούς. Στην πραγματικότητα, είναι η μοναδική πλατφόρμα που έχει δημιουργηθεί κι απευθύνεται ειδικά σε αυτούς. Ξεκίνησε τον Ιούλιο του 2020 με αποστολή να παρέχει στα ερευνητικά ιδρύματα, στους επιστήμονες ανάλυσης δεδομένων, αλλά και στις εταιρείες τη δυνατότητα να αναλύουν αυτόματα τα δεδομένα έτσι ώστε να ανακαλύπτουν νέα γνώση (Knowledge Discovery), να προσφέρουν στον τομέα της ανθρώπινη υγείας και ακόμη και να βελτιώνουν τις επιχειρηματικές αποφάσεις.
Ένας από τους ιδρυτές της είναι ο Δρ. Ιωάννης Τσαμαρδίνος, ο οποίος έχει δημοσιεύσει πάνω από 110 επιστημονικές εργασίες σε διεθνή περιοδικά και συνέδρια για την ανάπτυξη καινοτόμων αλγορίθμων και την μηχανική εκμάθηση. Σήμερα, ο κ. Τσαμαρδίνος μιλά στο Startupper.gr και ανοίγει τα χαρτιά του σχετικά με το επιχειρηματικό του εγχείρημα και το πώς έχει καταφέρει σήμερα να αναπτύξει μεγάλες συνεργασίες με σημαντικές εταιρείες βιοεπιστημών στο εξωτερικό και να έχει παράλληλα εκατοντάδες εγγεγραμμένους χρήστες.
Startupper.gr: Η JADBio έχει δημιουργήσει μια πλατφόρμα αυτόματης μηχανικής εκμάθησης ειδικά σχεδιασμένη για τον τομέα των βιοεπιστημών. Μπορείτε να μας περιγράψετε πώς λειτουργεί η συγκεκριμένη πλατφόρμα και σε ποιους απευθύνεται;
Ιωάννης Τσαμαρδίνος: Το JADBio χρησιμοποιείται ως εξής: ο χρήστης ανεβάζει τα δεδομένα του με drag-and-drop. Τα δεδομένα μπορούμε να τα φανταστούμε ως ένα πίνακα Excel με τις στήλες να περιέχουν τα χαρακτηριστικά που μετράμε σε ένα άτομο, ιστό ή βιολογικό δείγμα. Ο χρήστης καταδεικνύει τη στήλη / ποσότητα “στόχο” που θέλει να μάθει να προβλέπει ή διαγιγνώσκει από τις ποσότητες στις άλλες στήλες. Για παράδειγμα, ο στόχος μπορεί να είναι το αν θα αρρωστήσει κανείς βαριά ή όχι από COVID-19 και οι άλλες ποσότητες να είναι μετρήσεις στο αίμα. Μετά το JADBio φτιάχνει ένα προβλεπτικό μοντέλο τελείως αυτόματα. Ο χρήστης καλείται απλά να ελέγξει το αποτέλεσμα, να το ερμηνεύσει και να το χρησιμοποιήσει.
Το προβλεπτικό μοντέλο μπορεί κανείς να το χρησιμοποιήσει είτε εισάγοντας τις τιμές των άλλων ποσοτήτων και να πάρει μια πρόβλεψη για το στόχο ή να το κατεβάσει ως εκτελέσιμο πρόγραμμα και να το βάλει σε άλλο λογισμικό, π.χ., σε μια ιστοσελίδα ή στον ηλεκτρονικό φάκελο ασθενούς. Το JADBio μπορεί να χειριστεί εκατοντάδες χιλιάδες χαρακτηριστικά και μοριακές ποσότητες ακόμα κι αν το δείγμα είναι μικρό. Και, αν και μίλησα για δεδομένα σε μορφή “Excel” το JADBio δέχεται και εικόνες όπως ακτινολογικές ή ιστοπαθολογικές και ιατρικά σήματα για να μάθει να κάνει προβλέψεις ή διαγνώσεις. Πλέον, το JADBio βγάζει και την αναφορά στα Αγγλικά με όλες τις λεπτομέρειες του πως έκανε την ανάλυση και τι βρήκε για να τη βάλει ο ερευνητής κατευθείαν στην ερευνητική εργασία ή την αναφορά του.
