我们已经更新了隐私政策为了更清楚地说明我们如何使用您的个人资料。

我们使用cookie为您提供更好的体验。你可参阅我们的饼干的政策在这里。

广告

人工智能在制药-采用,破坏和药物发现


想要这篇文章的免费PDF版本?

填写下面的表格,我们会将PDF版本的“制药中的人工智能——采用、颠覆和药物发现”

听与
喋喋不休地说
0:00
免费注册收听这篇文章
谢谢你!用上面的播放器听这篇文章。
阅读时间:

SLAS2020首先深入探讨了人工智能(AI)如何改变药物研发的格局。1月27日,数百名与会者表示欢迎杰基猎人她向听众们讲述了她在生物科学研究领域30多年的重要见解,以及作为BenevolentAI董事会董事所获得的知识。

在谈到人工智能是她“最喜欢的学科”时,亨特首先强调了人工智能在汽车、金融、农业和制药等众多行业中的力量。

“人工智能在医疗保健领域极其重要,尤其是制药行业。其中一个原因是人类健康和人类医疗保健的数字化,以及数据集令人难以置信的“增加”,亨特说。

她解释说,自2016年以来,全球医疗机构每年处理的数据几乎增长了10倍,这明确强调了处理和管理不断增长的数据量的方法的必要性。

由于产生了如此大量的数据,医疗保健部门和制药行业必须能够更有效地利用数据,以发现新的药物,并更有效地为患者提供医疗保健服务。

这就是机器的力量发挥作用的地方。亨特表示:“要做到这一点,唯一的方法就是使用人工智能。”

让我们仔细看看人工智能


人工智能这个术语描述的不仅仅是一个单一的“事物”。AI可以细分为不同的类型。Hunter将这些类型定义为;机器学习,深度学习,自然语言,机器人和视觉分析。

Hunter详细地描述了机器学习,将无监督机器学习定义为:“分析模型构建的自动化”,在此基础上,向机器提供它所分析的数据。它随后识别出数据中的未知模式。亨特解释说:“你可以在这个模型的基础上做出决定或预测,而不需要人工干预。”

“我们倾向于高估一项技术在短期内的影响,而低估其长期的影响。——罗伊·阿马拉。
“监督式机器学习是指给机器一组样本数据而且训练数据。”这种类型的学习能够生成基于这两个输入的预测模型而且输出数据-与仅基于输入数据的无监督数据相反。“样本数据包括你正在寻找的结果,例如患有x疾病的患者。然后机器可以从这些数据中学习,然后给它一组它以前从未见过的数据。”

深度学习是机器学习的一个子集,可以被认为是“通过实例学习”。它基于人工神经网络,可以从非结构化或未标记的数据中学习。“这些神经网络能够从非常复杂的异构数据集中提取高级抽象特征——这种类型的数据集和这种类型的智能在生物分析的背景下非常合适。”

虽然Hunter没有深入讨论自然语言处理、机器人和分析,但她明确强调了它们在药物发现和药物开发中的重要性,并解释说:“在视觉分析方面有巨大的飞跃。”

医疗保健领域的人工智能——谁已经从中受益?


Hunter解释说,虽然有几个领域受益于人工智能,包括生物标志物开发和药物发现,但目前病理学和放射学是两个“关键参与者”。

在病理学方面,大量研究已经证明人工智能系统能够为癌症提供准确的诊断和治疗决策(与病理学专家相当),包括;前列腺癌乳房,大脑

2019年5月8日,美国食品和药物管理局(FDA)授予一家公司“突破性设备”地位视网膜人工智能成像平台该技术能够分析眼部扫描结果,寻找与阿尔茨海默病等神经退行性疾病相关的生物标志物。去年研究人员开发了一种新的基于人工智能的工具预测乳腺癌的风险深度学习模型与当前临床标准(Tyrer-Cuzick模型)相比,产生了显著改善的风险识别。最近,在2020年1月,FDA批准了世界上第一个放射人工智能解决方案帮助诊断中风。

在制药行业采用人工智能——为什么需要?


机器人技术的进步使药物研发团队能够以比以往任何时候都高得多的通量筛选数量空前的化合物。实验室自动化的发展与演进相结合在体外研究人员现在正在使用前所未有复杂的三维模型进行细胞筛选,这推动了采用“更智能”的生物信息学和人工智能解决方案进行管理的需求而且分析生成的数据。

“拥有技术当然很好,但你还需要有技术准备——系统、组织、而且人民,”亨特说。

“按照目前的配置,制药业是不可持续的。” ——杰基·亨特《仁慈》
由于药物开发失败率高得惊人,显然需要找到方法来提高成功率并降低将药物推向市场的成本。简而言之,人工智能将导致更快、更便宜、更有效的药物研发。人工智能与机器人技术相结合将有助于解决可重复性问题,人工智能将帮助团队更好地决定优先考虑哪些治疗目标。

虚拟筛选(VS)是AI强大的一个很好的例子。VS涉及到查询大量的复合库在网上.这种方法可以帮助加速药物的开发,而这一过程通常是极其昂贵的,并且具有很高的损耗率。人工智能方法有助于预测哪些化合物在与治疗靶标结合方面“最有利”。

实现AI——有什么问题?


所以,你可能会想:“为什么会这样?”为什么不是每个药物研发公司都采用人工智能?”答案是——有许多“需要转向的障碍”,以及与采用人工智能方法相关的挑战。

“我当然相信人工智能提供了巨大的潜力,”——Jackie Hunter, BenevolentAI。

Hunter将人才的招聘和留住描述为与人工智能实施相关的关键挑战,并强调:“数据科学家可以去任何地方。”拥有激励所需不同技能集的方法是成功利用AI的关键。你还必须确保船上的人是愿意这样做的拥抱这项技术。你可能有一个经验丰富的化学家,但可能存在一种自然的潜意识偏见。另一方面,系统是无偏倚的。药物化学家必须了解人工智能的价值,并愿意与机器合作共同创造。

“你需要两者的真正结合——机器和化学家都可以受到挑战,”亨特说。“这就是我们在BenevolentAI真正想做的事情。”

亨特还强调了多样性的价值:“我想强调跨职能工作的重要性——拥有跨职能团队。思想和纪律必须多样化。”

亨特建议,处于领导地位的更有经验的科学家应该利用千禧一代的思维方式——毕竟这些人是下一代数据科学家。

亨特总结道:“这项技术将是革命性的。”

与作者见面
劳拉·伊丽莎白·兰斯顿
劳拉·伊丽莎白·兰斯顿
主编
广告
Baidu