เรียนรู้จากเทคโนโลยีการขับขี่อัตโนมัติ: มองอนาคตของวิทยาศาสตร์ชีวภาพ

หลังจากรอคอยมานานหลายปี ในที่สุดรถยนต์ขับขี่อัตโนมัติก็ได้ถือกำเนิดขึ้นแล้ว แม้ว่าเป้าหมายแรกเริ่มอันทะเยอทะยานและความคาดหวังที่สูงเกินจริงของผู้คนจะไม่เป็นจริงทั้งหมด แต่ก็ยังมีพัฒนาการที่สำคัญเกิดขึ้น

รถยนต์ขับขี่อัตโนมัติอย่างเต็มรูปแบบและบางส่วนในปัจจุบันเป็นหนึ่งในเทคโนโลยี AI ที่พัฒนาแล้วมากที่สุด ในปัจจุบันนี้ หากคุณเรียกใช้ Waymo ในซานฟรานซิสโกด้วยโทรศัพท์มือถือของคุณ ภายในไม่กี่นาที รถยนต์ Jaguar I-Pace สีขาวที่ติดตั้งเซ็นเซอร์แบบหมุนจะมาถึงอย่างเงียบๆ โดยไม่มีคนขับ นอกจากนี้ ฟังก์ชันการช่วยเหลือการขับขี่ในรถยนต์ทั่วไป เช่น การรักษาช่องทางการขับขี่ ก็ยังคงพัฒนาอย่างรวดเร็วเช่นกัน

เมื่ออุตสาหกรรมการขับขี่อัตโนมัติเติบโตขึ้น บุคลากรที่มีความสนใจและความสามารถในสาขาอื่นๆ เช่น ชีววิทยาศาสตร์ ก็จะย้ายไปเรื่อยๆ และเรามั่นใจว่าการไหลเข้าของบุคลากรเหล่านี้จะช่วยผลักดันความก้าวหน้าของชีววิทยาศาสตร์ AI ในสาขาชีววิทยาศาสตร์ก็เช่นเดียวกัน หลังจากความคาดหวังสูงๆ ของผู้คนแล้ว ก็จะได้รับความสำเร็จอย่างค่อยเป็นค่อยไปและปรับเปลี่ยนอุตสาหกรรมในที่สุด

จากข้อมูลข้างต้น เราเชื่อว่าบทเรียนสี่ข้อจากอุตสาหกรรมการขับขี่อัตโนมัติสามารถนำไปใช้กับ AI สำหรับการค้นพบและพัฒนา ยาใหม่ได้

การเปลี่ยนไปใช้การแสดงข้อมูลระดับสูง

เมื่อข้อมูลพื้นฐานและแบบจำลองภายในโดเมนเฉพาะดีขึ้น การตัดสินใจมากขึ้นจะเปลี่ยนจากอัลกอริธึมที่กำหนดโดยมนุษย์และสามารถอธิบายได้ไปสู่แบบจำลอง "กล่องดำ" นี่เป็นสิ่งที่เกิดขึ้นในด้านการพัฒนาซอฟต์แวร์สำหรับการขับขี่อัตโนมัติเช่นกัน โดยอุตสาหกรรมได้นำการแสดงที่เรียนรู้เกี่ยวกับฉากรอบๆ รถและแบบจำลองการเรียนรู้ที่ควบคุมฟังก์ชันเพิ่มเติมในสแต็กมาใช้มากขึ้นเรื่อยๆ

ตัวอย่างเช่น แทนที่จะเขียนอัลกอริธึมเพื่อระบุว่ารถจอดอยู่หรือไม่ (ขึ้นอยู่กับความเร็วสัมพัทธ์กับรถยนต์ขับขี่อัตโนมัติ) แบบจำลองสามารถทำนายสถานะของรถได้โดยพิจารณาจากข้อมูลการฝึกฝนที่มีการติดฉลากทั้งหมดของรถที่จอดอยู่

อุตสาหกรรมการขับขี่อัตโนมัติได้เปลี่ยนจากการพัฒนาตามข้อกำหนดที่กำหนดไว้อย่างเข้มงวดไปสู่การสร้างแบบจำลองพื้นที่ขนาดใหญ่และซับซ้อนที่มีมิติมากขึ้น ซึ่งสามารถแสดงและสำรวจพื้นที่การทำงานของยานพาหนะได้อย่างเป็นทางสถิติ สิ่งนี้ทำให้ประสิทธิภาพดีขึ้น แต่ความสามารถในการตีความลดลง