Προσπαθήσαμε να φτιάξουμε την πλατφόρμα όσο πιο απλή στη χρήση της γίνεται, ώστε όλοι να μπορούν να την χρησιμοποιήσουν. Κι όταν λέω όλοι, εννοώ οποιονδήποτε ξέρει να χρησιμοποιεί τον υπολογιστή. Δεν χρειάζεται δηλαδή να έχει κανείς γνώσεις προγραμματισμού, στατιστικής, ή ανάλυσης δεδομένων, το JADBio αυτοματοποιεί πλήρως την ανάλυση. Απευθυνόμαστε κυρίως σε δύο είδη χρηστών: πρώτα, στον ερευνητή των επιστημών ζωής, δηλαδή το γιατρό, βιολόγο, φαρμακολόγο, ή βιοπληροφορικό που έχει δεδομένα και θέλει να τα χρησιμοποιήσει για να φτιάξει προβλεπτικά και διαγνωστικά μοντέλα και να καταλάβει την ιατρική και βιολογία που τα διέπει. Απευθυνόμαστε όμως και στον έμπειρο αναλυτή δεδομένων και τον στατιστικό που θέλει να αυξήσει δραματικά την παραγωγικότητά του.
Εσωτερικά, το JADBio αναπαριστά τη γνώση ενός έμπειρου αναλυτή σε ένα σύστημα Τεχνητής Νοημοσύνης και το οποίο ξέρει πως να χειριστεί το κάθε πρόβλημα ανάλυσης δεδομένων. Δηλαδή, τι αλγορίθμους μηχανικής μάθησης να τρέξει, πως να τους συνδυάσει και πως να τους βελτιστοποιήσει σε κάθε περίπτωση. Πέρα όμως από αυτό, έχουμε φτιάξει και νέους αλγορίθμους ώστε να μπορούμε να χειριστούμε βιολογικά και μοριακά δεδομένα δεδομένα. Για παράδειγμα, αλγορίθμους που επιλέγουν τον συνδυασμό ποσοτήτων που είναι συνδυαστικά προβλεπτικές σε δεδομένα που μετράνε ακόμα και εκατομμύρια χαρακτηριστικά και αλγορίθμους εκτίμησης της προβλεπτικής ικανότητας των μοντέλων ακόμα και με λίγα δείγματα.
Startupper.gr: Πώς προέκυψε η ιδέα για τη δημιουργία μιας τέτοιας πλατφόρμας; Ποιο κενό εντοπίσατε στην αγορά;
Ιωάννης Τσαμαρδίνος: Αν και η ιδέα προέκυψε πολύ νωρίς, το 1998-1999, ως διδακτορικός φοιτητής της Τεχνητής Νοημοσύνης στο Πανεπιστήμιο του Pittsburgh και αργότερα άρχισε να παίρνει μορφή, το 2003, ως Καθηγητής στην Ιατρική Σχολή του Πανεπιστημίου Vanderbilt, ποτέ δεν αναπτύχθηκε σε εμπορικό εργαλείο. Το 2019, μαζί με τους Vincenzo Lagani, PhD Βιοπληροφορικής, και Παύλο Χαρονυκτάκη, επίσης ερευνητής βιοπληροφορικής και CTO στην JADBio, ξεκινήσαμε να χτίζουμε την πρώτη εμπορική πλατφόρμα AutoML για δεδομένα βιοπληροφορικής, την οποία ονομάσαμε JADBio, από το Just Add Data. Φυσικά από τότε η ομάδα έχει μεγαλώσει με επιπλέον ερευνητές και προγραμματιστές.
Είχε αρχίσει ήδη η έκρηξη της βιοπληροφορικής παγκοσμίως με την ανάγνωση της αποκωδικοποίησης του ανθρώπινου DNA. Τεράστιοι όγκοι βιοϊατρικών δεδομένων άρχισαν να καταγράφονται. Δεδομένα που πολλές φορές ήταν πολύ ακριβά να τα μετρήσεις και να τα παράγεις. Όλοι οι εμπλεκόμενοι στη βιοϊατρική, γιατροί, βιολόγοι, φαρμακολόγοι αλλά και οι διοικήσεις των νοσοκομείων άρχισαν να συνειδητοποιούν πόσο μπορούν να τους βοηθήσουν τα δεδομένα για να αποκτήσουν νέα ιατρική και βιολογική γνώση, αλλά και για να βοηθήσουν τους ασθενείς με καλύτερες αποφάσεις, εξατομικευμένη ιατρική και σχεδιασμό νέων φαρμάκων.
