L'avenir des biosciences vu à travers le prisme de la conduite autonome

Après des années d'attente, les véhicules autonomes sont enfin arrivés. Si les objectifs initiaux ambitieux et les attentes élevées n'ont pas été entièrement satisfaits, des progrès considérables ont néanmoins été réalisés.

Les véhicules entièrement autonomes et partiellement autonomes représentent désormais l'une des technologies d'intelligence artificielle (IA) les plus matures. Aujourd'hui, à San Francisco, en appelant Waymo avec votre téléphone, une Jaguar I-Pace blanche recouverte de capteurs rotatifs arrivera silencieusement quelques minutes plus tard, le siège conducteur vide. De plus, les fonctionnalités d'assistance à la conduite des véhicules classiques, telles que le maintien automatique de la voie, continuent de progresser rapidement.

Au fur et à mesure que l'industrie de la conduite autonome mûrit, des talents intéressés et compétents continuent de migrer vers d'autres applications de l'IA, y compris les sciences de la vie, et nous pensons que cet afflux de talents peut guider le développement des sciences de la vie. L'IA dans les sciences de la vie suivra également un chemin de succès progressifs après une période d'attentes élevées, redéfinissant finalement l'industrie.

Sur la base de ces observations, nous pensons que quatre leçons tirées de l'industrie de la conduite autonome peuvent être appliquées à l'IA pour la découverte et le développement de nouveaux médicaments.

Transition vers des représentations de données de dimension supérieure

À mesure que les données et les modèles de base s'améliorent au sein d'un domaine spécifique, davantage de décisions passent d'algorithmes définis par l'homme et explicables à des modèles « boîte noire ». Cela est également visible dans le développement de logiciels de conduite autonome, l'industrie adoptant progressivement des représentations apprises de la scène autour du véhicule et des modèles d'apprentissage qui contrôlent davantage de fonctionnalités de la pile.

Par exemple, au lieu de coder en dur un algorithme pour identifier si une voiture est garée (en fonction de la vitesse relative par rapport à la voiture autonome), le modèle peut prédire l'état de la voiture en fonction de toutes les données d'apprentissage étiquetées sur les voitures garées.

L'industrie de la conduite autonome est passée d'un développement basé sur des exigences strictement définies à la modélisation de l'espace de fonctionnement du véhicule sous forme d'espace complexe et de grande dimension qui peut être exploré et représenté statistiquement. Cela a entraîné une amélioration des performances, mais une diminution de l'interprétabilité.

Nous pensons que la même transition est en cours dans les sciences de la vie. La complexité et la diversité de la biologie (y compris les interactions complexes entre les maladies et les populations) contiennent bien plus d'informations que ce qui peut être exprimé par des concepts compréhensibles par l'homme. Pour intégrer cette complexité dans la prise de décision, l'industrie pharmaceutique passera des représentations de données simplifiées traditionnelles à des représentations de données de dimension supérieure.

Par exemple, des questions importantes telles que « quels groupes de patients sont les plus susceptibles de bénéficier de mon candidat médicament ? » passeront de décisions basées sur l'intuition ou des heuristiques à des décisions basées sur les données. Et les algorithmes pour répondre à ces questions s'appuieront sur des représentations de données complexes et de grande dimension.

Construire un moteur de données automatisé

L'industrie de la conduite autonome passe d'une approche d'apprentissage à partir de données limitées collectées en interne à une approche où les modèles sont formés et continuellement améliorés à partir de données collectées par les véhicules clients dans le monde réel. Les données collectées auprès des véhicules clients sont désormais l'un des atouts les plus importants des constructeurs automobiles dans la course à la conduite autonome. La collecte automatisée de données via un moteur de données à grande échelle est le seul moyen de collecter les données diverses nécessaires pour construire une compréhension des environnements complexes dans lesquels les véhicules sont déployés.

Nous nous attendons à ce que la même dynamique se produise dans les sciences de la vie. Cette « collecte de données en temps réel » se fera à toutes les étapes de la découverte, du développement et des essais cliniques :

• Conception in silico à grande échelle et criblage virtuel de thérapies
• Laboratoires humides robotisés automatisés intégrés avec des scientifiques de l'IA
• Compilation, conservation et apprentissage itératif à partir de résultats d'essais cliniques passés et évolutifs
• Sources uniques de données cliniques à grande échelle, y compris des données de patients multimodales et haute fidélité
• Analyse automatisée et obtention d'informations à partir de données de marché (par exemple, effets secondaires, expérience des patients avec le produit, demandes d'informations médicales)

Les moteurs de données automatisés améliorent automatiquement les produits et les processus grâce aux données collectées à toutes les étapes du développement de médicaments.

Pour réussir, il faut collecter beaucoup de données de manière itérative. Chaque expérience et prescription sera une opportunité pour collecter plus de données pour les développements futurs. Autrement dit, les données collectées à chaque étape doivent être utilisées pour améliorer toutes les étapes de la découverte et du développement de nouveaux médicaments.

En raison des exigences réglementaires et de sécurité dans les sciences de la vie et de l'hétérogénéité des données biologiques, ce moteur de données aura une apparence différente de celui de la conduite autonome, mais l'objectif fondamental d'une intégration profonde et automatisée entre la collecte de données et le développement de produits restera le même. Les entreprises prospères verront les itérations futures des produits s'améliorer automatiquement en fonction des nouvelles données collectées.

Planifier à long terme

Le succès de la conduite autonome a pris plus de temps que prévu. Les gagnants étaient dans une position qui leur permettait d'investir massivement dans le développement pendant plus de 10 ans. Il en va de même pour l'IA dans les sciences de la vie. L'engouement actuel est une opportunité de réflexion prospective qui attire les talents et les capitaux dans ce domaine. Mais les gagnants seront ceux qui planifieront des efforts à long terme, avec peu de résultats immédiats.

En d'autres termes, cela signifie un engagement à long terme. Avez-vous les investisseurs, les partenaires ou les clients pour financer ce voyage ? Pouvez-vous supporter plusieurs échecs cliniques pendant que le moteur de données est construit en tant que plateforme ?

Considérer le niveau d'automatisation

La conduite autonome n'est pas parfaite, mais elle utilise une taxonomie utile pour classer les niveaux d'autonomie. La classification des niveaux d'automatisation de la SAE classe les systèmes d'automatisation en six niveaux, du niveau 0 (aucune automatisation) au niveau 5 (automatisation complète de la conduite).

L'assistance à la conduite et la conduite entièrement autonome nécessitent des approches et des investissements différents. Par conséquent, tous les programmes de conduite autonome ont des exigences et des plans différents en fonction du niveau d'automatisation en cours de développement. La classification de la SAE est utilisée pour exprimer cela de manière concise.

La diversité des objectifs d'automatisation des programmes est également vraie dans les sciences de la vie. Quelles parties du pipeline seront automatisées ? Certaines entreprises automatiseront de petites parties du processus de découverte, par exemple, le criblage in silico uniquement, et adopteront des méthodologies traditionnelles de développement de médicaments pour le reste de la pile. D'autres viseront à construire des plateformes visant une découverte et un développement de médicaments entièrement autonomes et itératifs.

Des approches différentes nécessiteront des structures, des outils et des structures de capital différents. La définition des niveaux d'autonomie permettra à l'industrie d'avoir un langage et une feuille de route communs au-delà de l'objectif général d'« adoption de l'IA ».

Le chemin à parcourir

Le chemin à parcourir sera long et difficile. Il y aura de nombreux échecs, mais le succès redéfinira le potentiel des sciences de la vie.

Références

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