Il futuro delle bioscienze imparando dalle auto a guida autonoma

Dopo anni di attesa, le auto a guida autonoma sono finalmente arrivate. Sebbene gli ambiziosi obiettivi iniziali e le elevate aspettative non siano stati completamente soddisfatti, sono stati comunque compiuti progressi significativi.

I veicoli a guida autonoma completa e parziale rappresentano oggi una delle tecnologie di intelligenza artificiale (IA) più mature. Oggi, a San Francisco, ordinando un Waymo con il tuo telefono, in pochi minuti arriverà silenziosamente una Jaguar I-Pace bianca ricoperta di sensori rotativi, con il sedile del conducente vuoto. Anche le funzioni di assistenza alla guida dei veicoli tradizionali, come il mantenimento automatico della corsia, continuano a evolversi rapidamente.

Con la maturazione del settore della guida autonoma, talenti con interesse e capacità in altri settori applicativi dell'IA, tra cui le scienze biologiche, si stanno costantemente spostando, e crediamo che questo afflusso di talenti possa guidare i progressi delle scienze biologiche. Anche l'IA nel settore delle scienze biologiche seguirà un percorso di successi graduali dopo un iniziale aumento delle aspettative, ridefinendo infine il settore.

Sulla base di quanto sopra, riteniamo che quattro lezioni apprese dal settore automobilistico a guida autonoma possano essere applicate anche all'IA per la scoperta e lo sviluppo di farmaci.

Transizione verso rappresentazioni di dati di ordine superiore

Con il miglioramento dei dati e dei modelli all'interno di uno specifico dominio, un numero crescente di decisioni si sta spostando da algoritmi spiegabili definiti dall'uomo a modelli "black box". Questo si sta verificando anche nello sviluppo di software per veicoli a guida autonoma, con il settore che adotta gradualmente rappresentazioni apprese della scena intorno al veicolo e modelli di apprendimento che controllano più funzionalità dello stack.

Ad esempio, invece di codificare a mano un algoritmo per identificare se un'auto è parcheggiata (in base alla velocità relativa rispetto al veicolo a guida autonoma), un modello può prevedere lo stato di un veicolo in base a tutti i dati di addestramento etichettati di veicoli parcheggiati.

Il settore automobilistico a guida autonoma è passato dallo sviluppo basato su requisiti rigidamente definiti a un approccio che modella lo spazio delle operazioni del veicolo come uno spazio complesso e ad alta dimensionalità che può essere esplorato e rappresentato statisticamente. Questo ha portato a un miglioramento delle prestazioni, ma a una diminuzione dell'interpretabilità.

Crediamo che una trasformazione simile stia avvenendo anche nelle scienze biologiche. La complessità e la diversità della biologia (comprese le complesse interazioni tra malattie e popolazioni) contengono molte più informazioni di quanto possa essere catturato da rappresentazioni concettuali comprensibili per l'uomo. Per incorporare questa complessità nel processo decisionale, l'industria farmaceutica si sposterà da rappresentazioni di dati semplificate a rappresentazioni di dati di ordine superiore.

Ad esempio, domande cruciali come "Quali popolazioni di pazienti hanno maggiori probabilità di beneficiare del mio candidato farmaco?" si sposteranno da decisioni basate sull'intuizione o sull'euristica a decisioni basate sui dati. E gli algoritmi per rispondere a queste domande si baseranno su rappresentazioni di dati complesse e di ordine superiore.

Costruire motori di dati automatizzati

Il settore automobilistico a guida autonoma sta passando dall'apprendimento su dati limitati raccolti internamente all'addestramento dei modelli di veicoli nel mondo reale. I modelli vengono continuamente migliorati utilizzando i dati raccolti dai veicoli dei clienti mentre guidano nel mondo reale. I dati raccolti dai veicoli dei clienti sono ora una delle risorse più importanti che i produttori di auto hanno nella corsa alla guida autonoma. La raccolta automatizzata di dati tramite motori di dati su larga scala è l'unico modo per raccogliere la varietà di dati necessaria per costruire una comprensione delle complesse aree in cui vengono implementati i veicoli.