Η προχωρημένη ανάλυση όμως αυτών των δεδομένων απαιτεί πολύ κόπο, χρόνο, χρήμα και εξειδικευμένο προσωπικό. Είναι πολύ εύκολο να κάνει κανείς μεθοδολογικά λάθη ή να έχει κακή ποιότητα προβλεπτικών μοντέλων. Η εύρεση και πρόσληψη έμπειρων αναλυτών είναι πολύ δύσκολο γιατί οι ανάγκες αυξάνονται εκθετικά ενώ ο αριθμός των διδακτόρων αυξάνεται γραμμικά. Υπολογίζεται ότι μόνο ένα 0.5% των δεδομένων παγκοσμίως αναλύονται με προχωρημένες τεχνικές μηχανικής μάθησης. Από αυτά είναι παντελώς άγνωστο πόσα είναι αναλυμένα με σωστές και ποιοτικές τεχνικές αλλά θα εκτιμούσα ένα μικρό σχετικά ποσοστό. Αυτές τις ανάγκες σε παγκόσμιο επίπεδο έρχεται να καλύψει το JADBio, ξεκινώντας από τα πανεπιστήμια, τον ακαδημαϊκό και ερευνητικό τομέα, μέχρι την φαρμακοβιομηχανία και όλες τις παρεμφερείς εταιρείες.
Φυσικά, δεν αρκεί μόνο η ιδέα. Όμως, οι τεχνικές προκλήσεις ήταν τεράστιες. Το JADBio είναι προϊόν έντασης γνώσης (deep tech). Η ανάλυση των μοριακών δεδομένων απαίτησε την σχεδίαση καινούργιων μεθόδων και αλγορίθμων. Στη βιολογία το στατιστικό δείγμα πολλές φορές είναι ελάχιστο γιατί πρόκειται για σπάνιες ασθένειες, πολύ ακριβές μετρήσεις, ή δύσκολες μετρήσεις που απαιτούν πειραματόζωα. Οι στατιστικές διακυμάνσεις λοιπόν κατά την ανάλυση είναι μεγάλες και προκαλούν προβλήματα. Η δεύτερη πρόκληση είναι ότι οι μοντέρνες βιοτεχνολογίες μετράνε εκατοντάδες χιλιάδες μοριακές ποσότητες.
Το να βρεις τον συνδυασμό τους που μπορεί να προβλέψει πως θα εξελιχθεί η ασθένεια ή η επιβίωση του ασθενούς είναι κυριολεκτικά σαν να ψάχνεις βελόνα στα άχυρα. Τέλος, η ανάλυση δεδομένων στην βιοϊατρική έχει ιδιαιτερότητες και απαιτούνται εξειδικευμένες λειτουργίες. Οι γιατροί και βιολόγοι δεν ενδιαφέρονται μόνο για το προβλεπτικό μοντέλο αλλά και για την ανακάλυψη γνώσης, την κατανόηση των βιολογικών φαινομένων και την ερμηνεία τους. Δεν αρκεί λοιπόν να φτιάξεις ένα διαγνωστικό μοντέλο αλλά να βρει κανείς και τους δείκτες που εμπλέκονται στην διάγνωση. Περίπου 20 έτη αναπτύσσαμε μαθηματικές θεωρίες και αλγορίθμους για να αντιμετωπίσουμε αυτές τις προκλήσεις επιτυχώς και να φτάσουμε στο σημείο ωριμότητας του JADBio.
Startupper.gr: Μπορείτε να μας πείτε για την διαδικασία δημιουργίας της Spinoff μέσω του Πανεπιστημίου Κρήτης; Ποιες οι προκλήσεις και τι πρέπει να αλλάξει κατά τι γνώμη σας για να έχουμε περισσότερες “JADΒio”;
Ιωάννης Τσαμαρδίνος: Η διαδικασία ήταν σχετικά απλή. Το Πανεπιστήμιο Κρήτης(ΠΚ) νομίζω ήταν από τα πρώτα που είχε θεσπίσει συγκεκριμένη διαδικασία και μεθοδολογία. Κάποιος που θέλει να ιδρύσει τεχνοβλαστό του ΠΚ κάνει αίτηση στην Εταιρεία Διαχείρισης και Αξιοποίησης της Περιουσίας του Πανεπιστημίου Κρήτης. Το πανεπιστήμιο απαιτεί κάποια ποσοστά επί του τζίρου και επί του μετοχικού κεφαλαίου. Αν και τα δύο μέρη συμφωνήσουν η σύσταση μπορεί να προχωρήσει. Γενικά, μέχρι τώρα υπήρχε πολύ καλή διάθεση από το Παν. Κρήτης και εξαιρετικό πνεύμα συνεργασίας.
