Zukunftsaussichten der Biowissenschaften aus der Perspektive des autonomen Fahrens

Nach jahrelanger Wartezeit sind selbstfahrende Autos endlich da. Obwohl die ehrgeizigen ursprünglichen Ziele und die überhöhten Erwartungen nicht vollständig erfüllt wurden, wurden dennoch erhebliche Fortschritte erzielt.

Voll- und teilautomatisierte Fahrzeuge gehören heute zu den ausgereiftesten Anwendungen der künstlichen Intelligenz (KI). Wenn Sie heute in San Francisco mit Ihrem Handy Waymo rufen, kommt nach wenigen Minuten ein weißer Jaguar I-Pace, bedeckt mit Rotations-Sensoren, lautlos und ohne Fahrer an. Auch Assistenzfunktionen in herkömmlichen Fahrzeugen wie die automatische Spurhaltung entwickeln sich rasant weiter.

Mit der Reife der selbstfahrenden Industrie verlagern sich zunehmend Talente mit Interesse und Fähigkeiten in andere KI-Anwendungen, einschließlich der Biowissenschaften, und wir glauben, dass dieser Zustrom dazu beitragen wird, die Biowissenschaften voranzubringen. Auch die KI in den Biowissenschaften wird nach anfänglich überhöhten Erwartungen durch schrittweise Erfolge die Branche neu definieren.

Ausgehend von diesen Erkenntnissen glauben wir, dass vier Lehren aus der selbstfahrenden Industrie auch auf KI für die Entdeckung und Entwicklung neuer Medikamente angewendet werden können.

Umstellung auf höherdimensionale Datenrepräsentationen

Mit der Verbesserung der Basisdaten und -modelle innerhalb eines bestimmten Bereichs verlagern sich immer mehr Entscheidungen von erklärbaren, von Menschen definierten Algorithmen zu "Blackbox"-Modellen. Dies zeigt sich auch in der Entwicklung von Software für selbstfahrende Autos, wobei die Branche zunehmend auf gelernte Repräsentationen der Szene um das Fahrzeug und lernende Modelle zur Steuerung weiterer Funktionen des Stacks setzt.

Anstatt beispielsweise den Algorithmus zum Erkennen eines parkenden Autos hart zu codieren (basierend auf der relativen Geschwindigkeit zum selbstfahrenden Auto), kann das Modell den Status des Fahrzeugs basierend auf allen beschrifteten Trainingsdaten für geparkte Fahrzeuge vorhersagen.

Die selbstfahrende Industrie hat einen Wandel von der Entwicklung auf der Grundlage streng definierter Anforderungen hin zu einer Modellierung in einem komplexen, hochdimensionalen Raum vollzogen, in dem der Betriebsbereich des Fahrzeugs statistisch dargestellt und erkundet werden kann. Dies hat zu einer Verbesserung der Leistung geführt, aber die Interpretierbarkeit abgenommen.

Wir glauben, dass in den Biowissenschaften ein ähnlicher Wandel bevorsteht. Die Komplexität und Vielfalt der Biologie (einschließlich komplexer Interaktionen zwischen Krankheiten und Populationen) enthält viel mehr Informationen als in menschlich verständlichen konzeptionellen Darstellungen. Um diese Komplexität in Entscheidungen einzubeziehen, wird die Pharmaindustrie von vereinfachten traditionellen Datenrepräsentationen zu höherdimensionalen Datenrepräsentationen übergehen.

Beispielsweise wird die Beantwortung wichtiger Fragen wie "Welche Patientengruppe wird wahrscheinlich am meisten von meinem neuen Wirkstoffkandidaten profitieren?" von intuitiven oder heuristischen Entscheidungen zu datengesteuerten Entscheidungen übergehen. Und die Algorithmen zur Beantwortung dieser Fragen werden sich auf komplexe, höherdimensionale Datenrepräsentationen stützen.

Erstellung automatisierter Daten-Engines

Die selbstfahrende Industrie bewegt sich weg von der Schulung mit begrenzten intern gesammelten Daten hin zur Schulung von Fahrzeugmodellen mit Daten, die von Kundenfahrzeugen in der realen Welt gesammelt werden. Die Daten, die von Kundenfahrzeugen gesammelt werden, werden kontinuierlich verwendet, um die Modelle zu verbessern, und sind heute einer der wichtigsten Vermögenswerte von Automobilherstellern im Wettbewerb um autonomes Fahren. Automatisiertes Datensammeln über eine große Daten-Engine ist die einzige Möglichkeit, die Vielzahl von Daten zu sammeln, die erforderlich sind, um ein Verständnis der komplexen Umgebung zu schaffen, in der Fahrzeuge eingesetzt werden.

