Az önvezető autóktól a biotechnológia jövőjéig

Évnyi várakozás után végre megjelentek az önvezető járművek. Bár a kezdeti nagyravágyó célok és a felfokozott elvárások nem teljesültek maradéktalanul, mégis jelentős előrelépés történt.

A teljesen önvezető és a részben önvezető járművek már a mesterséges intelligencia (MI) egyik legfejlettebb technológiáját képviselik. Ma San Franciscóban, ha a telefonodon behívsz egy Waymot, néhány perc múlva egy forgó szenzorokkal felszerelt, fehér Jaguar I-Pace érkezik zajtalanul, üres vezetőüléssel. A hagyományos járművek vezetőtámogató funkciói, például az automatikus sávtartás is folyamatosan és gyors ütemben fejlődnek.

Az önvezető járműipar fejlődésével párhuzamosan folyamatosan áramlanak az érdeklődő és tehetséges szakemberek más MI-alkalmazási területekről, többek között az élettudományokból is, és hisszük, hogy ez az utánpótlás jelentősen hozzájárulhat az élettudományok fejlődéséhez. Az élettudományok területén is az MI esetében tapasztalható, hogy a nagy elvárások után fokozatosan halmozódnak fel a sikerek, majd az ágazat újradefiniálása következik.

Ezen információk alapján úgy gondoljuk, hogy az önvezető járműiparból leszűrt négy tanulság alkalmazható az új gyógyszerek felfedezésére és fejlesztésére irányuló MI-projektekben is.

Áttérés a magasabb dimenziójú adatábrázolásra

Egy adott területen a jobb alapadatok és modellek révén egyre több döntéshozatal vándorol az ember által definiált, magyarázható algoritmusokról a "fekete doboz" modellekre. Ez az önvezető szoftverek fejlesztésében is megfigyelhető, ahol az iparág fokozatosan átveszi a környezet tanult ábrázolását és a tanult modelleket, amelyek az egyre több funkciót irányítanak.

Például, ahelyett, hogy keményen beprogramoznánk egy algoritmust (például a jármű relatív sebességén alapuló) egy autó parkolási állapotának azonosítására, a modell képes lesz a parkoló autók összes címkézett tanulási adata alapján megjósolni a jármű állapotát.

Az önvezető járműipar áttért a szigorúan definiált követelményekre épülő fejlesztésről arra a modellre, amely a jármű működési tartományát statisztikailag reprezentálja és feltérképezi egy nagy, összetett dimenziós térben. Ez növelte a teljesítményt, de csökkentette az értelmezhetőséget.

Úgy gondoljuk, hogy az élettudományokban is hasonló változás várható. A biológia komplexitása és sokfélesége (beleértve a betegségek és a populációk közötti bonyolult kölcsönhatásokat is) sokkal több információt hordoz, mint amit az emberi elme felfogható fogalmakban képes reprezentálni. A komplexitás döntéshozatalba való beépítéséhez a gyógyszeripar áttér a hagyományos egyszerűsített adatábrázolásokról a magasabb dimenziójú adatábrázolási módszerekre.

Például olyan fontos kérdésekre, mint hogy "Mely betegcsoport profitálhat a legjobban az új gyógyszerjelölttől?", nem intuíció vagy heurisztikán alapuló döntésekkel, hanem adatvezérelt döntéshozatallal válaszolunk majd. És az ilyen kérdésekre adott algoritmusok a komplex, magas dimenziójú adatábrázolásra támaszkodnak majd.

Automatizált adatmotor létrehozása

Az önvezető járműipar eltávolodott a korlátozott, belsőleg gyűjtött adatokon alapuló tanulási módszerektől, és áttért a járművek tanulási modelljeire. A modell folyamatosan finomítódik a valós környezetben, az ügyfelek járművei által gyűjtött adatok alapján. Az ügyfelek járműveiből gyűjtött adatok most már az egyik legfontosabb eszköz az önvezető járművek iránti versenyben lévő autógyártók számára. A nagyméretű adatmotorok segítségével történő automatizált adatgyűjtés az egyetlen módja annak, hogy összegyűjtsük a sokféle adatot, amelyek szükségesek a járművek telepítési környezetének megértéséhez.