Από εκεί και πέρα βέβαια, υπήρχαν πάρα πολλές δυσκολίες και προκλήσεις οι οποίες δυσχεραίνουν παρόμοια εγχειρήματα στην χώρα μας. Δεν είναι τυχαίο ότι η επιχειρηματικότητα και η καινοτομία στη χώρα μας έχουν μείνει πίσω. Τα πανεπιστήμια και τα ερευνητικά κέντρα θα έπρεπε να είναι το κατεξοχήν φυτώριο της καινοτομίας αφού εκεί είναι ο θεσμικός τόπος παραγωγής νέας γνώσης και τεχνολογίας.
Θεωρώ ότι υπάρχουν 3 στάδια στην ανάπτυξη της επιχειρηματικότητας στον ακαδημαϊκό χώρο. Το πρώτο στάδιο είναι το να την επιτρέψεις θεσμικά χωρίς τροχοπέδη. Να έχεις τις διαδικασίες, αρμόδια όργανα, κανονισμούς θέσπισης και εποπτείας. Σε αυτό το στάδιο είναι το ΠΚ. Αναλογιζόμενοι ότι η επιχειρηματικότητα αντιμετώπιζε πόλεμο στον ακαδημαϊκό χώρο μέχρι πριν λίγα έτη, είναι ένα σημαντικό βήμα, οπότε ας μην υποβαθμίζουμε τη σημασία του.
Το επόμενο στάδιο είναι η ενεργή υποβοήθηση της καινοτομίας και επιχειρηματικότητας. Για παράδειγμα, αρωγή σε μορφή νομικών συμβουλών, λογιστικών συμβουλών, φοροτεχνικών συμβουλών, οργάνωσης των δομών και λειτουργίας μιας εταιρίας, διάθεση χώρων και γραφείων ή υπολογιστικών πόρων. Βοήθεια σε λογισμικό για μικρές εταιρείες. Βοήθεια στην δικτύωση με πελάτες, στο σχεδιασμό επιχειρηματικών πλάνων, στην προσέλκυση επενδύσεων, στη προώθηση των προϊόντων, στη δημιουργία εταιρικής ταυτότητας (branding) και εν γένει mentoring στην επιχειρηματικότητα. Αυτά είναι παροχές που βρίσκει κανείς για παράδειγμα σε incubators νεοφυών εταιρειών. Κάποιοι τρελοί και ριψοκίνδυνοι από εμάς τολμήσαμε να ξεκινήσουμε και αναγκαστήκαμε να τα μάθουμε μόνοι μας και να κάνουμε τη μετάβαση από τον ακαδημαϊκό τομέα στην επιχειρηματικότητα. Αλλά, για να έχουμε πολλά εταιρείες, success stories και ένα αυξανόμενο οικοσύστημα εταιρειών υψηλής τεχνολογίες χρειάζεται τα πανεπιστήμια να ιδρύσουν τις δικές τους τέτοιες δομές.
Το τρίτο στάδιο ανάπτυξης είναι η ενεργή παρότρυνση της καινοτομίας και επιχειρηματικότητας. Για να το πούμε απλά, αυτό είναι το στάδιο που όργανα του πανεπιστημίου που έχουν εμπειρία από το επιχειρείν, ψάχνουν ενεργά ιδέες, τεχνολογίες, ακαδημαϊκούς ή φοιτητές να τους βγάλουν από το “καβούκι” τους και να τους πείσουν ότι η ιδέα τους αξίζει και πρέπει να δοκιμάσουν το επιχειρείν.
Startupper.gr: Ποια ήταν τα πρώτα σας βήματα μετά την είσοδό σας στην αγορά; Τι μοντέλο ανάπτυξης ακολουθήσατε και τι ανταπόκριση βρήκε το εγχείρημά σας;
Ιωάννης Τσαμαρδίνος: Βγήκαμε στην αγορά με ένα Software-as-a-Service μοντέλο, απευθυνόμενοι σε ατομικούς χρήστες που μπορούν να αγοράσουν συνδρομή στην υπηρεσία μας από οποιοδήποτε μέρος του κόσμου. Φυσικά, η Ευρώπη, Βόρεια Αμερική είναι οι αγορές που αποσκοπούμε, αν και βλέπουμε και αρκετούς χρήστες σε Ινδία και Κίνα. Αυτό είναι το βραχυπρόθεσμο μοντέλο μας. Οι τιμές μας είναι πολύ πολύ χαμηλότερες από τον ανταγωνισμό ώστε να αυξήσουμε γρήγορα την κοινότητα των χρηστών μας. Μακροπρόθεσμα όμως, το μοντέλο ανάπτυξης είναι η πώληση των υπηρεσιών μας σε ομάδες και εταιρίες (site licenses) με πολύ μεγαλύτερα περιθώρια κέρδους φυσικά.
