2018年10月底，在哈弗医学院由Corey Lane Partners，LLC创办的BioPharma AI应用峰会圆满落幕。这次峰会堪称是人工智能和生命科学相交的一个显型快照，以下总结了这次峰会的十项观察结果。

1.药物开发企业问题逐渐暴露，AI应用潜力很大

传统的制药公司在药物开发方面都会存在时间长、花费多的问题，这也是人工智能介入的重要原因之一。塔夫茨（Tufts）药物研究中心最新数据显示，开发一种新药，平均费用为26亿美元，新药的平均上市时间为12年。目前，大约有10%的候选药物开始从测试阶段进入市场。很显然，这些数字被改进的空间还很大，人工智能有很大的辅助潜力。

2.药物开发中的AI应用预见火热

目前，很多公司都开始将人工智能应用到药物研发过程中，例如创业公司Berg Health，该公司正在收集前列腺癌症患者的相关数据，作为新药物研发的测试数据。Insilico Medicine被评为全球人工智能百强公司，该公司的首席执行官Alex Zhavoronkov在大会上表示，我们都没有能力去评估Insilico背后的科学，该公司拥有人工智能所有的外在迹象，发表过多项论文，以及GANS等先进技术生成对抗网络，深度学习方法，并且还拥有杰出的合作伙伴，以及“先进的端到端药物AI”目标。

3.AI药物领域，小公司胜过大公司

在AI药物领域，很多初创公司的发展速度都远远超过大型制药公司，例如Berg和Insilico。这些初创的制药公司正在不断地将新药物推向市场，发展前景不可估量。大会上多位发言人表示，大型制药公司对创业生态系统的推动并不明显，甚至还会出现被投诉的现象，众人多抱怨大型制药公司费时又费钱。在人工智能领域，大型制药公司凭借丰富的内、外资源，其发展速度和规模胜过小型公司，但AI药物研发应用的幅度却不是很大。据了解，辉瑞（Pfizer）)目前正在进行着150多个人工智能项目的研发工作，但是涉及药物发开的项目却很少。

4.高投注，低信度

如今，很多药物企业倾向于投注高期望的AI项目，即便他们对自己的需求并不明确。大会上，大型制药企业和一些初创公司的高管一致认为，在建立未来人工智能项目时，必须优先考虑好模型性能监控和项目规划的问题，包括假设定义和测试标准。一个好的人工智能项目不仅要关注狭义的研究问题，更需要观测长期效果，以确保项目的可持续性和扩展性。

5.数据是制药和生命科学中人工智能的关键

制药和生命科学中的人工智能应用，数据是最核心的所在。其中大部分涉及“组学”数据——基因组学、蛋白质组学、生物组学和代谢组学等，越来越多的数据被应用到制药领域，作为各种测试中的“假设”。很难想象在没有人工智能的情况下，怎样分析这些数据，当然也可以想象，在这样的大数据时代，拥有极强数据分析能力的公司占据了多大的优势。

6.在这段旅程中，没有人会单独行动

在药物领域，一个组织想要独自进行人工智能的研发是很难的，因为会涉及到很多伙伴关系和生态系统之间的关系。很多小公司都开始跟大公司联手组建医疗保险人工智能联盟，围绕该项技术进行合作和倡导，即便是一家大型的制药公司，在早期发展中也需要得到外界的帮助。

7.Watson AI已失宠

会上没有多少人提到过IBM的Watson，因为大家认为它在癌症治疗方面效果并不是很好。Watson AI似乎不再被视为改善药物开发的一个因素。据了解，辉瑞利用沃森进行药物开发的试点工作仍在进行中，但该公司正在“冷却”这项技术。

8.药物领域的AI预测≠自动化预测

与人工智能许多预测不同的是，在人工智能药物开发领域中，似乎没有人会说人类科学家和护理提供者在未来将不被需要。相反，在医药领域，他们都是同等类型的人，除此之外，该领域还会增加大量的数据科学家和AI工程师。Flatiron Health就将这一问题解释得很好，在这家数据驱动的癌症治疗公司，AI“增强”不等同于自动化“增强”。2018年年初，Flatiron Health被瑞士制药巨头罗氏收购，目前，主要负责的任务是从医生的笔记和电子健康记录中的其他非结构化数据中提取关键信息。Flatiron使用自然语言处理AI工具不是为了减轻工作任务，而是为了提高生产力。

9.数据质量问题仍在，仍需着重关注

虽然药物开发中的人工智能应用正在有条不紊地进行着，但是数据质量的问题仍需着重关注。会议上经常会有发表“数据不良”声明的说法。虽然很多企业正在努力改进算法和人工智能基础设施，但数据质量问题始终存在。众所周知，金融风险很高，有偏差的数据标准和粒度会导致算法偏见，从而即便是再多的努力也是浪费时间和资源。同样因为这个问题，很多的数据采集者在数据收集阶段就致力于提高数据质量。

上一篇：从源头为舌尖上的安全而战记中国农业大学动物
下一篇：没有了