O futuro da biociência aprendido com a direção autônoma

Após anos de espera, os veículos autônomos finalmente chegaram. Embora as ambiciosas metas iniciais e as expectativas infladas não tenham sido totalmente atendidas, houve um progresso considerável.

Veículos totalmente autônomos e parcialmente autônomos agora representam uma das tecnologias de Inteligência Artificial (IA) mais maduras. Hoje em dia, em São Francisco, você pode pedir um Waymo pelo seu celular e, alguns minutos depois, um Jaguar I-Pace branco, coberto por sensores rotativos, chegará silenciosamente com o assento do motorista vazio. Além disso, os recursos de direção assistida em veículos comuns, como o auxílio de permanência em faixa, também estão evoluindo rapidamente.

À medida que a indústria de veículos autônomos amadurece, talentos com interesse e aptidão em outras aplicações de IA, incluindo ciências biológicas, estão constantemente migrando, e acreditamos que essa entrada pode orientar o progresso das ciências biológicas. A IA na área de ciências biológicas também passará por um processo de acúmulo de sucessos graduais após uma expectativa inicial inflada, redefinindo a indústria.

Com base nisso, acreditamos que quatro lições aprendidas na indústria de veículos autônomos podem ser aplicadas à IA para descoberta e desenvolvimento de novos medicamentos.

Mudança para representações de dados de alta dimensão

À medida que os dados e modelos básicos dentro de um domínio específico melhoram, mais decisões estão migrando de algoritmos explicáveis definidos por humanos para modelos "caixa-preta". Isso também está acontecendo no desenvolvimento de software para veículos autônomos, com a indústria gradualmente adotando representações aprendidas da cena ao redor do veículo e modelos aprendidos para controlar mais funcionalidades da pilha.

Por exemplo, em vez de codificar rigidamente um algoritmo para identificar se um carro está estacionado (com base na velocidade relativa em relação ao veículo autônomo), o modelo pode prever o estado do veículo com base em todos os dados de treinamento rotulados de veículos estacionados.

A indústria de veículos autônomos mudou de um desenvolvimento baseado em requisitos rigidamente definidos para modelar o espaço de operação do veículo como um espaço complexo e de alta dimensão que pode ser explorado e representado estatisticamente. Isso resultou em ganhos de desempenho, mas com uma crescente perda de interpretabilidade.

Acreditamos que a mesma mudança está se aproximando das ciências biológicas. A complexidade e a variedade da biologia (incluindo interações complexas entre doenças e populações) contêm muito mais informações do que podem ser capturadas em representações conceituais humanas. Para incorporar essa complexidade na tomada de decisões, a indústria farmacêutica mudará de representações de dados simplificadas para representações de dados de alta dimensão.

Por exemplo, perguntas importantes, como "Qual população de pacientes tem maior probabilidade de se beneficiar do meu candidato a medicamento?", mudarão de decisões baseadas em intuição ou heurísticas para decisões baseadas em dados. E os algoritmos para responder a essas perguntas dependerão de representações de dados complexas e de alta dimensão.

Construindo uma máquina de dados automatizada

A indústria de veículos autônomos está mudando de um aprendizado baseado em dados limitados coletados internamente para modelos de aprendizado de veículos. Os modelos estão sendo continuamente aprimorados com base nos dados coletados pelos veículos dos clientes enquanto eles dirigem no mundo real. Os dados coletados dos veículos dos clientes agora são um dos ativos mais importantes que os fabricantes de automóveis possuem na corrida para a direção autônoma. A coleta automatizada de dados por meio de um motor de dados em larga escala é a única maneira de coletar a variedade de dados necessários para construir uma compreensão dos ambientes complexos em que os veículos são implantados.

Esperamos ver a mesma dinâmica nas ciências biológicas. Essa "coleta de dados em tempo real" ocorrerá em todas as fases de descoberta, desenvolvimento e clínico:

• Design in silico em larga escala e triagem virtual de terapias
• Laboratórios de bancada molhados automatizados integrados com cientistas de IA
• Cura, preservação e aprendizagem repetida de resultados de ensaios clínicos anteriores escaláveis
• Fontes exclusivas de dados clínicos abrangentes, incluindo dados de pacientes multimodais e de alta fidelidade
• Obtenção de insights e análises automatizadas de dados de mercado (por exemplo, eventos adversos, experiência do paciente com o produto, solicitações de informações médicas)

O motor de dados automatizado melhora automaticamente os produtos e processos com base nos dados coletados em todas as fases do desenvolvimento de medicamentos.

Para o sucesso, é necessário coletar muitos dados repetidamente. Cada experimento e prescrição será uma oportunidade para coletar mais dados para o desenvolvimento futuro. Ou seja, os dados coletados em cada etapa devem ser usados para melhorar todas as etapas da descoberta e desenvolvimento de novos medicamentos.

Devido aos requisitos regulatórios e de segurança das ciências biológicas e à heterogeneidade dos dados biológicos, este motor de dados parecerá diferente da direção autônoma, mas o objetivo fundamental de uma integração profunda e automatizada entre a coleta de dados e o desenvolvimento de produtos será o mesmo. Empresas de sucesso verão iterações futuras de produtos melhorando automaticamente com base nos dados recém-coletados.

Planejar a longo prazo

O sucesso da direção autônoma levou mais tempo do que o planejado. Os vencedores estavam em posição de investir pesadamente no desenvolvimento por mais de 10 anos. O mesmo se aplica à IA para ciências biológicas. O hype atual é uma oportunidade para o pensamento a longo prazo, trazendo talentos e capital para o campo. No entanto, os vencedores serão aqueles que planejam esforços a longo prazo com pouco retorno imediato.

Ou seja, é necessário um esforço a longo prazo. Existem investidores, parceiros ou clientes para financiar essa jornada? Será possível suportar múltiplas falhas clínicas enquanto o motor de dados é construído como uma plataforma?

Considerando o nível de automação

A direção autônoma não é perfeita, mas usa uma classificação útil para classificar os níveis de autonomia. Os níveis de direção autônoma da SAE classificam os sistemas de automação em 6 níveis, incluindo nível 0 (sem automação), nível 2 (automação parcial de direção) e nível 5 (automação total de direção).

A assistência ao motorista e a direção autônoma total exigem abordagens e investimentos diferentes. Portanto, todos os programas de direção autônoma têm requisitos e planos diferentes com base no nível de automação em desenvolvimento. A classificação de automação da SAE é usada para comunicar isso de forma concisa.

A variação nos objetivos de automação entre programas também é verdadeira para as ciências biológicas. Que parte do pipeline será automatizada? Algumas empresas automatizarão apenas uma pequena parte do processo de descoberta, como a triagem in silico, e adotarão metodologias tradicionais de desenvolvimento de medicamentos para o restante da pilha. Outras empresas terão como objetivo construir plataformas que busquem a descoberta e o desenvolvimento totalmente autônomos e iterativos de novos medicamentos.

Abordagens diferentes exigirão estruturas, ferramentas e estruturas de capital diferentes. A definição de níveis de autonomia permitirá que a indústria tenha uma linguagem e um roteiro comuns além do objetivo comum de "adoção de IA".

O caminho a seguir

O caminho a seguir será longo e árduo. Haverá muitas falhas, mas o sucesso redefinirá o potencial das ciências biológicas.

Referência

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