Tương lai của khoa học sự sống học hỏi từ xe tự lái

Sau nhiều năm chờ đợi, cuối cùng xe tự lái đã xuất hiện. Mặc dù không đáp ứng được đầy đủ tham vọng ban đầu và kỳ vọng quá lớn của mọi người, nhưng vẫn có những tiến bộ đáng kể.

Xe tự lái hoàn toàn và một phần tự lái hiện là một trong những công nghệ AI trưởng thành nhất. Ngày nay, tại San Francisco, nếu bạn gọi Waymo bằng điện thoại, chỉ vài phút sau, một chiếc Jaguar I-Pace màu trắng được trang bị các cảm biến xoay sẽ lặng lẽ đến đón bạn, mà không cần người lái. Ngoài ra, các tính năng hỗ trợ lái xe trên những chiếc xe thông thường, chẳng hạn như giữ làn đường tự động, cũng đang phát triển nhanh chóng.

Khi ngành công nghiệp tự lái trưởng thành, những người tài năng và say mê công nghệ, bao gồm cả lĩnh vực khoa học sự sống, liên tục chuyển hướng sang các ứng dụng AI khác. Chúng tôi tin rằng sự gia nhập của những người tài năng này có thể đóng vai trò dẫn dắt sự phát triển của khoa học sự sống. AI trong lĩnh vực khoa học sự sống cũng sẽ trải qua quá trình định hình lại ngành công nghiệp, sau khi kỳ vọng của mọi người được thổi phồng lên, rồi tích lũy những thành công dần dần.

Dựa trên những điều này, chúng tôi tin rằng bốn bài học kinh nghiệm từ ngành công nghiệp tự lái có thể được áp dụng cho AI trong việc phát hiện và phát triển thuốc mới.

Chuyển đổi sang biểu diễn dữ liệu cấp cao

Khi dữ liệu và mô hình cơ bản được cải thiện trong một lĩnh vực cụ thể, nhiều quyết định hơn được chuyển từ các thuật toán được định nghĩa bởi con người và có thể giải thích sang các mô hình "hộp đen". Điều này cũng xảy ra trong việc phát triển phần mềm tự lái, nơi ngành công nghiệp đang dần áp dụng các biểu diễn được học về cảnh xung quanh xe và các mô hình được học để điều khiển nhiều chức năng hơn trong ngăn xếp.

Ví dụ, thay vì lập trình cứng thuật toán để xác định xem một chiếc xe có đang đỗ hay không (dựa trên tốc độ tương đối so với xe tự lái), mô hình có thể dự đoán trạng thái của xe dựa trên tất cả dữ liệu huấn luyện có nhãn về xe đang đỗ.

Ngành công nghiệp tự lái đã chuyển từ phát triển dựa trên các yêu cầu được xác định rõ ràng sang mô hình hóa không gian có chiều cao và phức tạp, cho phép biểu diễn và khám phá thống kê về không gian hoạt động của xe. Điều này dẫn đến hiệu suất tốt hơn nhưng khả năng giải thích giảm dần.

Chúng tôi tin rằng sự thay đổi tương tự đang đến với khoa học sự sống. Sự phức tạp và đa dạng của sinh học (bao gồm các tương tác phức tạp giữa bệnh tật và quần thể) chứa nhiều thông tin hơn nhiều so với những gì có thể được thể hiện bằng các khái niệm mà con người có thể hiểu. Để phản ánh sự phức tạp này trong việc ra quyết định, ngành công nghiệp dược phẩm sẽ chuyển từ các biểu diễn dữ liệu đơn giản truyền thống sang các biểu diễn dữ liệu cấp cao hơn.

Ví dụ, những câu hỏi quan trọng như "Nhóm bệnh nhân nào có khả năng hưởng lợi nhiều nhất từ ​​thuốc thử nghiệm của tôi?" sẽ chuyển từ quyết định dựa trên trực giác hoặc trực giác sang quyết định dựa trên dữ liệu. Và các thuật toán để trả lời những câu hỏi đó sẽ phụ thuộc vào các biểu diễn dữ liệu cấp cao phức tạp.

Xây dựng công cụ dữ liệu tự động

Ngành công nghiệp tự lái đang chuyển từ phương pháp học tập dựa trên dữ liệu bị hạn chế thu thập nội bộ sang các mô hình học tập của xe. Họ liên tục cải thiện mô hình dựa trên dữ liệu thu thập được từ các xe khách hàng khi lái xe trong môi trường thực tế. Dữ liệu thu thập từ xe khách hàng hiện là một trong những tài sản quan trọng nhất mà các nhà sản xuất ô tô sở hữu trong cuộc đua giành sự tự lái. Việc thu thập dữ liệu tự động thông qua các công cụ dữ liệu quy mô lớn là cách duy nhất để thu thập nhiều dữ liệu cần thiết để xây dựng sự hiểu biết về các lĩnh vực phức tạp mà xe hoạt động.

