Satish Gupta arbeitet derzeit als Director of AI & Analytics bei Cognizant. Er bietet den Kunden des Unternehmens in den Bereichen Pharma, Biowissenschaften und Gesundheitswesen globale Unterstützung für alle F&E-, Entdeckungs- und Analysearbeiten.
Er unterstützte die klinischen und pflanzenwissenschaftlichen Anwendungen des Bayer Crop Sciences Accounts als Life Science Domain Consultant bei TCS, Delhi. Darüber hinaus war er ein Teammitglied, das die in der Onkologie verwendeten NGS-Panels validierte, um die Compliance-Anforderungen der CAP/CLIA/NABL-Prüfstellen zu erfüllen.
INDIAai hat Satish Gupta interviewt, um seine Sichtweise auf KI zu erfahren.
Es ist großartig, jemanden mit einem Abschluss in Biowissenschaften in der Datenwissenschaft zu sehen. Wie hat alles angefangen?
Die Wissenschaft ist ein evolutionäres Fach, das sich durch die Implementierung neuer Methoden und Technologien, die aus der Forschung hervorgehen, ständig weiterentwickelt. Bioinformatik ist ein Fach, das Studenten der Biowissenschaften mit Algorithmen, Datenbanken, Statistik und Programmierung vertraut macht. All das Streben nach Erlernen neuer Themen und die Nachfrage nach der Anwendung der Bioinformatik in der aktuellen wissenschaftlichen Forschung hat viele von uns nach und nach in die Datenwissenschaft gedrängt. Es gibt viele gute Universitäten und Institute, die Bioinformatik-Studiengänge anbieten und den Bedarf des Wissenschafts- und Pharmasektors decken. Die Anwendung von Technologien der dritten/vierten Generation in der wissenschaftlichen Forschung hat riesige Datenmengen in unseren Eimer gegossen, um uns zu inspirieren, mehr zu lernen und eine sinnvolle Interpretation davon zu machen. Es wird die Ära der Daten genannt, und die Life-Science-, Gesundheits- und Pharmabranche hat es ganz wunderbar genutzt.
Wer motiviert Sie, eine KI-Karriere anzustreben? Was war die treibende Kraft?
Ich würde sagen, es war ein schrittweiser Schritt, und „Bioinformatik“ war ein Schlagwort während unseres Masterstudiums, und es hat uns berührt. Ich war daran interessiert, nach meinem Master-Abschluss in Biotechnologie meine Karriere in der Industrie zu starten, aber ich war aus vielen Gründen nicht zufrieden. Die Jagd nach einem Einstieg in die Branche hat uns die bevorstehende Nachfrage nach Bioinformatik bewusst gemacht. Der Bioinformatik-Kurs an der JNU, Neu-Delhi, verschaffte mir einen guten Kontakt zu Datenbanken, Statistik und Programmierung, was mich dazu motivierte, meine Arbeit später in Forschungsinstituten fortzusetzen und meine Karriere in der Industrie in verschiedenen Rollen fortzusetzen. Es gibt einen enormen Bedarf an Ressourcen für die moderne Art der Datenbetrachtung. Es heißt „Explainable AI“, wo diese Mischungen von Fachwissen gut passen. Sobald Big Data Teil der Reise wird, muss KI mitziehen.
Was waren die ersten Hindernisse, auf die Sie gestoßen sind? Wie hast du sie besiegt?
Wie bereits erwähnt, war mein aktuelles Ziel eine Karriere in der Industrie, aber ich brauchte Hilfe, um auch nach dem Bioinformatik-Studium eine Pause einzulegen. Also fing ich an, an den führenden Forschungsinstituten in Indien zu arbeiten, um Erfahrungen zu sammeln und einen Einstieg in die Branche zu finden, da sie immer einen erfahrenen Kandidaten einem frischen vorziehen. Durch verschiedene Konferenzen, Workshops und Meetings bin ich auch mit Menschen aus Wissenschaft und Industrie in Kontakt gekommen. Proaktives Netzwerken funktioniert für mich immer am besten. Es ermöglicht auch das Lernen und Bewusstsein für neue Aspekte im wissenschaftlichen Bereich. Nachdem ich ein paar Jahre in einem Forschungsinstitut gearbeitet hatte, bekam ich einen Durchbruch in der Industrie, aber ich erkannte bald die Notwendigkeit einer höheren Bildung für die persönliche Entwicklung.
Was sind Ihre Aufgaben als Director of AI and Analytics for Bioinformatics and Life Sciences bei Cognizant?
Es ist eine ziemlich herausfordernde Aufgabe, bei der ich mich über die neuesten Trends in den Bereichen Biowissenschaften, Gesundheitswesen und Pharmaindustrie auf dem Laufenden halten muss. Cognizant ist ein Dienstleister, und wir konzentrieren uns als Geschäftseinheit auf die Auswirkungen von KI und Analytik für unsere Geschäftspartner, basierend auf den erforderlichen Zielen. Daher muss ich die genauen Anforderungen aus Sicht von F&E, Entdeckung und Analytik verstehen und eine Lösungsstrategie bereitstellen. Gleichzeitig versuche ich auch, ihr breiteres Thema der Arbeit und Zusammenarbeit zu verstehen, um Schmerzpunkte zu sammeln, wo wir unterstützen, eine Lösung anbieten und eine langfristige Geschäftsbeziehung haben können.