Wir erwarten, dass in den Biowissenschaften ähnliche Dynamiken eintreten werden. Diese "Echtzeit-Datenerfassung" wird über die Phasen der Entdeckung, Entwicklung und klinischen Studien hinweg stattfinden:

Groß angelegte In-silico-Designs und virtuelles Screening von Therapeutika
Automatisierte Robotik-Nasslabore, integriert mit KI-Wissenschaftlern
Skalierbare Organisation, Archivierung und Wiederholungsschulung mit Ergebnissen aus früheren klinischen Studien
Einzigartige Quellen umfangreicher klinischer Daten, darunter multimodale, hochgetreue Daten auf Patientenebene
Automatisierte Analyse und Erkenntnisse aus Marktdaten (z. B. Nebenwirkungen, Patientenerfahrungen mit Produkten, Anfragen nach medizinischen Informationen)

Automatisierte Daten-Engines verbessern Produkte und Prozesse automatisch durch Daten, die in allen Phasen der Arzneimittelentwicklung gesammelt wurden.

Für den Erfolg ist es notwendig, wiederholt viele Daten zu sammeln. Jedes Experiment und jede Verschreibung ist eine Gelegenheit, mehr Daten für zukünftige Entwicklungen zu sammeln. Das heißt, die in jeder Phase gesammelten Daten sollten verwendet werden, um alle Phasen der Entdeckung und Entwicklung neuer Medikamente zu verbessern.

Aufgrund der regulatorischen und Sicherheitsanforderungen der Biowissenschaften und der Heterogenität biologischer Daten wird diese Daten-Engine zwar anders aussehen als selbstfahrende Autos, aber das grundlegende Ziel einer tiefen und automatisierten Integration zwischen Datenerfassung und Produktentwicklung ist dasselbe. Erfolgreiche Unternehmen werden sehen, dass zukünftige Produkt-Iterationen automatisch auf der Grundlage neu gesammelter Daten verbessert werden.

Langfristig planen

Der Erfolg des autonomen Fahrens hat länger gedauert als geplant. Die Gewinner waren in der Lage, über zehn Jahre hinweg massiv in die Entwicklung zu investieren. Dasselbe gilt für KI für Biowissenschaften. Das aktuelle starke Interesse ist eine zukunftsorientierte Denkweise, die dazu führt, dass in Zukunft Talente und Kapital in diesen Bereich fließen. Aber der Gewinner wird derjenige sein, der sich auf langfristige Bemühungen konzentriert, auch wenn es kaum unmittelbare Ergebnisse gibt.

Das bedeutet, dass langfristiges Engagement erforderlich ist. Gibt es Investoren, Partner oder Kunden, die die für diese Reise notwendigen Mittel bereitstellen können? Kann man mehrere klinische Misserfolge überstehen, während die Daten-Engine als Plattform aufgebaut wird?

Automatisierungsgrad berücksichtigen

Selbstfahrende Autos sind nicht perfekt, aber es gibt eine nützliche Klassifizierung, um das Autonomielevel zu klassifizieren. Die SAE-Stufe des autonomen Fahrens klassifiziert automatisierte Systeme in sechs Stufen, darunter Level 0 (keine Automatisierung), Level 2 (partielle Fahrerassistenz) und Level 5 (volle Fahrerassistenz).

Fahrerassistenzsysteme und vollständig autonomes Fahren erfordern unterschiedliche Ansätze und Investitionen. Daher haben alle Programme für autonomes Fahren unterschiedliche Anforderungen und Pläne, abhängig vom Automatisierungsgrad, den sie entwickeln. Die SAE-Klassifizierung für autonomes Fahren wird verwendet, um dies prägnant auszudrücken.

Unterschiedliche Automatisierungsziele für verschiedene Programme sind auch in den Biowissenschaften üblich. Welche Teile der Pipeline sollen automatisiert werden? Einige Unternehmen werden nur kleine Teile des Entdeckungsprozesses automatisieren, z. B. In-silico-Screening, und für den Rest des Stacks traditionelle Methoden der Arzneimittelentwicklung verwenden. Andere Unternehmen werden darauf abzielen, eine Plattform zu entwickeln, die auf vollständig autonomes und iteratives Drug Discovery und Development abzielt.

Unterschiedliche Ansätze erfordern unterschiedliche Strukturen, Tools und Kapitalstrukturen. Die Definition des Autonomielevels wird es der Branche ermöglichen, über das allgemeine Ziel der "KI-Einführung" hinaus eine gemeinsame Sprache und Roadmap zu haben.

Die Reise vor uns

Der Weg vor uns wird lang und steinig sein. Es wird viele Misserfolge geben, aber der Erfolg wird das Potenzial der Biowissenschaften neu definieren.

Referenz

https://www.convoke.bio/from-self-driving?utm_source=substack&utm_medium=email