稀疏数据的人工智能的力量在制药行业

AI迅速被采用在制药行业,特别是对提高药物发现和早期临床前开发的预测模型。由于研发中产生大量的数据,这些创新的项目在大数据的人工智能是导致令人兴奋的新疗法。尽管如此,医药开发中产生的大部分数据是有限的,导致限制数量的可用数据。对人工智能得到充分利用,必须开发新的方法。

稀疏数据的人工智能,人工智能的应用限制数量的数据——是开放增强药物开发的新途径。它提供了一种方法建模复杂的生物化学备份与一个已知的解释每一个推理背后的潜在机制。远离大数据的方法,人工智能在制药行业可以促进更大的透明度和导致更多改变生活的药物进入市场。

从最初的大数据稀疏数据的使用

计算化学的主要目的之一是复杂的有机反应的预测结果。这是因为实证方法是费时和昂贵的。近年来,模型已经开发,设计高效的反应序列为特定目标分子和已被证明在相同级别的化学教授¹。尽管有这些进步,剩余的挑战之一是了解这些模型可以准确的预测领域以外的训练数据,仍然是有限的而大量可能的分子。

大数据的人工智能涉及大量的数据被用来创建灵活和通用输入/输出预测模型与最小领域知识。这些都是系统诱导从数据没有先验知识。深度学习的大数据曾被应用于计算化学制药行业,包括开发模型,预测药物分子的物理化学性质。

在过去的十年里,出现了戏剧性的增加可用的复合活动数据由于新的实验技术的发展,如大规模筛选和并行合成²。人工智能被用于有效地挖掘这些大规模化学药物发现。艾城的大多数应用程序使用大数据;然而,它并不总是很容易访问制药行业中的大型数据集因为许多公司倾向于把他们的数据保留在公司内部。因此稀疏数据的人工智能的应用提供了重要机会利用医药数据集的信息是有限的。

使用贝叶斯优化稀疏数据

大数据的人工智能可以被定义为一个黑盒方法——使用算法和一个未知的解释。这种方法是有限的,因为无法理解底层机制背后的模型,这将是至关重要的实现批准用于制药工业。AI稀疏数据,相比之下,是一种白盒方法和更适合理解因果推论。稀疏数据的更大的透明度AI是非常重要的;对人工智能完全实现,它需要被信任和理解³。

此外,与大数据的人工智能,稀疏数据AI直接增强实验结果与概率预测的详细的专业知识所需的量,如给定分子如何在特定条件下的行为。专家知识的提取模拟相同的理解现象的建模,它允许生成预测。增加针对的是具体的,而不是通用的,模型与一个透明的和可以理解的预测机制。

稀疏数据的人工智能的基本组成部分是使用贝叶斯优化,利用概率来发展顺序基于模型的方法来解决问题。贝叶斯优化提供了有效的手段解决勘探与开发的困境——找到受益于本地数据中搜索空间和那些向未知的冒险⁴。它可以用来寻找一个最佳的过程或模型有很多未知数,通常不会有一个简单的解析表达式。贝叶斯优化罢工之间的平衡勘探开发,使用概率代理模型未知的快速发现和定义解决方案的确定。它使学习更接近人类,只有一个或两个例子需要更大的概括⁵。

稀疏数据的人工智能和增强纳米颗粒生产

AI稀疏数据被用于提高药物开发,特别是对改善溶解度和生物利用度的特征——一个关键的目标提高制药管道的磨损率。Nanonization可以帮助药物化合物发挥她们治疗潜在减少颗粒大小,从而提高溶解率。稀疏数据人工智能应用于粒子工程技术来帮助定义候选药物的物理特性从有限的数据和理解这些参数如何影响溶解度和生物利用度。工作将使候选新药nanonization成功的预测和将创建一个更高效的粒子药物开发的工程过程。

这个项目涉及建立一个数字版本的技术,使科学家在网上进行大量的实验。稀疏数据人工智能将地面数字版本可用的体内和体外实验数据,指导优化搜索学习额外的实验模型参数设置。这项技术可以显著增加识别的可能性成功的化合物,可以快速进步的临床试验。它也可以被用来re-profile分子和确定他们可以设计不同的治疗应用。虽然很多公司都在应用人工智能的智能设计药物,最令人兴奋的未来工作的稀疏数据区域将探索如何使用AI和粒子工程来找到解决最困难的药物开发和交付的挑战。这包括药物的生产能够穿透血脑屏障和肺部深处。

展望未来

AI有可能积极改变制药行业通过分析大量信息的能力和增强人类专家的能力。履行这一承诺,重要的是我们选择正确的复杂问题的解决方案。稀疏数据的人工智能的应用创建一个新科技时代,基于透明的和可以理解的模型。一旦获得信任的技术,人工智能的使用药物发现和开发将极大地扩张,使病人迅速受益于新的和增强的药物。

引用

1。金,w . et al .(2017)预测有机反应结果与Weisfeiler-Lehman网络,31日会议上的神经信息处理系统(少量的2017)。网上:https://arxiv.org/abs/1709.04555

2。陈,h . et al。(2018)的崛起,深度学习在药物发现,药物发现今天,23(6),1241 - 1250页。

3所示。硅共和国:白盒机器学习模型的好处是什么?网上:https://www.siliconrepublic.com/enterprise/white-box-machine-learning

4所示。·沙希瑞遇刺一周年,b . et al。(2016)以人类的循环:回顾贝叶斯优化,IEEE学报,104(1),148 - 175页。https://ieeexplore.ieee.org/abstract/document/7352306

5。湖,B.M. et al。(2015)人类通过概率概念学习程序归纳,科学,350(6266),页1332 - 1338。

关于作者

Jukka Corander AI主管Nanoform,一个创新的纳米颗粒medicine-enabling公司。他目前正在奥斯陆大学生物统计学教授,挪威和赫尔辛基大学统计学教授,芬兰。Jukka机器学习的研究兴趣包括使用最先进的技术来创建从稀疏数据仿真模型。他最近与威康基金会桑格研究所的剑桥,英国统计机器学习的应用和生物数据的贝叶斯推理算法。Jukka在他的研究领域是世界领先的专家,拥有超过230的研究论文发表在国际期刊。