Przyszłość biomedycyny w świetle autonomicznej jazdy

Po latach oczekiwania, samochody autonomiczne w końcu się pojawiły. Chociaż ambitne początkowe cele i wygórowane oczekiwania nie zostały w pełni spełnione, osiągnięto znaczący postęp.

Samochody w pełni i częściowo autonomiczne należą obecnie do najbardziej zaawansowanych technologii sztucznej inteligencji (AI). Dzisiaj, w San Francisco, zamawiając Waymo za pomocą telefonu komórkowego, po kilku minutach podjedzie cicho biały Jaguar I-Pace, pokryty czujnikami rotacyjnymi, z pustym fotelem kierowcy. Również funkcje wspomagania jazdy w zwykłych samochodach, takie jak automatyczne utrzymywanie pasa ruchu, rozwijają się w szybkim tempie.

Wraz z dojrzewaniem branży autonomicznej, osoby utalentowane i zainteresowane przechodzą do innych zastosowań AI, w tym nauk przyrodniczych, i wierzymy, że ten napływ talentów może pomóc w rozwoju nauk przyrodniczych. Sztuczna inteligencja w naukach przyrodniczych również przejdzie przez proces stopniowego budowania sukcesów po początkowym wzroście oczekiwań, ostatecznie zmieniając branżę.

Na podstawie tych obserwacji uważamy, że cztery lekcje wyniesione z branży autonomicznej mogą być zastosowane do AI w odkrywaniu i opracowywaniu leków.

Przejście do wysokowymiarowych reprezentacji danych

Wraz z ulepszaniem podstawowych danych i modeli w danym obszarze, więcej decyzji przenosi się z algorytmów zdefiniowanych przez człowieka, które można wytłumaczyć, na modele "czarnej skrzynki". Widzimy to również w rozwoju oprogramowania do autonomicznej jazdy, gdzie branża stopniowo przyjmuje nauczone reprezentacje sceny wokół pojazdu i modele uczenia się, które kontrolują więcej funkcji w stosie.

Na przykład, zamiast kodować algorytm identyfikujący, czy samochód jest zaparkowany (na podstawie względnej prędkości w stosunku do pojazdu autonomicznego), model może przewidywać stan pojazdu na podstawie wszystkich oznaczonych danych uczących o zaparkowanych pojazdach.

Branża autonomicznej jazdy przeszła od rozwoju opartego na ściśle zdefiniowanych wymaganiach do modelowania w złożonej, wysokowymiarowej przestrzeni, która pozwala na statystyczną reprezentację i eksplorację przestrzeni roboczej pojazdu. Doprowadziło to do poprawy wydajności, ale kosztem zmniejszonej interpretowalności.

Wierzymy, że podobna zmiana nadchodzi również w naukach przyrodniczych. Złożoność i różnorodność biologii (w tym złożone interakcje między chorobami a populacjami) zawierają znacznie więcej informacji niż reprezentacje, które można zrozumieć intuicyjnie. Aby uwzględnić tę złożoność w podejmowaniu decyzji, branża farmaceutyczna przejdzie od uproszczonych reprezentacji danych do wysokowymiarowych.

Na przykład, takie istotne pytania, jak "Która populacja pacjentów prawdopodobnie odniesie największe korzyści z mojego kandydata na lek?", będą przechodzić od decyzji opartych na intuicji lub heurystyce do decyzji opartych na danych. A algorytmy odpowiadające na te pytania będą polegać na złożonych, wysokowymiarowych reprezentacjach danych.

Budowanie zautomatyzowanego silnika danych

Branża autonomicznej jazdy przeszła od uczenia się na podstawie ograniczonych danych zebranych wewnętrznie do uczenia się w pętli zamkniętej. Modele są stale ulepszane na podstawie danych zebranych podczas jazdy pojazdów klientów w środowisku rzeczywistym. Dane zebrane z pojazdów klientów są obecnie jednym z najważniejszych aktywów producentów samochodów w wyścigu o autonomię. Zautomatyzowane zbieranie danych za pomocą silników danych dużej skali jest jedynym sposobem na zebranie różnorodnych danych potrzebnych do zrozumienia złożonych środowisk, w których działają pojazdy.