Chúng tôi dự đoán rằng cùng một động lực sẽ xảy ra trong khoa học sự sống. Việc "thu thập dữ liệu thời gian thực" này sẽ diễn ra trong suốt quá trình phát hiện, phát triển và thử nghiệm lâm sàng:

• Thiết kế quy mô lớn trong silico và sàng lọc ảo các loại thuốc
• Phòng thí nghiệm ướt tự động tích hợp với các nhà khoa học AI
• Sắp xếp, lưu trữ và học tập lặp lại dữ liệu từ các thử nghiệm lâm sàng trước đây có thể mở rộng
• Nguồn dữ liệu lâm sàng phong phú, bao gồm dữ liệu đa phương thức, trung thực ở cấp độ bệnh nhân
• Phân tích tự động và thu nhận thông tin từ dữ liệu thị trường (ví dụ: tác dụng phụ, trải nghiệm của bệnh nhân với sản phẩm, yêu cầu thông tin y tế)

Công cụ dữ liệu tự động tự động cải thiện sản phẩm và quy trình dựa trên dữ liệu thu thập được trong toàn bộ quá trình phát triển thuốc.

Để thành công, cần phải thu thập nhiều dữ liệu lặp lại. Mỗi thí nghiệm và toa thuốc sẽ là một cơ hội để thu thập thêm dữ liệu cho sự phát triển trong tương lai. Nói cách khác, dữ liệu thu thập được ở mỗi giai đoạn phải được sử dụng để cải thiện tất cả các giai đoạn của việc phát hiện và phát triển thuốc.

Do các yêu cầu về quy định và an toàn trong khoa học sự sống và sự không đồng nhất của dữ liệu sinh học, công cụ dữ liệu này sẽ khác về vẻ ngoài so với tự lái, nhưng mục tiêu cơ bản là tích hợp sâu rộng và tự động giữa việc thu thập dữ liệu và phát triển sản phẩm. Các công ty thành công sẽ thấy rằng các sản phẩm lặp lại trong tương lai được cải thiện tự động dựa trên dữ liệu mới được thu thập.

Lập kế hoạch dài hạn

Sự thành công của xe tự lái đã mất nhiều thời gian hơn so với kế hoạch. Những người chiến thắng ở vị trí có thể đầu tư rất nhiều vào phát triển trong hơn 10 năm. AI dành cho khoa học sự sống cũng vậy. Sự quan tâm mạnh mẽ hiện nay là một cơ hội để suy nghĩ về tương lai, thu hút nhân tài và vốn vào lĩnh vực này. Tuy nhiên, người chiến thắng sẽ là những người lập kế hoạch cho những nỗ lực lâu dài, với rất ít kết quả tức thì.

Điều đó có nghĩa là cần phải có một nỗ lực lâu dài. Liệu có nhà đầu tư, đối tác hoặc khách hàng nào có thể hỗ trợ tài chính cho hành trình này không? Liệu có thể chịu đựng được nhiều thất bại lâm sàng trong khi công cụ dữ liệu được xây dựng thành một nền tảng không?

Xem xét mức độ tự động hóa

Xe tự lái không hoàn hảo, nhưng chúng sử dụng một phân loại hữu ích để phân loại mức độ tự lái. Mức độ tự lái của SAE phân loại hệ thống tự động thành 6 cấp độ, bao gồm cấp độ 0 (không tự động), cấp độ 2 (tự động hóa một phần lái xe) và cấp độ 5 (tự động hóa hoàn toàn lái xe).

Hỗ trợ lái xe và tự lái hoàn toàn yêu cầu các phương pháp tiếp cận và đầu tư khác nhau. Do đó, mọi chương trình tự lái đều có các yêu cầu và kế hoạch khác nhau tùy thuộc vào mức độ tự động hóa đang được phát triển. Phân loại tự lái của SAE được sử dụng để biểu thị điều này một cách ngắn gọn.

Việc các chương trình có các mục tiêu tự động hóa khác nhau cũng tương tự trong khoa học sự sống. Phần nào của đường ống sẽ được tự động hóa? Một số công ty sẽ chỉ tự động hóa một phần nhỏ của quá trình phát hiện, ví dụ như sàng lọc trong silico, và áp dụng các phương pháp luận phát triển thuốc truyền thống cho phần còn lại của ngăn xếp. Các công ty khác sẽ nhắm mục tiêu xây dựng một nền tảng nhằm mục đích phát hiện và phát triển thuốc hoàn toàn tự động và lặp lại.

Các phương pháp tiếp cận khác nhau sẽ yêu cầu các cấu trúc, công cụ và cấu trúc vốn khác nhau. Định nghĩa về mức độ tự động hóa sẽ cho phép ngành công nghiệp có một ngôn ngữ chung và lộ trình vượt ra ngoài mục tiêu chung là "thúc đẩy AI".

Hành trình phía trước

Hành trình phía trước sẽ dài và khó khăn. Sẽ có nhiều thất bại, nhưng sự thành công sẽ định hình lại tiềm năng của khoa học sự sống.

Tài liệu tham khảo

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