Πολύ σημαντικό είναι οι συμφωνίες συνεργασίας (partnerships) που έχουμε συνάψει με άλλες εταιρίες για την από κοινού προώθηση των προϊόντων μας. Προχωράμε στην διαλειτουργικότητα των υπηρεσιών μας (interoperability) ώστε οι χρήστες των άλλων προϊόντων να μπορούν να στείλουν για ανάλυση τα δεδομένα τους στο JADBio και να λάβουν αποτελέσματα με το πάτημα ενός κουμπιού. Με αυτόν τον τρόπο θα προσφέρουμε ολοκληρωμένες λύσεις και θα έχουμε άμεση πρόσβαση στην κοινότητα χρηστών όλων αυτών των προϊόντων. Σε λίγες εβδομάδες ελπίζω να είμαστε σε θέση να αποκαλύψουμε αυτές τις συμφωνίες.
Η ανταπόκριση που έχουμε από την αγορά είναι πολύ ενθαρρυντική καθώς λαμβάνουμε πολύ θετικά μηνύματα και σχόλια από τους χρήστες. Αυτό που με ικανοποιεί ιδιαίτερα είναι ότι μερικούς μήνες μετά την εμφάνισή μας στην αγορά και τις πρώτες πωλήσεις, ήδη βλέπουμε τις πρώτες επιστημονικές δημοσιεύσεις με το JADBio από πελάτες μας. Πιστεύω ότι όπως βελτιώνουμε τη λειτουργικότητα του JADBio και το ψηφιακό μάρκετινγκ αρχίζει να αποδίδει καρπούς θα δούμε μια εκρηκτική αύξηση σε χρήστες και πωλήσεις.
Ιωάννης Τσαμαρδίνος: Η χρηματοδότηση ήταν φυσικά απαραίτητη για να γίνουμε ανταγωνιστικοί σε διεθνές επίπεδο. Ας μην ξεχνάμε ότι το JADBio είναι ένα προϊόν έντασης γνώσης (deep tech) που απαιτεί χρόνο, χρήμα και ταλαντούχους επιστήμονες στην έρευνα και όχι μόνο στην ανάπτυξη του προϊόντος. Φυσικά, το business development, το μάρκετινγκ, οι πωλήσεις, λογιστές, τεχνική υποστήριξη, νομικοί σύμβουλοι και πολλά άλλα είναι απαραίτητα για την λειτουργία της εταιρείας αλλά και κοστοβόρα.
Ήμασταν τυχεροί να συναντήσουμε και να συνεργαστούμε με εξαιρετικούς Γερμανούς στρατηγικούς επενδυτές από το χώρο της βιοτεχνολογίας και Angel investors που έχουν μια μακροπρόθεσμη στρατηγική στο επιχειρείν. Η επένδυσή τους ήταν το εφαλτήριο που χρειαζόμασταν για να ξεκινήσουμε την προσπάθεια με αξιώσεις. Φυσικά, τα χρηματοδοτούμενα έργα (grants) από την Ευρωπαϊκή Ένωση και το Ερευνώ, Δημιουργώ, Καινοτομώ (ΕΠΑΝΕΚ) συνεισέφεραν σε μεγάλο βαθμό. Ευχαριστούμε τους φορολογούμενους και αισθανόμαστε την ευθύνη να επιστρέψουμε στο κοινωνικό σύνολο την βοήθεια που έχουμε λάβει.
Δεν αναζητούμε ενεργά άμεσα άλλα κεφάλαια, αν και συχνά πυκνά προκύπτουν συναντήσεις με πιθανούς επενδυτές. Ο στόχος μας είναι στους επόμενους 12 μήνες να πάμε για το Round A χρηματοδότησης όπου θα προσελκύσουμε ένα πολλαπλάσιο της τωρινής επένδυσης με καλή αποτίμηση της εταιρείας. Τα τελευταία 2 έτη διπλασιάζουμε την αποτίμησή μας κάθε 8 μήνες περίπου και φυσικά θέλουμε να διατηρήσουμε αυτές τις επιδόσεις και στον επόμενο γύρο.
