Будущее биомедицины: уроки беспилотного вождения

После многих лет ожидания, наконец-то появились автомобили с автономным управлением. Хотя амбициозные первоначальные цели и завышенные ожидания не были полностью оправданы, все же достигнут значительный прогресс.

Автомобили с полным и частичным автономным управлением в настоящее время являются одним из самых зрелых применений искусственного интеллекта (ИИ). Сегодня в Сан-Франциско, вызвав Waymo по телефону, через несколько минут к вам бесшумно подъедет белый Jaguar I-Pace, покрытый вращающимися датчиками, с пустым местом водителя. Кроме того, вспомогательные функции вождения в обычных автомобилях, такие как автоматическое удержание полосы движения, также продолжают развиваться быстрыми темпами.

По мере того, как индустрия автономного вождения становится все более зрелой, таланты и интерес перетекают в другие области применения ИИ, включая биомедицину, и мы верим, что этот приток талантов может способствовать развитию биомедицины. ИИ в биомедицине также пройдет через стадию завышенных ожиданий, за которой последуют постепенные успехи, которые в конечном итоге переопределят отрасль.

На основе этого мы считаем, что четыре урока, извлеченные из индустрии автономного вождения, могут быть применены к ИИ для открытия и разработки новых лекарств.

Переход к высокоразмерным представлениям данных

По мере улучшения базовых данных и моделей в конкретных областях все больше решений переходит от интерпретируемых алгоритмов, определяемых человеком, к моделям «черного ящика». Это также наблюдается в разработке программного обеспечения для автономного вождения, где отрасль постепенно переходит к обученным представлениям сцены вокруг транспортного средства и к обученным моделям, которые управляют большей частью функциональности стека.

Например, вместо того, чтобы жестко кодировать алгоритм для идентификации припаркованного автомобиля (на основе относительной скорости по отношению к автономному транспортному средству), модель может предсказывать состояние транспортного средства на основе всех помеченных данных обучения припаркованных автомобилей.

Индустрия автономного вождения перешла от разработки на основе жестко определенных требований к моделированию сложных высокоразмерных пространств, которые могут статистически представлять и исследовать область работы транспортного средства. Это привело к повышению производительности, но снижению интерпретируемости.

Мы считаем, что в биомедицине произойдут такие же изменения. Сложность и разнообразие биологии (включая сложные взаимодействия между болезнями и популяциями) содержат гораздо больше информации, чем можно выразить в понятных человеку концепциях. Для учета этой сложности фармацевтическая промышленность перейдет от упрощенных представлений данных к высокоразмерным представлениям данных.

Например, такие важные вопросы, как «какая популяция пациентов, скорее всего, получит наибольшую пользу от моего кандидата в лекарственные средства?», перейдут от интуитивных или эвристических решений к решениям на основе данных. И алгоритмы для ответа на эти вопросы будут полагаться на сложные высокоразмерные представления данных.

Создание автоматизированного механизма обработки данных

Индустрия автономного вождения переходит от обучения на ограниченных данных, собранных внутри компании, к обучению моделей транспортных средств. Модели постоянно улучшаются на основе данных, собранных транспортными средствами клиентов в реальных условиях. Данные, собранные с транспортных средств клиентов, теперь являются одним из самых ценных активов автопроизводителей в гонке за автономностью. Автоматизированный сбор данных с помощью больших данных — это единственный способ собрать различные данные, необходимые для построения понимания сложной среды, в которой работают транспортные средства.

Мы ожидаем, что в биомедицине будет наблюдаться аналогичная динамика. Этот "сбор данных в реальном времени" будет происходить на всех этапах открытия, разработки и клинических испытаний:

• Масштабное in silico проектирование и виртуальный скрининг терапевтических средств
• Автоматизированные роботизированные мокрые лаборатории, интегрированные с ИИ-учеными
• Масштабируемая организация, сохранение и повторное обучение на основе результатов прошлых клинических испытаний
• Уникальные источники обширных клинических данных, включая мультимодальные, высококачественные данные на уровне пациентов
• Автоматизированный анализ и получение информации из рыночных данных (например, побочные эффекты, опыт пациентов с продуктом, запросы медицинской информации)

Автоматизированный механизм обработки данных автоматически улучшает продукты и процессы на основе данных, собранных на всех этапах разработки лекарственных препаратов.

Для успеха необходимо многократный сбор больших объемов данных. Каждый эксперимент и рецепт представляют собой возможность для сбора дополнительных данных для будущей разработки. То есть данные, собранные на каждом этапе, должны использоваться для улучшения всех этапов открытия и разработки лекарств.

Из-за нормативных и безопасных требований в биомедицине и гетерогенности биологических данных этот механизм обработки данных будет выглядеть иначе, чем в автономном вождении, но его основная цель — глубокая и автоматизированная интеграция между сбором данных и разработкой продуктов — остается той же. Успешные компании увидят, как последующие итерации продуктов будут автоматически улучшаться на основе вновь собранных данных.

Планирование на долгосрочную перспективу

Успех автономного вождения занял больше времени, чем планировалось. Победители могли позволить себе вкладывать огромные средства в разработку в течение более 10 лет. То же самое относится и к ИИ для биомедицины. Нынешний ажиотаж — это возможность для будущего мышления, которая привлекает в эту область таланты и капитал. Однако победителем станет тот, кто будет планировать долгосрочные усилия, даже при минимальных краткосрочных результатах.

Другими словами, потребуются долгосрочные усилия. Есть ли у вас инвесторы, партнеры или клиенты, которые могут профинансировать это путешествие? Сможете ли вы пережить несколько клинических неудач, пока ваш механизм обработки данных будет создаваться как платформа?

Учитывайте уровень автоматизации

Автономное вождение не идеально, но использует полезную классификацию для классификации уровня автономности. Уровни автономного вождения SAE классифицируют системы автоматизации по шести уровням, включая уровень 0 (без автоматизации), уровень 2 (частичная автоматизация вождения) и уровень 5 (полная автоматизация вождения).

Помощь водителю и полностью автономное вождение требуют разных подходов и инвестиций. Таким образом, все программы автономного вождения имеют разные требования и планы в зависимости от уровня автоматизации, который разрабатывается. Классификация автономного вождения SAE используется для краткого описания этого.

Разные цели автоматизации в разных программах актуальны и для биомедицинской области. Какие части конвейера вы будете автоматизировать? Некоторые компании будут автоматизировать лишь малую часть процесса открытия, например, только in silico скрининг, используя традиционную методологию разработки лекарств для остальной части стека. Другие компании будут стремиться создать платформу, ориентированную на полностью автономное и итеративное открытие и разработку лекарств.

Различные подходы потребуют различных структур, инструментов и структуры капитала. Определение уровня автономности позволит отрасли иметь общий язык и дорожную карту, выходящую за рамки общей цели "внедрения ИИ".

Предстоящий путь

Предстоящий путь будет долгим и трудным. Будут многочисленные неудачи, но успех переопределит потенциал биомедицины.

Ссылка

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