De toekomst van de biowetenschappen leren van zelfrijdende auto's

Na jaren van wachten is de zelfrijdende auto eindelijk gearriveerd. Hoewel de ambitieuze beginplannen en opgeblazen verwachtingen niet allemaal zijn ingelost, is er wel aanzienlijke vooruitgang geboekt.

Volledig en gedeeltelijk zelfrijdende auto's behoren nu tot de meest volwassen toepassingen van kunstmatige intelligentie (AI). Tegenwoordig, in San Francisco, als je via je telefoon een Waymo aanvraagt, verschijnt er binnen enkele minuten een met rotatiesensoren bedekte witte Jaguar I-Pace, stilletjes en met een lege bestuurdersstoel. Ook de rijhulpsystemen in gewone auto's, zoals automatische rijstrookassistentie, blijven zich in hoog tempo ontwikkelen.

Naarmate de zelfrijdende auto-industrie volwassener wordt, zien we een voortdurende verschuiving van talent en interesse naar andere AI-toepassingen, waaronder de life sciences, en we geloven dat deze instroom de ontwikkeling van life sciences kan stimuleren. Ook AI in de life sciences zal een periode van opgeblazen verwachtingen doormaken, gevolgd door een geleidelijke opeenstapeling van successen die uiteindelijk de sector zullen herdefiniëren.

Op basis hiervan geloven wij dat vier lessen uit de zelfrijdende auto-industrie kunnen worden toegepast op AI voor het ontdekken en ontwikkelen van nieuwe geneesmiddelen.

Overstappen op hogere-orde datarepresentaties

Naarmate basisgegevens en -modellen binnen een bepaald domein verbeteren, verschuift een groter deel van de besluitvorming van verklaarbare, door mensen gedefinieerde algoritmen naar 'black box'-modellen. Dit is ook te zien in de ontwikkeling van zelfrijdende autosoftware, waarbij de sector geleidelijk overstapt op geleerde representaties van de scène rondom de auto en op trainingsmodellen die meer functies in de stack controleren.

Bijvoorbeeld, in plaats van een algoritme te hardcoderen dat identificeert of een auto geparkeerd staat (op basis van de relatieve snelheid ten opzichte van de zelfrijdende auto), kan een model de status van de auto voorspellen op basis van alle gelabelde trainingsgegevens van geparkeerde auto's.

De zelfrijdende auto-industrie is overgestapt van ontwikkeling op basis van strikt gedefinieerde vereisten naar een benadering waarbij het werkingsgebied van de auto statistisch wordt weergegeven en verkend in een complexe, hoogdimensionale ruimte. Dit heeft geleid tot verbeterde prestaties, maar ook tot een afname van de interpreteerbaarheid.

Wij geloven dat een vergelijkbare verschuiving op komst is in de life sciences. De complexiteit en diversiteit van de biologie (inclusief de complexe interacties tussen ziekten en populaties) bevat veel meer informatie dan kan worden vastgelegd in door mensen begrepen concepten. Om deze complexiteit in besluitvorming te integreren, zal de farmaceutische industrie overstappen van traditionele vereenvoudigde datarepresentaties naar hogere-orde datarepresentaties.

Bijvoorbeeld, belangrijke vragen zoals "Welke patiëntenpopulatie zal waarschijnlijk het meest profiteren van mijn nieuwe kandidaat-geneesmiddel?" zullen verschuiven van intuïtieve of op heuristieken gebaseerde beslissingen naar datagestuurde besluitvorming. En de algoritmen die deze vragen beantwoorden, zullen vertrouwen op complexe, hoogdimensionale datarepresentaties.

Een geautomatiseerde data-engine bouwen

De zelfrijdende auto-industrie is aan het overstappen van training met beperkte, intern verzamelde gegevens naar training met automodellen. Modellen worden voortdurend verbeterd op basis van gegevens die worden verzameld terwijl klantvoertuigen in de echte wereld rijden. De gegevens die worden verzameld van klantvoertuigen zijn nu een van de belangrijkste activa die autofabrikanten bezitten in de race naar zelfrijdende auto's. Geautomatiseerde gegevensverzameling via een grootschalige data-engine is de enige manier om de verscheidenheid aan gegevens te verzamelen die nodig is om inzicht te krijgen in de complexe omgeving waarin voertuigen worden ingezet.