Startupper.gr: Σήμερα, η JADBio έχει αναπτύξει μεγάλες συνεργασίες με σημαντικές εταιρείες βιοεπιστημών στο εξωτερικό ενώ παράλληλα έχει εκατοντάδες εγγεγραμμένους χρήστες στην πλατφόρμα της. Μπορείτε να μας δώσετε κάποια σχετικά στοιχεία;
Ιωάννης Τσαμαρδίνος: Αυτή τη στιγμή έχουμε μερικές εκατοντάδες χρήστες οι οποίοι έχουν αναλύσει περίπου 7.000 σύνολα δεδομένων και έχουν πραγματοποιήσει 10.000 αναλύσεις. Με τη χρήση του JADBio έχουν προκύψει δεκάδες επιστημονικές δημοσιεύσεις, από πρόβλεψη απόκρισης του οργανισμού στον κορωνοϊό μέχρι την πρόβλεψη αυτοκτονιών. Από τους μεγαλύτερους χρήστες μας είναι φυσικά η Indivumed, που είναι ο στρατηγικός μας επενδυτής και εφαρμόζει κατά κόρον το JADBio σε ογκολογικά δεδομένα. Έχουμε πελάτες από το Πανεπιστήμιο του Huddersfield, το Danish Veteran Center, το Νορβηγικό Πανεπιστήμιο Έρευνας και Τεχνολογίας (NTNU), την εταιρεία Inflammatix, το Πανεπιστήμιο της Λιουμπλιάνα, το πανεπιστήμιο της Νότιας Καρολίνας και άλλα.
Κάποιες συμφωνίες συνεργασίας και διαλειτουργικότητας που έχουμε συνάψει με εταιρείες του εξωτερικού δεν μπορώ να τις αποκαλύψω ακόμα καθώς τα Press Releases ελέγχονται από τα τμήματα δημοσιότητά τους αυτή τη στιγμή.
Θέλω να σταθώ στην συνεργασία που έχουμε με το The Cancer Genome Atlas (TCGA) που είναι το μεγαλύτερο ογκολογικό χρηματοδοτούμενο έργο στην Αμερική με κόστος πάνω από $360 εκ. Το TCGA έχει κάνει μοριακές μετρήσεις σε 11000 ασθενείς, σε 33 είδη καρκίνου και αποτελεί την παγκόσμια αναφορά στα δεδομένα ογκολογίας. Δουλέψαμε με μια κοινοπραξία ομάδων του υπό την επίβλεψη του Διευθυντή του TCGA για την ανάλυση δεδομένων 26 τύπων καρκίνων και την εύρεση διαγνωστικών βιοϋπογραφών των υποτύπων καρκίνου.
Από τις 4 άλλες ομάδες που συμμετείχαν και αντίστοιχες προσεγγίσεις που δοκιμάστηκαν, το JADBio έδωσε τις περισσότερες φορές τα καλύτερα αποτελέσματα, τελείως αυτόματα και με ελάχιστο κόπο. Τα αποτελέσματα είναι έτοιμα να σταλούν σε κάποιο από τα καλύτερα περιοδικά του χώρου. Η συνεργασία αυτή με την παγκόσμια ελιτ στο χώρο της ογκολογίας κατέδειξε τις δυνατότητες του JADBio και πιστεύω ότι θα μας ανοίξει τις πύλες για εκτεταμένη χρήση του JADBio στο Εθνικό Ινστιτούτο Καρκίνου (National Cancer Institute) της Αμερικής, με το οποίο είμαστε ήδη σε επαφή.
Startupper.gr: Ποια θεωρείτε ότι είναι τα χαρακτηριστικά της πλατφόρμας που την κάνουν αυτή τη στιγμή να ξεχωρίζει; Γιατί την επιλέγει θεωρείτε μια μεγάλη εταιρεία έναντι του ανταγωνισμού;
Ιωάννης Τσαμαρδίνος: Το JADBio έχει πολλές λειτουργικότητες που την ξεχωρίζουν από άλλες παρόμοιες πλατφόρμες ή εναλλακτικές λύσεις. Η πρώτη είναι η μεγάλη ευκολία χρήσης του και η πλήρης αυτοματοποίηση της όλης διαδικασίας. Είχαμε αρκετούς βιοπληροφορικούς, γιατρούς, βιολόγους, φαρμακολόγους χρήστες που τους φαίνονταν αδιανόητο με μερικά κλικ στο ποντίκι τους να εκτελέσουν πολύπλοκες και σωστές πολυπαραγοντικές αναλύσεις, χωρίς να προγραμματίσουν, χωρίς να ξέρουν μαθηματικά, στατιστική ή μηχανική μάθηση με ποιότητα που είναι ανταγωνιστική με τα αποτελέσματα έμπειρων αναλυτών και δημοσιεύσιμη στα καλύτερα περιοδικά. Κι όμως με το JADBio το έχουν επιτύχει με ελάχιστο κόπο.