Ci aspettiamo che la stessa dinamica si verifichi nel settore delle scienze biologiche. Questa "raccolta di dati in tempo reale" avverrà in tutte le fasi di scoperta, sviluppo e clinica:

• Screening virtuale su larga scala di farmaci e progettazione in silico
• Laboratori bagnati robotici automatizzati integrati con scienziati AI
• Organizzazione, conservazione e apprendimento iterativo su larga scala dai risultati degli studi clinici passati
• Fonti uniche di ampi dati clinici, inclusi dati a livello di paziente ad alta fedeltà e multimodali
• Ottenere analisi e approfondimenti automatizzati dai dati di mercato (ad esempio, effetti collaterali, esperienza del paziente con il prodotto, richieste di informazioni mediche)

I motori di dati automatizzati migliorano automaticamente i prodotti e i processi utilizzando i dati raccolti in tutte le fasi dello sviluppo del farmaco.

Per avere successo, è necessario raccogliere molti dati in modo iterativo. Ogni esperimento e prescrizione sarà un'opportunità per raccogliere più dati per lo sviluppo futuro. Cioè, i dati raccolti ad ogni fase devono essere utilizzati per migliorare tutte le fasi della scoperta e dello sviluppo di farmaci.

A causa dei requisiti normativi e di sicurezza del settore delle scienze biologiche e dell'eterogeneità dei dati biologici, questo motore dati sembrerà diverso dall'automazione della guida autonoma, ma l'obiettivo fondamentale di una profonda integrazione automatizzata tra la raccolta di dati e lo sviluppo del prodotto rimane lo stesso. Le aziende di successo vedranno un miglioramento automatico delle iterazioni future dei prodotti basato sui dati appena raccolti.

Pianificare a lungo termine

Il successo della guida autonoma ha richiesto più tempo del previsto. I vincitori sono stati in grado di investire pesantemente nello sviluppo per oltre 10 anni. Lo stesso vale per l'IA per le scienze biologiche. L'attuale entusiasmo è un'opportunità per un pensiero lungimirante che porterà talenti e capitali nel settore. Tuttavia, i vincitori saranno coloro che pianificheranno uno sforzo a lungo termine con pochi risultati immediati.

Cioè, è necessario uno sforzo a lungo termine. Si hanno investitori, partner o clienti che possono sostenere il finanziamento necessario per questo viaggio? Sarà possibile sopportare molti fallimenti clinici mentre il motore dati viene costruito come piattaforma?

Considerare il livello di automazione

La guida autonoma non è perfetta, ma utilizza una classificazione utile per classificare i livelli di autonomia. I livelli di guida autonoma SAE classificano i sistemi di automazione in sei livelli, che vanno dal livello 0 (nessuna automazione) al livello 2 (automazione parziale della guida) al livello 5 (automazione completa della guida).

La guida assistita e la guida autonoma completa richiedono approcci e investimenti diversi. Pertanto, ogni programma di guida autonoma ha requisiti e pianificazione diversi a seconda del livello di automazione in fase di sviluppo. La classificazione della guida autonoma SAE viene utilizzata per esprimere questo in modo conciso.

La diversità degli obiettivi di automazione tra i programmi è vera anche nel settore delle scienze biologiche. Quali parti della pipeline saranno automatizzate? Alcune aziende automatizzeranno solo piccole parti del processo di scoperta, come lo screening in silico, mentre adotteranno metodologie tradizionali di sviluppo di farmaci per il resto dello stack. Altre aziende mireranno a costruire piattaforme che mirino a una scoperta e uno sviluppo di farmaci completamente autonomi e iterativi.

Approcci diversi richiederanno strutture, strumenti e strutture di capitale diversi. La definizione dei livelli di autonomia consentirà al settore di avere un linguaggio e una roadmap condivisi che vadano oltre l'obiettivo generale di "adottare l'IA".

Il percorso che ci aspetta

Il percorso che ci aspetta sarà lungo e difficile. Ci saranno molti fallimenti, ma il successo ridefinirà le possibilità delle scienze biologiche.

Riferimenti

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