เราเชื่อว่าการเปลี่ยนแปลงเดียวกันกำลังจะเกิดขึ้นในชีววิทยาศาสตร์ ความซับซ้อนและความหลากหลายทางชีวภาพ (รวมถึงปฏิกิริยาที่ซับซ้อนระหว่างโรคและกลุ่มประชากร) มีข้อมูลมากกว่าที่มนุษย์สามารถเข้าใจได้ เพื่อรวมความซับซ้อนนี้เข้ากับการตัดสินใจ อุตสาหกรรมเภสัชกรรมจะเปลี่ยนจากการแสดงข้อมูลที่ง่ายไปสู่การแสดงข้อมูลที่มีมิติมากขึ้น

ตัวอย่างเช่น คำถามที่สำคัญ เช่น "กลุ่มผู้ป่วยกลุ่มใดที่จะได้รับประโยชน์สูงสุดจากสารประกอบตัวใหม่ของเรา?" จะเปลี่ยนจากการตัดสินใจโดยสัญชาตญาณหรือฮิวริสติกไปสู่การตัดสินใจตามข้อมูล และอัลกอริธึมสำหรับการตอบคำถามเหล่านี้จะขึ้นอยู่กับการแสดงข้อมูลที่มีมิติมากขึ้น

สร้างเครื่องมือวิเคราะห์ข้อมูลอัตโนมัติ

อุตสาหกรรมการขับขี่อัตโนมัติได้เปลี่ยนจากการเรียนรู้ด้วยข้อมูลจำกัดที่รวบรวมภายในไปสู่การใช้แบบจำลองการเรียนรู้ของยานพาหนะ แบบจำลองได้รับการปรับปรุงอย่างต่อเนื่องโดยใช้ข้อมูลที่รวบรวมจากรถยนต์ของลูกค้าขณะขับขี่ในสภาพแวดล้อมจริง ข้อมูลที่รวบรวมจากรถยนต์ของลูกค้ากลายเป็นหนึ่งในสินทรัพย์ที่มีค่าที่สุดสำหรับผู้ผลิตรถยนต์ในการแข่งขันด้านการขับขี่อัตโนมัติ การรวบรวมข้อมูลโดยอัตโนมัติผ่านเครื่องมือวิเคราะห์ข้อมูลขนาดใหญ่เป็นวิธีเดียวที่จะรวบรวมข้อมูลที่หลากหลายที่จำเป็นในการสร้างความเข้าใจเกี่ยวกับพื้นที่ที่ซับซ้อนซึ่งยานพาหนะถูกใช้งาน

เราคาดว่าจะเห็นพลวัตเดียวกันนี้เกิดขึ้นในชีววิทยาศาสตร์ การ "รวบรวมข้อมูลแบบเรียลไทม์" นี้จะเกิดขึ้นตลอดกระบวนการค้นพบ การพัฒนา และการทดลองทางคลินิก

• การออกแบบในซิลิโกขนาดใหญ่และการคัดกรองเสมือนของยา
• ห้องปฏิบัติการเปียกแบบอัตโนมัติที่ผสานรวมกับนักวิทยาศาสตร์ AI
• การจัดระเบียบ การจัดเก็บ และการเรียนรู้ซ้ำๆ ของผลลัพธ์จากการทดลองทางคลินิกในอดีต
• แหล่งข้อมูลเฉพาะของข้อมูลระดับผู้ป่วยที่มีความซื่อสัตย์สูงและมัลติโมดอล
• การวิเคราะห์และการรับรู้ข้อมูลโดยอัตโนมัติจากข้อมูลตลาด (เช่น ผลข้างเคียง ประสบการณ์ของผู้ป่วยเกี่ยวกับผลิตภัณฑ์ คำขอข้อมูลทางการแพทย์)

เครื่องมือวิเคราะห์ข้อมูลอัตโนมัติจะปรับปรุงผลิตภัณฑ์และกระบวนการโดยอัตโนมัติโดยใช้ข้อมูลที่รวบรวมตลอดกระบวนการพัฒนายา

เพื่อให้ประสบความสำเร็จ จำเป็นต้องรวบรวมข้อมูลซ้ำๆ เป็นจำนวนมาก การทดลองและการสั่งจ่ายแต่ละครั้งจะเป็นโอกาสในการรวบรวมข้อมูลเพิ่มเติมสำหรับการพัฒนาในอนาคต กล่าวคือ ข้อมูลที่รวบรวมในแต่ละขั้นตอนควรใช้เพื่อปรับปรุงทุกขั้นตอนของการค้นพบและพัฒนายา