Η δεύτερη είναι ότι παρέχουμε λειτουργικότητα που είναι απαραίτητη σε ερευνητές επιστημών ζωής. Έχουμε 20 χρόνια εμπειρίας στην διεπιστημονική έρευνα με τέτοιες ομάδες οπότε γνωρίζουμε καλά τις ανάγκες τους και τον τρόπο σκέψης τους για να τους παρέχουμε ακριβώς τις υπηρεσίες που έχουν ανάγκη.
Για παράδειγμα, ορθότητα: εκτιμούμε την προβλεπτική ικανότητα των μοντέλων μας με ακρίβεια και παρέχουμε θεωρητικές εγγυήσεις (διαστήματα εμπιστοσύνης) ακόμα και με ελάχιστα δείγματα. Αυτό είναι πολύ σημαντικό γιατί στην βιοϊατρική είναι πολλές φορές ακριβό ή δύσκολο να μετρήσεις πολλά δείγματα. Π.χ., θέλουμε να αναλύσουμε περιπτώσεις κορωνοϊού χωρίς να πρέπει να περιμένουμε να φτάσουμε τα 100,000 θύματα.
Εστιάζουμε στην ανακάλυψη γνώσης: για τον γιατρό και βιολόγο δεν αρκεί το προβλεπτικό μοντέλο (π.χ., για την επιβίωση του ασθενούς). Θέλει να βρει τον συνδυασμό γονιδίων, πρωτεϊνών, ή κλινικών ποσοτήτων που περιέχουν την προβλεπτική πληροφορία για να ανακαλύψει καινούργια ιατρική και βιολογία. Το JADBio βρίσκει όχι έναν, αλλά πολλούς ισοδύναμα προβλεπτικούς συνδυασμούς ποσοτήτων ανάμεσα σε εκατοντάδες χιλιάδες. Το JADBio εστιάζει και στην ερμηνεία και την επεξήγηση των αποτελεσμάτων.
Οι λειτουργικότητες αυτές απαίτησαν νέους καινοτόμους αλγορίθμους και την επίλυση ανοιχτών θεωρητικών προβλημάτων. Το JADBio δεν είναι μια πλατφόρμα AutoML που συνδυάζει απλά αλγορίθμους σε δημόσιες βιβλιοθήκες αλγορίθμων. Εντοπίζουμε τα αλγοριθμικά κενά και τα επιλύουμε ώστε να είμαστε πολύ μπροστά από τον ανταγωνισμό στο πεδίο δράσης μας. Είμαστε η μόνη πλατφόρμα AutoML που ειδικεύεται σε μοριακά, βιολογικά και βιοϊατρικά δεδομένα. Οι άμεσοι ανταγωνιστές μας εστιάζουν κυρίως σε επιχειρηματικά δεδομένα. Γι’ αυτό και οι πιθανοί πελάτες μας από το χώρο της βιοϊατρική δεν έχουν ποτέ το δίλημμα αν θα αγοράσουν το JADBio ή κάποια άλλη πλατφόρμα AutoML. Το ερώτημά τους είναι αν καλύπτουμε όλες τις ανάγκες τους.
Startupper.gr: Τι προοπτικές εξέλιξης πιστεύετε ότι έχει το εγχείρημα μελλοντικά; Ποιοι είναι οι στόχοι – ερευνητικοί ή εμπορικοί – που έχετε θέσει;
Ιωάννης Τσαμαρδίνος: Προφανώς υπάρχει μεγάλο ρίσκο και αβεβαιότητα σε μια τέτοια προσπάθεια, άγνωστοι παράγοντες, υψηλός – πυρετώδης θα έλεγα – ανταγωνισμός και απρόβλεπτες διεθνείς συγκυρίες. Η πανδημία μας το κατέδειξε αυτό κατακρημνίζοντας τις αεροπορικές και τον τουρισμό και εκτοξεύοντας το ηλεκτρονικό εμπόριο. Όλοι στην JADBio όμως είμαστε εξαιρετικά αισιόδοξοι για το μέλλον.
Ερευνητικά είμαστε πολύ δραστήριοι ώστε συνεχώς να εμπλουτίζουμε το προϊόν. Οι δημοσιεύσεις μας στον επιστημονικό τύπο έχουν φτάσει τις 1000 το έτος και εγώ προσωπικά είμαι στο 2% των επιστημόνων παγκοσμίως στην Τεχνητή Νοημοσύνη σύμφωνα τουλάχιστον με μια πρόσφατη έρευνα. Αυτή η αναγνωρισιμότητα δείχνει την ποιότητα και αναγνώριση των αλγορίθμων που ενσωματώνονται στο προϊόν.