Az élettudományokban is hasonló dinamikára számíthatunk. Ez az "éles adatgyűjtés" a felfedezés, a fejlesztés és a klinikai fázisok során egyaránt megvalósul:

• Nagyméretű in silico tervezés és terápiák virtuális szűrése
• Automatizált robotizált nedves laboratóriumok integrációja MI-tudósokkal
• A korábbi klinikai vizsgálati eredmények méretezhető rendezése, archiválása és ismételt tanulása
• A multimodális, nagy hűségű, beteg szintű adatok egyedi forrása
• Automatizált elemzés és betekintés a piaci adatokból (pl. mellékhatások, betegek tapasztalatai a termékkel, orvosi információkérések)

Az automatizált adatmotor automatikusan javítja a termékeket és a folyamatokat a gyógyszerfejlesztés minden szakaszában gyűjtött adatok alapján.

A sikerhez sok, ismétlődő adatgyűjtés szükséges. Minden egyes kísérlet és recept új lehetőséget jelent további adatgyűjtésre a jövőbeni fejlesztésekhez. Vagyis az egyes fázisokban gyűjtött adatokat fel kell használni az új gyógyszerek felfedezésének és fejlesztésének minden szakaszának a javítására.

Az élettudományi szabályozási és biztonsági követelmények, valamint a biológiai adatok heterogenitása miatt ez az adatmotor másképp fog kinézni, mint az önvezető járműveké, de az adatgyűjtés és a termékfejlesztés közötti mélyreható és automatizált integráció alapvető célja ugyanaz marad. A sikeres vállalatoknál az új adatok alapján automatikusan javulnak majd a jövőbeni termékiterációk.

Hosszú távú tervezés

Az önvezető járművek sikere hosszabb időt vett igénybe, mint a tervek. A győztesek olyan helyzetben voltak, hogy több mint 10 éven keresztül hatalmas összegeket tudtak befektetni a fejlesztésbe. Ez az élettudományokban is így van az MI esetében. A jelenlegi nagy érdeklődés jövőbe mutató gondolkodási lehetőséget biztosít az ágazatba történő tehetség- és tőkebeáramláshoz. A győztes azonban az lesz, aki képes a hosszú távú erőfeszítések megtervezésére, a szinte alig észrevehető azonnali eredmények ellenére is.

Ez azt jelenti, hogy hosszú távú erőfeszítésekre van szükség. Vannak-e befektetők, partnerek vagy ügyfelek, akik finanszírozzák ezt az utat? Elviseli-e a vállalat a platform kiépítése közben bekövetkező többszöri klinikai kudarcot?

Az automatizáltsági szint figyelembe vétele

Az önvezető járművek nem tökéletesek, de hasznos osztályozási módszert alkalmaznak az önvezetés szintjének meghatározására. A SAE önvezetési szintje 6 szintre osztja az automatizált rendszereket, a 0-s szinttől (nincs automatizálás) a 2-es szinten (részleges vezetési automatizálás) át a 5-ös szintig (teljes vezetési automatizálás).

A vezetőtámogatás és a teljesen önvezető üzemmód eltérő megközelítést és befektetést igényel. Ezért minden önvezető programnak eltérőek a követelményei és tervei a fejlesztés alatt álló automatizáltsági szinttől függően. A SAE önvezetési osztályozása tömör leírásként szolgál erre.

A különböző automatizálási célok a programok között az élettudományokban is megfigyelhetők. Egy adott program melyik részét automatizáljuk? Egyes cégek a felfedezési folyamat egy kis részét automatizálják, például az in silico szűrést, a verem többi részénél pedig a hagyományos gyógyszerfejlesztési módszertant alkalmazzák. Más cégek egy teljes mértékben önálló és ismétlődő gyógyszerkutató és -fejlesztő platform létrehozását tűzik ki célul.

A különböző megközelítések eltérő struktúrát, eszközöket és tőkeszerkezetet igényelnek. Az automatizáltsági szint meghatározása segít az iparágnak abban, hogy az "MI-bevezetés" általános célkitűzésén túlmenően közös nyelvet és ütemtervet alakítson ki.

Az előttünk álló út

Az előttünk álló út hosszú és nehéz lesz. Sok kudarc lesz, de a siker újradefiniálja majd az élettudományok lehetőségeit.

Irodalomjegyzék

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