เนื่องจากข้อกำหนดด้านกฎระเบียบและความปลอดภัยของชีววิทยาศาสตร์และความแตกต่างของข้อมูลทางชีววิทยา เครื่องมือวิเคราะห์ข้อมูลนี้จะดูแตกต่างจากการขับขี่อัตโนมัติ แต่เป้าหมายพื้นฐานคือการผสานรวมแบบอัตโนมัติอย่างลึกซึ้งระหว่างการรวบรวมข้อมูลและการพัฒนาผลิตภัณฑ์ บริษัทที่ประสบความสำเร็จจะเห็นการปรับปรุงซ้ำๆ ของผลิตภัณฑ์ในอนาคตโดยอัตโนมัติโดยอิงจากข้อมูลใหม่ที่รวบรวม

วางแผนระยะยาว

ความสำเร็จของการขับขี่อัตโนมัติใช้เวลานานกว่าที่วางแผนไว้ ผู้ชนะอยู่ในตำแหน่งที่จะลงทุนอย่างมากมายในการพัฒนามานานกว่า 10 ปี AI สำหรับชีววิทยาศาสตร์ก็เช่นกัน ความสนใจอย่างมากในปัจจุบันเป็นโอกาสสำหรับความคิดที่มองการณ์ไกลที่จะดึงดูดผู้คนและเงินทุนเข้าสู่สาขานี้ แต่ผู้ชนะจะเป็นคนที่วางแผนที่จะทำงานในระยะยาวโดยมีผลลัพธ์ในทันทีเพียงเล็กน้อย

นั่นหมายความว่าต้องใช้ความพยายามในระยะยาว คุณมีนักลงทุน พันธมิตร หรือลูกค้าที่จะสนับสนุนการเดินทางนี้หรือไม่? คุณสามารถทนต่อความล้มเหลวในการทดลองทางคลินิกหลายครั้งในขณะที่เครื่องมือวิเคราะห์ข้อมูลถูกสร้างขึ้นเป็นแพลตฟอร์มหรือไม่?

พิจารณาระดับของระบบอัตโนมัติ

การขับขี่อัตโนมัติไม่สมบูรณ์แบบ แต่มีระบบการจำแนกระดับการขับขี่อัตโนมัติที่เป็นประโยชน์ ระดับการขับขี่อัตโนมัติของ SAE แบ่งระบบอัตโนมัติออกเป็น 6 ระดับ รวมถึงระดับ 0 (ไม่มีระบบอัตโนมัติ) ระดับ 2 (การขับขี่อัตโนมัติบางส่วน) และระดับ 5 (การขับขี่อัตโนมัติเต็มรูปแบบ)

การช่วยเหลือผู้ขับขี่และการขับขี่อัตโนมัติเต็มรูปแบบต้องการวิธีการและการลงทุนที่แตกต่างกัน ดังนั้นทุกโครงการขับขี่อัตโนมัติจึงมีความต้องการและแผนที่แตกต่างกันไปขึ้นอยู่กับระดับของระบบอัตโนมัติที่กำลังพัฒนา ระบบการจำแนกระดับการขับขี่อัตโนมัติของ SAE จึงใช้เพื่อแสดงสิ่งนี้ให้กระชับขึ้น

เป้าหมายของระบบอัตโนมัติที่แตกต่างกันสำหรับแต่ละโครงการนั้นเกิดขึ้นในชีววิทยาศาสตร์เช่นกัน คุณจะทำให้ส่วนใดของสายการผลิตเป็นระบบอัตโนมัติ บริษัทบางแห่งจะทำให้ส่วนเล็กๆ ของกระบวนการค้นพบเป็นระบบอัตโนมัติ เช่น การคัดกรองในซิลิโกเท่านั้น และจะใช้วิธีการพัฒนายาแบบดั้งเดิมสำหรับส่วนที่เหลือของสายการผลิต บริษัทอื่นๆ จะมีเป้าหมายในการสร้างแพลตฟอร์มที่มุ่งสู่การค้นพบและพัฒนายาที่เป็นระบบอัตโนมัติและซ้ำซ้อนอย่างสมบูรณ์

วิธีการที่แตกต่างกันต้องการโครงสร้าง เครื่องมือ และโครงสร้างเงินทุนที่แตกต่างกัน ความหมายของระดับการทำงานอัตโนมัติจะช่วยให้อุตสาหกรรมมีภาษาและแผนที่ร่วมกันเหนือเป้าหมายทั่วไปของ "การนำ AI มาใช้"

เส้นทางข้างหน้า

เส้นทางข้างหน้าจะยาวนานและยากลำบาก จะมีการล้มเหลวมากมาย แต่ความสำเร็จจะเปลี่ยนแปลงความเป็นไปได้ของชีววิทยาศาสตร์

เอกสารอ้างอิง

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