Masa Depan Bio Sains yang Dipelajari dari Kendaraan Otonom

Setelah bertahun-tahun menunggu, kendaraan otonom akhirnya tiba. Meskipun tidak semua ambisi awal dan harapan yang tinggi terpenuhi, kemajuan yang signifikan telah dicapai.

Kendaraan otonom penuh dan sebagian otonom sekarang merupakan salah satu aplikasi kecerdasan buatan (AI) yang paling matang. Saat ini, di San Francisco, memesan Waymo melalui ponsel akan menghasilkan Jaguar I-Pace putih yang dilapisi sensor rotasi yang akan datang dengan tenang beberapa menit kemudian, tanpa pengemudi. Fitur bantuan pengemudi pada kendaraan konvensional, seperti menjaga jalur otomatis, juga terus berkembang pesat.

Seiring dengan kematangan industri kendaraan otonom, bakat dan minat terus bergeser ke aplikasi AI lainnya, termasuk ilmu hayati, dan kami percaya bahwa aliran bakat ini dapat memandu kemajuan ilmu hayati. AI dalam ilmu hayati juga akan melalui proses pencapaian bertahap setelah harapan tinggi, yang akhirnya akan mendefinisikan kembali industri.

Berdasarkan hal ini, kami percaya bahwa empat pelajaran dari industri kendaraan otonom dapat diterapkan pada AI untuk penemuan dan pengembangan obat-obatan.

Beralih ke Representasi Data Tingkat Tinggi

Seiring dengan peningkatan data dan model dalam domain tertentu, semakin banyak keputusan bergeser dari algoritma yang dapat dijelaskan dan didefinisikan manusia ke model "black box". Ini juga terlihat dalam pengembangan perangkat lunak kendaraan otonom, di mana industri secara bertahap mengadopsi representasi yang dipelajari dari adegan di sekitar kendaraan dan model yang dipelajari yang mengontrol lebih banyak fungsi dalam tumpukan.

Sebagai contoh, alih-alih meng-hardcode algoritma untuk mengidentifikasi apakah sebuah mobil sedang parkir (berdasarkan kecepatan relatif terhadap kendaraan otonom), model dapat memprediksi status mobil berdasarkan semua data pelatihan berlabel mobil yang diparkir.

Industri kendaraan otonom telah beralih dari pengembangan berbasis persyaratan yang sangat terdefinisi ke pemodelan ruang dimensi tinggi yang kompleks yang memungkinkan representasi dan eksplorasi statistik dari ruang operasi kendaraan. Ini telah menghasilkan peningkatan kinerja tetapi dengan pengurangan interpretasi.

Kami percaya bahwa perubahan yang sama akan datang ke ilmu hayati. Kompleksitas dan keragaman biologi (termasuk interaksi yang kompleks antara penyakit dan populasi) menyimpan jauh lebih banyak informasi daripada representasi konsep yang dapat dipahami manusia. Untuk memasukkan kompleksitas ini ke dalam pengambilan keputusan, industri farmasi akan beralih dari representasi data yang disederhanakan ke representasi data dimensi tinggi.

Sebagai contoh, pertanyaan penting seperti "Populasi pasien mana yang paling mungkin mendapat manfaat dari kandidat obat saya?" akan bergeser dari keputusan berbasis intuisi atau heuristik ke keputusan berbasis data, dan algoritma untuk menjawab pertanyaan tersebut akan bergantung pada representasi data dimensi tinggi yang kompleks.

Membangun Mesin Data Otomatis

Industri kendaraan otonom beralih dari pelatihan pada kumpulan data terbatas yang dikumpulkan secara internal ke model pelatihan kendaraan. Model terus ditingkatkan berdasarkan data yang dikumpulkan saat kendaraan pelanggan beroperasi di dunia nyata. Data yang dikumpulkan dari kendaraan pelanggan sekarang merupakan salah satu aset terpenting yang dimiliki pabrikan mobil dalam perlombaan menuju otonomi. Pengumpulan data otomatis melalui mesin data berskala besar adalah satu-satunya cara untuk mengumpulkan berbagai data yang diperlukan untuk membangun pemahaman tentang berbagai wilayah tempat kendaraan dikerahkan.