Παρόλα αυτά, η έρευνα δεν είναι η πρώτη μας προτεραιότητα, γιατί ήδη είμαστε σε πολύ υψηλό επίπεδο και ανταγωνιστικοί. Οι στόχοι και προτεραιότητες μας είναι ξεκάθαρα εμπορικές και συγκεκριμένα η εκρηκτική αύξηση της ομάδας χρηστών (Β2C), οι πωλήσεις σε εταιρείες (B2B), η δημιουργία εταιρικής ταυτότητας (branding) και η αναγνωρισιμότητα, η σύναψη συμφωνιών συνεργασίας με εταιρείες με συνεργατικά προϊόντα και γενικότερα η κλιμάκωση της προσπάθειας (scale up). Περνάμε την “κοιλάδα του θανάτου” όπως λένε στις startups, έχουμε τα παγουρίνια μας αγκαλιά και καπελάκι για τον ήλιο και προσβλέπουμε στον χρυσό της Καλιφόρνια.
Οι προοπτικές είναι εξαιρετικές θεωρώ. Αποσκοπούμε το JADBio να γίνει απαραίτητο εργαλείο για την ανάλυση δεδομένων του τομέα και να αυξήσουμε τα έσοδα. Πιστεύω ότι οι εταιρείες με προϊόντα που διαχειρίζονται μεγάλους όγκους βιοϊατρικών δεδομένων θα αναγκαστούν να αποκτήσουν AutoML για να το ενσωματώσουν στις δικές τους πλατφόρμες. Δεν θα με εξέπλητταν λοιπόν προσφορές εξαγοράς στα επόμενα δύο-τρία έτη ακόμα κι αν δεν είχαμε κανένα πελάτη. Αυτή τη στιγμή είμαστε προσηλωμένοι στην αγορά της βιοϊατρικής. Αλλά δεν σας κρύβω ότι μακροπρόθεσμα θέλουμε να επεκταθούμε σε άλλες αγορές με άλλου είδους δεδομένα και άλλες ανάγκες.
Startupper.gr: Τέλος, κάντε μια εκτίμηση για την αγορά στην οποία δραστηριοποιείστε. Ποια θεωρείτε ότι θα είναι η πορεία της τα επόμενα χρόνια και ποια η θέση της JADBio σε αυτή.
Ιωάννης Τσαμαρδίνος: Δεν υπάρχει καμία απολύτως αμφιβολία στο μυαλό μου ότι το AutoML θα γίνει το στάνταρντ στην ανάλυση δεδομένων. Αυτό δεν σημαίνει ότι δεν θα χρειαζόμαστε τον άνθρωπο ειδικό. Κάθε άλλο: οι αναλυτές δεδομένων είναι οι πιο περιζήτητες θέσεις στον πλανήτη.
Σημαίνει απλά ότι κι οι ειδικοί ακόμα θα το χρησιμοποιούν και θα χτίζουν πάνω σε αυτές τις πλατφόρμες αντί να γράφουν κώδικα που καλεί βιβλιοθήκες αλγορίθμων όπως τώρα. Πιστεύω ότι η πολυπλοκότητα, ποιότητα και λειτουργικότητά του AutoML θα αναπτυχθεί τόσο πολύ που η ανάλυση δεδομένων παγκοσμίως θα εξαρτάται από τα προϊόντα των λίγων εταιριών που θα έχουν κατακτήσει το χώρο.
Οι αναλυτές αλλά και τα άλλα προϊόντα και υπηρεσίες λογισμικού θα δουλεύουν πάνω σε αυτά. Για παράδειγμα, όλος ο πλανήτης στηρίζεται στην μηχανή αναζήτησης της Google καθώς είναι πολύ δύσκολο πλέον να φτιάξει μηχανή αναζήτησης που να πλησιάζει την ποιότητά της Google.
Την έκρηξη της αγοράς δεν την προβλέπω μόνο εγώ φυσικά. Οι οικονομοτεχνικές μελέτες για την αγορά του AutoML αναφέρουν έναν ετήσιο ρυθμό αύξησης της αγοράς (CARG) της τάξης του 44% μέχρι το 2030 και την αγορά να φτάνει τα $15δις. Από αυτά ένα περίπου 15% υπολογίζεται ότι θα ανήκει σε AutoML στην βιοϊατρική φτάνοντας τα $700εκ. σε μερικά χρόνια.
Το JADBio θέλει πρωτίστως να εδραιωθεί στην αγορά του AutoML των επιστημών ζωής και κατόπιν να επεκταθεί και σε υπόλοιπες αγορές κατακτώντας ένα ποσοστό της συνολικής αγορά του AutoML.