Oczekujemy, że ta sama dynamika będzie miała miejsce w naukach przyrodniczych. To "zbieranie danych w czasie rzeczywistym" będzie miało miejsce na wszystkich etapach odkrywania, rozwoju i badań klinicznych:

Duża skala projektowania in silico i wirtualnego przesiewania terapii
Zautomatyzowane robotyczne laboratoria mokre zintegrowane z naukowcami AI
Skalowalne organizowanie, przechowywanie i ponowne uczenie się na podstawie wyników wcześniejszych badań klinicznych
Unikalne źródła szerokich danych klinicznych, w tym wielomodalne, bogate w informacje dane na poziomie pacjenta
Automatyczna analiza i pozyskiwanie informacji z danych rynkowych (np. działania niepożądane, doświadczenia pacjentów z produktem, żądania informacji medycznych)

Zautomatyzowany silnik danych automatycznie ulepsza produkty i procesy na podstawie danych zebranych na wszystkich etapach rozwoju leków.

Kluczem do sukcesu jest wielokrotne i obfite zbieranie danych. Każde przeprowadzone doświadczenie i recepta to okazja do zebrania większej ilości danych dla przyszłego rozwoju. Oznacza to, że dane zebrane na każdym etapie powinny być wykorzystywane do ulepszania wszystkich aspektów odkrywania i rozwoju leków.

Ze względu na wymogi regulacyjne i bezpieczeństwa w naukach przyrodniczych oraz heterogeniczność danych biologicznych, ten silnik danych będzie wyglądał inaczej niż w przypadku autonomicznej jazdy, ale podstawowy cel głębokiej i zautomatyzowanej integracji między zbieraniem danych a rozwojem produktu pozostanie taki sam. Sukcesy firmy będą widoczne w automatycznej poprawie przyszłych iteracji produktu w oparciu o nowo zebrane dane.

Planowanie długoterminowe

Sukces autonomicznej jazdy zajął dłużej niż planowano. Zwycięzcy byli w stanie zainwestować ogromne zasoby w rozwój przez ponad 10 lat. To samo dotyczy AI w naukach przyrodniczych. Obecne zainteresowanie to szansa na myślenie przyszłościowe, przyciągające talenty i kapitał do tej dziedziny. Jednak zwycięzcami będą ci, którzy zaplanują długotrwały wysiłek, z niewielkimi lub żadnymi natychmiastowymi zwrotami.

Oznacza to, że potrzebny jest długoterminowy zapał. Czy masz inwestorów, partnerów lub klientów, którzy wesprą finansowo tę podróż? Czy będziesz w stanie wytrzymać wiele niepowodzeń klinicznych, podczas gdy silnik danych jest budowany jako platforma?

Rozważanie poziomu automatyzacji

Autonomiczna jazda nie jest doskonała, ale wykorzystuje użyteczną klasyfikację do kategoryzacji poziomów autonomii. Poziomy autonomii SAE dzielą systemy automatyki na 6 poziomów, od poziomu 0 (brak automatyzacji) do poziomu 5 (pełna automatyzacja).

Wspomaganie jazdy i pełna autonomiczna jazda wymagają różnych podejść i inwestycji. Dlatego każdy program autonomicznej jazdy będzie miał różne wymagania i plany w zależności od poziomu automatyzacji, nad którym pracuje. Klasyfikacja autonomii SAE jest przydatna do podsumowania tego.

Różne cele automatyzacji w różnych programach są również widoczne w naukach przyrodniczych. Którą część potoku chcesz zautomatyzować? Niektóre firmy zautomatyzują tylko niewielką część procesu odkrywania, na przykład in silico screening, i zastosują tradycyjne metody rozwoju leków do reszty stosu. Inne firmy będą dążyć do zbudowania platformy, której celem jest w pełni autonomiczne i iteracyjne odkrywanie i opracowywanie leków.

Różne podejścia będą wymagały różnych struktur, narzędzi i struktur kapitałowych. Definicja poziomu autonomii pozwoli branży mieć wspólny język i mapę drogową wykraczającą poza ogólny cel "przyjęcia AI".

Droga przed nami

Droga przed nami będzie długa i kręta. Będzie wiele porażek, ale sukcesy zrewolucjonizują potencjał nauk przyrodniczych.

Referencje

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