El futuro de las ciencias biológicas a través del aprendizaje de la conducción autónoma

Después de años de espera, los vehículos autónomos finalmente han llegado. Si bien no se han cumplido todas las ambiciosas metas iniciales y las expectativas infladas, se ha logrado un progreso considerable.

Los vehículos completamente autónomos y los parcialmente autónomos representan ahora una de las tecnologías de inteligencia artificial (IA) más maduras. Hoy en día, en San Francisco, si pides un Waymo con tu teléfono, en pocos minutos llegará silenciosamente un Jaguar I-Pace blanco, repleto de sensores giratorios, con el asiento del conductor vacío. Además, las funciones de asistencia a la conducción de los vehículos convencionales, como el mantenimiento automático de carril, también continúan desarrollándose a un ritmo rápido.

A medida que la industria de los vehículos autónomos madura, el talento y el interés se trasladan constantemente a otras aplicaciones de IA, incluida la biociencia, y creemos que esta afluencia de talento puede guiar el avance de la biociencia. La IA en biociencia también seguirá un patrón de expectativas infladas seguidas de un éxito gradual que redefinirá la industria.

Basándonos en esto, creemos que cuatro lecciones aprendidas en la industria de los vehículos autónomos se pueden aplicar a la IA para el descubrimiento y desarrollo de nuevos fármacos.

La transición a representaciones de datos de mayor dimensión

A medida que los datos y los modelos subyacentes mejoran dentro de un dominio específico, más decisiones se están trasladando de algoritmos definidos por humanos y explicables a modelos de "caja negra". Esto también se observa en el desarrollo de software para vehículos autónomos, donde la industria está adoptando gradualmente representaciones aprendidas de la escena alrededor del vehículo y modelos aprendidos que controlan más funciones de la pila.

Por ejemplo, en lugar de codificar en modo duro un algoritmo para identificar si un automóvil está estacionado (basado en la velocidad relativa con respecto al vehículo autónomo), un modelo puede predecir el estado del automóvil basándose en todos los datos de entrenamiento etiquetados de automóviles estacionados.

La industria de los vehículos autónomos ha pasado de un desarrollo basado en requisitos estrictamente definidos a modelar el espacio de funcionamiento del vehículo como un espacio complejo de alta dimensión que puede representarse y explorarse estadísticamente. Esto ha mejorado el rendimiento, pero ha reducido gradualmente la interpretabilidad.

Creemos que el mismo cambio se avecina en biociencia. La complejidad y diversidad de la biología (incluidas las complejas interacciones entre enfermedades y poblaciones) contienen mucha más información de la que se puede representar con conceptos humanos comprensibles. Para incorporar esta complejidad en la toma de decisiones, la industria farmacéutica se trasladará de representaciones de datos simplificadas a representaciones de datos de mayor dimensión.

Por ejemplo, preguntas importantes como "¿Qué población de pacientes tiene más probabilidades de beneficiarse de mi candidato a fármaco?" se trasladarán de decisiones basadas en la intuición o heurísticas a decisiones basadas en datos. Y los algoritmos para responder a tales preguntas dependerán de representaciones de datos complejas y de alta dimensión.

Construyendo motores de datos automatizados

La industria de los vehículos autónomos está pasando de un enfoque de aprendizaje con datos limitados recogidos internamente a un enfoque donde los modelos de los vehículos aprenden continuamente basándose en los datos recogidos por los vehículos de los clientes mientras conducen en el mundo real. Los datos recogidos de los vehículos de los clientes son ahora uno de los activos más importantes que poseen los fabricantes de automóviles en la carrera hacia la autonomía. La recogida automatizada de datos a través de un motor de datos a gran escala es la única manera de recoger la variedad de datos necesarios para construir una comprensión de los complejos entornos en los que se despliegan los vehículos.

Esperamos que la misma dinámica ocurra en biociencia. Esta "recopilación de datos en tiempo real" ocurrirá en todas las fases de descubrimiento, desarrollo y clínica:

• Diseño in silico a gran escala y cribado virtual de terapias
• Laboratorios húmedos robóticos automatizados integrados con científicos de IA
• Recopilación, conservación y reentrenamiento escalables de datos de ensayos clínicos pasados
• Fuentes únicas de datos clínicos extensos, incluyendo datos a nivel de paciente multimodales y de alta fidelidad
• Análisis automatizado y obtención de información de datos del mercado (p. ej., efectos secundarios, experiencia del paciente con el producto, consultas de información médica)

Los motores de datos automatizados mejoran automáticamente los productos y los procesos con los datos recogidos en todas las fases del desarrollo de fármacos.

Para tener éxito, hay que recoger muchos datos repetidamente. Cada experimento y prescripción será una oportunidad para recoger más datos para futuras mejoras. Es decir, los datos recogidos en cada etapa deben utilizarse para mejorar todas las etapas del descubrimiento y desarrollo de fármacos.

Debido a los requisitos regulatorios y de seguridad de la biociencia y a la heterogeneidad de los datos biológicos, este motor de datos tendrá un aspecto diferente al de los vehículos autónomos, pero el objetivo fundamental de una integración profunda y automatizada entre la recopilación de datos y el desarrollo de productos es el mismo. Las empresas exitosas verán que las iteraciones futuras de los productos mejoran automáticamente basándose en los datos recién recogidos.

Planificar a largo plazo

El éxito de los vehículos autónomos ha tardado más de lo previsto. Los ganadores se encontraban en una posición en la que podían invertir fuertemente durante más de 10 años en el desarrollo. Lo mismo ocurre con la IA para biociencia. El interés actual es una oportunidad para un pensamiento orientado al futuro que atraerá talento y capital a este campo. Sin embargo, los ganadores serán aquellos que planifiquen un esfuerzo a largo plazo con pocos rendimientos inmediatos.

Es decir, se necesita un esfuerzo a largo plazo. ¿Hay inversores, socios o clientes que financien este viaje? ¿Podrá soportar varios fallos clínicos mientras el motor de datos se construye como una plataforma?

Considerar el nivel de automatización

Si bien los vehículos autónomos no son perfectos, utilizan una clasificación útil para categorizar los niveles de autonomía. La clasificación de los niveles de conducción autónoma de la SAE clasifica los sistemas de automatización en seis niveles, que incluyen el nivel 0 (sin automatización), el nivel 2 (automatización parcial de la conducción) y el nivel 5 (automatización completa de la conducción).

La asistencia a la conducción y la conducción totalmente autónoma requieren enfoques e inversiones diferentes. Por lo tanto, cada programa de conducción autónoma tendrá diferentes requisitos y planes dependiendo del nivel de automatización que se esté desarrollando. La clasificación de conducción autónoma de la SAE es una forma concisa de expresar esto.

La diferencia en los objetivos de automatización entre los programas también es cierta en biociencia. ¿Qué parte de la línea de producción se automatizará? Algunas empresas automatizarán solo una pequeña parte del proceso de descubrimiento, por ejemplo, solo el cribado in silico, y adoptarán metodologías tradicionales de desarrollo de fármacos para el resto de la pila. Otras empresas buscarán construir plataformas con el objetivo de un descubrimiento y desarrollo de fármacos completamente autónomos e iterativos.

Los diferentes enfoques requerirán diferentes estructuras, herramientas y estructuras de capital. La definición de los niveles de autonomía permitirá a la industria tener un lenguaje y una hoja de ruta comunes más allá del objetivo general de "adopción de la IA".

El camino por delante

El camino por delante será largo y difícil. Habrá muchos fracasos, pero el éxito redefinirá las posibilidades de la biociencia.

Referencia

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