We verwachten dat dezelfde dynamiek zich zal voordoen in de life sciences. Deze 'real-time dataverzameling' zal plaatsvinden tijdens de gehele ontdekking, ontwikkeling en klinische fase:

• Grootschalige in silico-ontwerp en virtuele screening van geneesmiddelen
• Geautomatiseerde robot natte labs, geïntegreerd met AI-wetenschappers
• Schaalbare organisatie, opslag en iteratieve training van historische klinische resultaten
• Unieke bronnen van uitgebreide klinische gegevens, inclusief multimodale, high-fidelity patiëntgegevens op niveau
• Geautomatiseerde analyse en inzichten uit marktgegevens (bijv. bijwerkingen, patiëntervaringen met producten, aanvragen voor medische informatie)

Een geautomatiseerde data-engine verbetert producten en processen automatisch met gegevens verzameld tijdens alle fasen van de ontwikkeling van geneesmiddelen.

Voor succes is het nodig om herhaaldelijk veel data te verzamelen. Elk experiment en elke behandeling zal een gelegenheid zijn om meer data te verzamelen voor toekomstige ontwikkelingen. Met andere woorden, de verzamelde data in elke stap moet worden gebruikt om alle stappen in de ontdekking en ontwikkeling van geneesmiddelen te verbeteren.

Vanwege de regelgevende en veiligheidseisen in de life sciences en de heterogeniteit van biologische gegevens, zal deze data-engine er anders uitzien dan die voor zelfrijdende auto's, maar het fundamentele doel – een diepgaande en geautomatiseerde integratie tussen gegevensverzameling en productontwikkeling – blijft hetzelfde. Succesvolle bedrijven zullen zien dat herhaalde iteraties van toekomstige producten automatisch verbeteren op basis van nieuw verzamelde gegevens.

Plannen op lange termijn

Het succes van zelfrijdende auto's heeft langer geduurd dan gepland. De winnaars waren in staat om meer dan 10 jaar lang enorme investeringen in de ontwikkeling te doen. Hetzelfde geldt voor AI voor de life sciences. De huidige hype is een kans op toekomstgericht denken dat leidt tot instroom van talent en kapitaal in dit veld. Maar de winnaars zullen degenen zijn die een langetermijnvisie hebben, zelfs met weinig onmiddellijke resultaten.

Met andere woorden: het is een lange weg. Zijn er investeerders, partners of klanten die de financiering voor deze reis kunnen verzorgen? Kan men meerdere klinische mislukkingen doorstaan terwijl de data-engine wordt opgebouwd als platform?

Het automatiseringsniveau overwegen

Zelfrijdende auto's zijn niet perfect, maar er is een nuttige classificatie voor het classificeren van automatiseringsniveaus. De SAE-classificatie van automatiseringsniveaus voor zelfrijdende auto's categoriseert automatiseringssystemen in zes niveaus, van niveau 0 (geen automatisering) tot niveau 5 (volledige automatisering).

Rijhulp en volledig zelfrijdende auto's vereisen verschillende benaderingen en investeringen. Daarom hebben alle zelfrijdende autoprogramma's verschillende vereisten en plannen, afhankelijk van het automatiseringsniveau dat wordt ontwikkeld. De SAE-classificatie van zelfrijdende auto's wordt vaak gebruikt om dit bondig uit te drukken.

De variatie in automatiseringsdoelen tussen programma's is ook aanwezig in de life sciences. Welk deel van de pijplijn zal worden geautomatiseerd? Sommige bedrijven zullen slechts een klein deel van het ontdekkingsproces automatiseren, bijvoorbeeld alleen in silico-screening, terwijl ze traditionele methoden voor geneesmiddelenontwikkeling gebruiken voor de rest van de stack. Andere bedrijven zullen proberen een platform te bouwen met als doel volledig autonome en iteratieve ontdekking en ontwikkeling van geneesmiddelen.

Verschillende benaderingen vereisen verschillende structuren, tools en kapitaalstructuren. Het definiëren van het automatiseringsniveau zorgt ervoor dat de sector een gedeelde taal en roadmap heeft, bovenop het algemene doel van 'AI-adoptie'.

De weg voorwaarts

De weg voorwaarts zal lang en moeilijk zijn. Er zullen veel mislukkingen zijn, maar succes zal het potentieel van life sciences herdefiniëren.

Referentie

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