侵权投诉
焊接机器人 喷涂机器人 搬运机器人 装配机器人 切割机器人 其它机器人
订阅
纠错
加入自媒体

高盛AI生态报告:人工智能可解决药物研发等难题

2017-02-24 08:45
络遇
关注

药物发现始于最初的目标确定。一旦确定目标后,人们通常利用高通量筛选(HTS)来“命中发现”。HTS成本十分昂贵,它由机器人自动完成,通过在同一时间进行数以百万计的试验,找出最有潜力达到目标的化合物,提高药物发现的“命中”几率。

“命中”的结果经过优化成为导引化合物,然后再进一步深入优化,为进入临床前药物开发过程做好准备。当一款药物在进入第一阶段之前,这整个过程下来通常就需要1-3年,而它的POS却仅仅为20%。

第一阶段:重点为安全性;健康的志愿者(POS 20%)。

第二阶段:重点为有效性;有某种疾病或健康状况的志愿者(POS 40%)。

第三阶段:进一步收集不同人群有关安全性和有效性、剂量和药物联用等的信息。志愿者数量为几百到数千名(POS 60%)

  AI/ML如何起作用?

医疗领域,完美利用机器学习和AI优势的案例范围很广。在那些案例中,决策和/或预测不是由人的理解或直觉,而是由数据、且是由那些远远超出人类能力范畴的各种影响因素考量而驱动的。深度学习更是展示了其独特的潜力,因为它可以利用在不同任务中学到的知识,来提高在其他任务中的绩效。

减少发现失败,增大POS。人们将大量资本投入巨大的机会成本中,来探索、研究新的治疗方法,而在这一过程中,能达到第一阶段试验的成功概率(POS)大约只有20%。因此,迄今为止,学者们已经纷纷倡导利用AI/ML开发有效和准确的虚拟筛选方法,以取代昂贵且耗时的高通量筛选过程。

最近,谷歌和斯坦福的研究人员正致力于利用深度学习开发虚拟筛选技术,以取代或增强传统的高通量筛选(HTS)过程,并提高筛选的速度和成功率。通过应用深度学习,研究人员能够实现跨越多个靶点的众多实验的信息共享。正如Bharath Ramsundar等在其一篇机器学习相关的论文中所称:

“我们的实验表明,深层神经网络优于所有其他方法……尤其在于,深层神经网络大大超越了所有现有的商业解决方案。

在许多靶点上,它都实现了接近完美的预测质量,使其尤其适合被用作虚拟筛选装置。总之,深度学习提供了建立虚拟筛选并将其作为药物设计管道中标准步骤的机会。”(Massively Multitask Networks for Drug Discovery,2015/2/6)

2012年,默克公司主持了一项由数据科学公司Kaggle发起的旨在确定虚拟筛选统计技术的挑战。现在,Kaggle已经开始测试深度学习和AI的应用,并与AI药物发现初创公司Atomwise开展合作。

Atomwise最近利用AI技术,在不到一天的时间内对现有的7000多种药物进行了分析测试,为寻找埃博拉病毒治疗方案做出了贡献。根据该公司的统计,如果利用传统方法,这项分析需要花费数月甚至数年才能完成。

提高医生/医院效率。在改善诊断(Enlitic, DeepMind Health)、分析放射学结果(Zebra MedicalVision, Bay Labs)、基因组医学(Deep Genomics)等领域,甚至利用AI治疗抑郁症、焦虑和PTSD(Ginger.io)等方面,我们已经看到了应用机器学习的一些早期成功范例。

由于医疗数据数字化和数据聚合的不断发展,医疗数据将变得更易于访问。这使得AI/ML不仅可以削减与过程任务相关的成本,而且还可以利用算法使得过去不相交的数据集互通,以改善医疗护理本身。最终,由于AI/ML能够做出超出人类能力的因素考量,使得其可以帮助供应商以更高的效率进行诊断和治疗。

量化机遇

药物发现失败的成本。根据我们的分析,通过实施机器学习和人工智能,在以下情况人们有望将药物开发与发现的相关风险减半:

·获批药物的平均年度开发成本为16亿美元,其中包括与失败药物相关的成本(德勤)。

·失败药物的年度成本为300亿美元,这笔资金完全可以平均分配给获批的药物群(德勤)。

2015年,FDA报告了60种获批药物。这意味着算上失败药物的研发成本,该年度每种获批药物的的成本约为6.98亿美元,其中就有将近420亿美元用在了失败药物上。我们认为,机器学习和人工智能可以将新药研发过程中的风险减半:到2025年,全球制药行业每年即可节省约260亿美元。

加速获得转型至电子健康记录的收益。当前,仅在美国一地,医疗信息技术人员的年度薪酬就已达到约70亿美元。根据BLS的数据,由于人口老龄化及政府向数字化转型需求的推动,预计在2014-2024年,医疗信息技术人员的就业前景将实现大幅度提高:相较其他所有职业7%的增长率,此类职业的增长将达到令人咋舌的15%,远远高于平均水平。

然而,考虑到这项职业中的许多工作任务很容易被自动化和软件等替代,我们认为机器学习和AI有可能将取代几乎所有这类工作。

<上一页  1  2  3  4  下一页>  余下全文
声明: 本文由入驻维科号的作者撰写,观点仅代表作者本人,不代表OFweek立场。如有侵权或其他问题,请联系举报。

发表评论

0条评论,0人参与

请输入评论内容...

请输入评论/评论长度6~500个字

您提交的评论过于频繁,请输入验证码继续

暂无评论

暂无评论

文章纠错
x
*文字标题:
*纠错内容:
联系邮箱:
*验 证 码:

粤公网安备 44030502002758号