Erzählen Sie mir von Ihrer Doktorarbeit. Was waren Ihre Forschungsbeiträge?
Die Forschungsarbeit konzentrierte sich auf die Untersuchung genetischer und umweltbedingter Modifikatoren auf das Krebsrisiko. Ich war hauptsächlich an der Analyse der modifizierenden Wirkungen von Selen im Blutplasma/Serum und des Polymorphismus in Selen (Se) metabolisierenden Genen auf das Krebsrisiko bei CHEK2- und unselektierten Patienten mit Lungen-, Kehlkopf- und Darmkrebs beteiligt. Ich habe auch die Rolle der Methylierung in krebsbedingten und Selenoprotein-Genen bei Brustkrebs untersucht. Einige der Schlussfolgerungen lauteten wie folgt:
- Eine höhere Se-Konzentration ist signifikant mit einer geringeren Wahrscheinlichkeit des Auftretens von Krebs assoziiert.
- Seine Konzentration kann ein wertvoller Marker für die Früherkennung von Krebs in der untersuchten Gruppe sein.
- Die Wirkung des Selenspiegels im Blutserum auf das Auftreten von Krebs kann von Genotypen in Selenoprotein-Genen abhängen.
- Die Methylierung des BRCA1-Promotors im peripheren Blut ist mit einem Brustkrebsrisiko bei Patientinnen mit BRCA1-negativen Keimbahnmutationen assoziiert.
Ich habe auch mit mehreren Forschungsgruppen zusammengearbeitet und während meiner Promotion mehr als 10 Publikationen veröffentlicht.
Ist Programmierkompetenz für Absolventen der Biowissenschaften, die im Bereich der künstlichen Intelligenz arbeiten möchten, unerlässlich?
Ich empfehle dringend, sich mit Programmiersprache auseinanderzusetzen, wenn man sich für eine Karriere in der Datenwissenschaft entscheidet. Es hängt wiederum von der Anforderung der Rolle und den Verantwortlichkeiten ab. Zum Beispiel würde der Datenwissenschaftler mehr statistische Kenntnisse mit einem angemessenen Verständnis und Erfahrung in der Programmierung benötigen, und ein Dateningenieur würde zusätzlich auch ein fortgeschrittenes Niveau der Algorithmusentwicklung, des experimentellen Designs und der Programmiererfahrung benötigen. Das Verständnis von Cloud-Technologien ist unerlässlich, da alles über die Cloud bereitgestellt wird. Dank vieler Online-Lernplattformen kann man seine Fähigkeiten erlernen und verbessern.
Welchen Rat würden Sie jemandem geben, der in der Forschung zu künstlicher Intelligenz arbeiten möchte? Worauf sollten sie sich konzentrieren, um voranzukommen?
KI ist eine Anwendung, die wir in verschiedenen Bereichen implementieren können, von Gesundheitswesen, Bankwesen, Finanzen, Marktforschung, Landwirtschaft, Klimatologie usw. Das Verständnis aller Interessenbereiche und das Herausfinden der Herausforderungen in diesem bestimmten Bereich kann mithilfe von KI genutzt werden. Der folgende Ansatz wäre, nach verfügbaren Daten zu suchen und eine Problemstellung zu definieren, die mit datenwissenschaftlichen Methoden gelöst werden soll. Hier setze ich eine Vorerfahrung mit Programmierung voraus. Anfänger können mit dem Erlernen der Grundlagen und Data-Science-Module von Python oder R beginnen. Der Flow, den ich für angemessen halte, ist ein gutes Verständnis des Interessenbereichs, die Kenntnis mindestens einer Programmiersprache, Kenntnisse in Statistik und Cloud-basierten Ansätzen, ein gutes Gefühl für Daten und die Implementierung von Data Science in die Problemstellung. Es gibt viele Materialien und Kurse im Internet, um sich zertifizieren zu lassen.
Welche wissenschaftlichen Artikel und Veröffentlichungen hatten den größten Einfluss auf Ihr Leben?
Während meiner gesamten Laufbahn habe ich mich immer mit Genetik, Genomik und Bioinformatik beschäftigt. Ich bewundere Artikel, Blogs und Forschungsarbeiten über die Implementierung von KI/ML-basierten Ansätzen zur Lösung von Problemen im Bereich der Arzneimittelforschung und Präzisionsmedikamente. Es ist interessant, über den Multi-Omics-Prozess zur Analyse und Interpretation von OMICS-Daten, die Integration von Daten aus unterschiedlichen Quellen und darüber zu lesen, wie wir FAIR-Richtlinien umsetzen können. Die Post-COVID-Ära hat die Anwendung von KI/ML-Ansätzen in den klinischen Wissenschaften erweitert. Es ist interessant, etwas über dezentralisierte Studien und die umfangreichen Bemühungen zu erfahren, Real World Data (RWD) für die Entscheidungsfindung bei der Patientenrekrutierung, Patientenstratifizierung und unerwünschten Arzneimittelwirkungen zu nutzen. KI spielt eine bedeutende Rolle in der Pharmaindustrie, und es wäre interessant, die KI-Vorschriften der FDA und der EMEA bei der Entwicklung von Medizinprodukten zu beobachten, wodurch die Dauer der Arzneimittelentwicklung verkürzt würde.