Kami mengharapkan dinamika yang sama terjadi dalam ilmu hayati. "Pengumpulan data waktu nyata" ini akan terjadi di seluruh tahapan penemuan, pengembangan, dan klinis:

• Perancangan skala besar in silico dan skrining virtual pengobatan
• Laboratorium basah robot otomatis yang terintegrasi dengan ilmuwan AI
• Pengorganisasian, penyimpanan, dan pembelajaran berulang dari hasil uji klinis masa lalu yang dapat diskalakan
• Sumber unik data klinis yang luas, termasuk data tingkat pasien multi-modalitas dengan kesetiaan tinggi
• Mendapatkan wawasan dan analisis otomatis dari data pasar (misalnya, efek samping, pengalaman pasien dengan produk, permintaan informasi medis)

Mesin data otomatis secara otomatis meningkatkan produk dan proses berdasarkan data yang dikumpulkan di seluruh tahapan pengembangan obat.

Untuk berhasil, Anda perlu mengumpulkan banyak data berulang. Setiap eksperimen dan resep akan menjadi kesempatan untuk mengumpulkan lebih banyak data untuk pengembangan di masa mendatang. Dengan kata lain, data yang dikumpulkan pada setiap tahap harus digunakan untuk meningkatkan semua tahap penemuan dan pengembangan obat.

Karena persyaratan peraturan dan keamanan dalam ilmu hayati dan heterogenitas data biologis, mesin data ini mungkin terlihat berbeda dari rekan-rekan di kendaraan otonom, tetapi tujuan mendasar dari integrasi yang mendalam dan otomatis antara pengumpulan data dan pengembangan produk tetap sama. Perusahaan yang sukses akan melihat peningkatan otomatis dalam iterasi produk masa depan berdasarkan data baru yang dikumpulkan.

Merencanakan dengan Perspektif Jangka Panjang

Keberhasilan kendaraan otonom membutuhkan waktu lebih lama dari yang direncanakan. Para pemenang berada dalam posisi untuk menginvestasikan sumber daya besar ke dalam pengembangan selama lebih dari 10 tahun. Hal yang sama berlaku untuk AI untuk ilmu hayati. Minat yang tinggi saat ini adalah peluang pemikiran ke depan yang akan menarik bakat dan modal ke lapangan. Namun, pemenangnya akan menjadi mereka yang merencanakan usaha jangka panjang, dengan sedikit hasil segera.

Artinya, dibutuhkan usaha jangka panjang. Apakah Anda memiliki investor, mitra, atau pelanggan yang dapat mendanai perjalanan ini? Dapatkah Anda bertahan dari beberapa kegagalan klinis saat mesin data dibangun sebagai platform?

Mempertimbangkan Tingkat Otomatisasi

Kendaraan otonom tidak sempurna, tetapi mereka menggunakan klasifikasi yang berguna untuk mengkategorikan tingkat otonomi. Tingkat otonomi SAE mengkategorikan sistem otonom menjadi enam tingkat, termasuk Level 0 (tidak ada otomasi), Level 2 (otomasi mengemudi parsial), dan Level 5 (otomasi mengemudi penuh).

Bantuan mengemudi dan otonomi penuh membutuhkan pendekatan dan investasi yang berbeda. Karena itu, setiap program otonomi memiliki persyaratan dan rencana yang berbeda tergantung pada tingkat otomasi yang sedang dikembangkan. Klasifikasi otonomi SAE digunakan untuk meringkasnya.

Tujuan otomatisasi yang berbeda untuk setiap program juga berlaku untuk ilmu hayati. Bagian mana dari pipeline yang akan Anda otomatisasi? Beberapa perusahaan hanya akan mengotomatisasi bagian kecil dari proses penemuan, misalnya, skrining in silico, dan akan menggunakan metodologi pengembangan obat tradisional untuk sisa tumpukan. Perusahaan lain akan bertujuan untuk membangun platform yang bertujuan untuk penemuan dan pengembangan obat yang sepenuhnya otonom dan berulang.

Pendekatan yang berbeda akan membutuhkan struktur, alat, dan struktur modal yang berbeda. Definisi tingkat otonomi akan memungkinkan industri untuk memiliki bahasa dan peta jalan bersama di luar tujuan umum "adopsi AI".

Jalan yang Masih Terbentang di Depan

Jalan di depan akan panjang dan sulit. Akan ada banyak kegagalan, tetapi kesuksesan akan mendefinisikan kembali kemungkinan ilmu hayati.

Referensi

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