人工智能在制药公司-收养,破坏和药物发现

SLAS2020开始深入研究人工智能(AI)是如何改变药物开发的景观。1月27日,数百名与会者表示欢迎杰基猎人,博士阶段听关键,是她提供了这些见解获得30多年在生物科学研究领域和知识获得BenevolentAI董事会董事。

AI描述为她“最喜欢的科目”猎人开始通过强调人工智能的力量在众多行业——汽车、金融、农业和医药。

“人工智能是极其重要的尤其是在医疗和制药行业。原因之一是人类健康和人类的数字化医疗和难以置信的“增加”的数据集,”亨特说。

她解释说,全球卫生保健机构处理几乎10倍自2016年以来每年增加数据明显突出方法过程的必要性和管理不断增长的新兴的数据量。

这样大量的数据产生,医疗保健行业,制药行业必须能够更有效地利用数据,使新药的发现和提供医疗保健病人更有效。

这就是机器的力量进来玩。猎人说:“这样做的唯一方法是使用人工智能。”

仔细看看AI

人工智能是一个术语,描述的不仅仅是一个“东西”。人工智能可以分为不同的类型。猎人这些类型定义为;深度学习机器学习,自然语言,机器人技术和视觉分析。

猎人详细描述了机器学习,非监督机器学习定义为:“分析模型的自动化建设”,即机器提供数据分析。它随后识别未知数据中的模式。“你可以建立在模型和决策或预测而不需要人工干预,”解释了猎人。

“我们往往会高估技术在短期内的影响和长期低估的影响。”——罗伊·阿马拉。

“监督机器学习是当机的一组样本数据和训练数据。“这种类型的学习使一代的一个预测模型,它是基于输入和输出数据,与无监督完全是基于输入数据。”示例数据包括你寻找的结果——例如疾病患者x机器可以从这些数据,然后给出一组数据没有见过的。”

深度学习机器学习的一个子集——可以认为是“通过示例学习”。它是基于人工神经网络可以从非结构化或无标号数据。“这些神经网络能够从大量复杂的异构数据集提取高层抽象的特性——这种类型的数据集,这种类型的智力是非常适当的在生物分析的背景下。”

而猎人没有深入讨论到自然语言处理,机器人学和分析——她显然强调其重要性在药物发现和医药发展的背景下,解释了:“巨大的跳跃的视觉分析。”

人工智能在医疗保健——已经获利的是谁?

猎人解释说,在一些地区正受益于人工智能,包括生物标志物的发展和药物发现,这两个“关键人物”是目前病理和放射学。

病理时,大量研究证明能力的AI系统提供准确诊断和治疗决策(与专家的病理学家)等癌症;前列腺癌,乳房,大脑。

2019年5月,美国食品和药物管理局(FDA)批准公司开发一个“突破设备”的地位视网膜AI-imaging平台能够分析眼睛扫描的生物标记物与神经退行性疾病如阿尔茨海默氏症有关。去年研究人员开发出一种新颖的基于ai工具预测乳腺癌的风险- - -深度学习模型取得了显著改善风险歧视对目前临床标准(Tyrer-Cuzick模型)。最近,2020年1月,FDA扫清了世界上第一个放射学人工智能解决方案帮助中风的诊断。

采用人工智能在制药公司——为什么有需要吗?

机器人技术的进步使得药物发现团队屏幕一个无与伦比的的化合物比以往更高的吞吐量。实验室自动化加上的进化发展在体外细胞筛选,使用三维模型,研究人员目前正在前所未有的复杂性,推动了需要采用“更聪明”生物信息学和人工智能管理解决方案和分析数据生成。

”都是很好的技术,但你也需要tech-readiness——系统的组织,和人,”亨特说。

“制药行业,目前配置并不是可持续的。” ——BenevolentAI杰基猎人。

惊人地高的药物开发失败,有明确需要找到一些方法,增加成功和减少为市场带来药物的成本。简而言之,AI将导致更快、更便宜和更有效的药物发现。AI加上机器人将帮助解决问题与再现性和AI将帮助团队做出更好的决策,治疗目标优先考虑。

虚拟筛选(VS)是如何强大的人工智能的一个很好的例子。对涉及到询问大量化合物库在网上。这种方法可以帮助加快药物的发展——这一过程通常是非常昂贵和磨损率很高。人工智能方法有助于预测哪些化合物将“最有利”的绑定到治疗目标。

实现人工智能——问题是什么?

所以,你可能会纳闷“支撑是什么?为什么不是每个药物发现公司实现AI ?”。答案——有许多转向“障碍”,和挑战与采用人工智能的方法。

“我当然相信人工智能提供了巨大的潜力,”杰基猎人,BenevolentAI。

猎人形容招聘和挽留人才的一个关键挑战有关人工智能的实现,强调:“数据科学家可以去任何地方。“有激励的方法所需的不同的技能是成功地利用人工智能的关键。你必须确保你有愿意的人拥抱这项技术。你可能有一个经验丰富的化学家,但是也许会有自然的潜意识的偏见。一个系统,另一方面,是公正的。药物化学家必须了解人工智能的价值和应该愿意工作与机器合作共同进行。

“你需要一个真正的婚姻的两个——机器都可以挑战,和化学家也可以挑战,”亨特说。“这是在BenevolentAI我们真正想做的。”

猎人还强调了多样性的价值:“我想强调跨职能工作的重要性——在跨职能团队。肯定多样性的思想和纪律的多样性。”

猎人的建议更有经验的科学家领导职位应该利用千禧年的思维方式——这些都是下一代的数据科学家。

猎人的关键信息:“这种技术将转型。”