Pharma公司如何演变 - 将生命科学的差距弥合到计算机科学?

丹尼尔Faggella
《阿凡达》

Daniel Faggella是Emerj的研究主管。在联合国、世界银行、国际刑警组织和领先企业的呼吁下,Daniel是一位全球广受欢迎的专家,研究人工智能对商业和政府领导人的竞争战略影响。

制药公司如何跨越生命科学与计算机科学之间的鸿沟?

最近机器学习的复兴有望改变数据丰富的医疗保健领域,而几乎没有任何医疗保健领域比制药行业更令人兴奋。

While hospitals and healthcare facilities have complex sets of stakeholders for AI adoption (e.g. Hospital CEOs may want AI tech, but doctors may resist it – or – A hospital division may be ready to use the latest in AI tech, but patients may not recognize the benefit),它相信该制药行业可能能够立即将机器学习带到医疗保健的最大数据问题之一:发展毒品。

在Emerj,我们看到人们对制药相关人工智能文章的兴趣在去年增长了十倍以上,这表明机器学习已经让人工智能成为制药行业领导者的“雷达”。

与NextLevel Life Sciences合作,我们向生命科学行业专家提出了两个对当今生命科学商业领袖至关重要的问题:

  1. Pharma公司带来和整合AI人才和技术的主要挑战是什么?
  2. 今天成功的Pharma公司在做什么来更好地为数据燃料,机器学习未来做好准备?

将人工智能专业知识引入生命科学公司的挑战

进入我们的访谈,我们预计凌乱的数据,人才进入和偏离商业部门将有助于大型制药公司的AI采用问题。但哪些问题似乎最紧迫?商业领袖我最专注于克服?这是我们决定问我们的受访者的事。

Shelley Zhuang.
Shelley Zhuang - 来源:LinkedIn

Shelley Zhuang., 11.2 Capital的创始人和管理合伙人:

在生物制药的领导者、医疗保健提供商和支付者中,对人工智能驱动的生命科学解决方案的兴趣正在稳步增长。最大的挑战是人才。在人工智能方面有丰富经验的人相对较少(全世界可能不到1万人),有生物制药或医疗保健经验的人就更少金博宝官网了,而且你真的需要跨学科的创新和合作,将人工智能应用于生命科学中解决有意义的问题。

Jan Sagal,高级会议制片人,NextLevel Life Sciences

有少数主要挑战:

采用的心态:多年来,制药公司一直在观察其他行业发现、设计和实施先进的技术驱动的解决方案,而自己却没有采取行动。例如,“大数据分析”直到2013年才进入一些大型制药公司的视野(比其他许多行业可能出现的时间要晚)。生命科学行业一直是最具创新性技术的晚期采用者,尽管他们确实拥有巨额的研发预算。

数据的性质和可用性:每家公司都生成了数据的Tberabytes,并将其隐藏在防火墙后面。部分原因是由于严格的监管和合规标准,部分原因是这些公司运作的极其竞争力的环境。这些信息中的大部分信息都坐在筒仓,并且长期以来,公司实际上并没有考虑这适合回顾性分析。管理层通常在需要这种重大投资的某些东西中没有看到足够的价值。

人才和能力:现场科学公司必须从其他行业的划痕和招聘专家建立新一代IT团队。

KristófZsolt Szalay
Kristóf Zsolt Szalay -来源:LinkedIn

Kristóf Zsolt Szalay博士,CTO在涡轮机有限公司

生物学专家和计算专家的思维方式有很大的差距。即使是计算生物学家通常也很少(如果有的话)有湿实验室经验。

AI专家很少有生物学专业知识,但在生命科学工作需要了解生物过程。因此,对于可以桥接两个域的少数专家来说,这是一个很好的竞争。

以下是生活方式和计算机科学家不同的方式的一些方式:

  • 生命科学是基于证据和“只有”信任生物实验,即使他们知道(并解决)他们的限制(即时间,成本,可靠性问题,难以控制或复制)。他们的整个原因是理解在实验中观察到某种反应的原因。
  • 计算机科学家——尤其是那些在机器学习的“黑盒子”世界里的科学家——经常承认他们只能试图预测发生了什么,并不一定理解(也不容易证明)为什么一个实验会得到某种结果。这种以机器学习为导向的计算机科学需要大量高质量的数据,并倾向于推崇敏捷性、“快速移动”和黑客心态。这种对比具有常见于生命科学的心态剧烈,重点是缓慢而故意的运动,以确保患者的安全和健康。

制药企业领导人应该应对的其他挑战包括:

  • 部分地区有大量数据(机器视觉,分子空间),其他区域 - 较少(例如,发育中的药物,对给定药物的生物反应)。
  • 此外,两侧的成本和时间之间存在差异的差异 - 这是实现AI的数据需求的努力以及实验室相遇的局限性。这尚未被弄明白,但迅速移动并找到方法会有很大的利益。

领先企业如何整合计算机科学和生命科学

在生命科学环境中整合人工智能的障碍是巨大的,但这并没有阻止企业朝着正确的方向前进。我们邀请了我们的行业专家分享他们的一些想法(a)尖端制药公司在整合人工智能方面做得很好,(b)生命科学商业领袖在前进时应该牢记什么。

1月(Szollos)加尔
Jan(Szollos)Sagal - 来源:NextLevel Life Sciences

Jan Sagal,高级会议制片人,NextLevel Life Sciences:

制药公司正在寻找解决方案有两个领域:

外部,Pharma公司现已在那里寻找在研发中成功集成了数据驱动和技术驱动的方法的创新公司。Pharma也非常热衷于支付由技术(数据,软件)公司设计的现成解决方案。

制药公司也更加热衷于在竞争激烈的平台上与竞争对手合作和合作。许多大型制药公司坐在巨大的数据上,这些数据从世界其他地区密封,因此不习惯其最大潜力。通过打开图书馆,他们希望获得更多相关数据来喂它们的模型。公私伙伴关系也是欧盟的许多Pharma公司使用的协作模型。

我们经常看到形成的另一个新兴模式是Pharma公司和技术公司(例如Alcon和Google)之间的伙伴关系。

在内部,重点主要是构建有效的IT基础设施,以实现全面的数字转换。公司正在设计策略来获取和存储更多的数据,优化内部数据处理和分析,并有效地提取战略决策所需的洞察力。金宝搏吧为了做到这一切,他们需要雇佣正确的人,创建指导方针和标准操作程序。与欧洲大学密切合作是一种方法。

索伊
Szabolcs nagy - 来源:LinkedIn

Szabolcs Nagy,CENO和Curbine Ltd中的联合创始人

我个人知道一个AI专家,他们被雇用了整个团体,以便在手头上拥有AI专业知识的唯一目的。他基本上被告知“做你之前所做的事情,只是从现在开始告诉我们结果”,这实际上是不可能的。

现在有一股强大的制药公司试图向初创公司开放,有效地外包其创新渠道的重要部分——拜耳的LEAPS,强生的Quickfire Challenges和拜耳的Accelerator Program Grants4Apps就是几个例子。

以下是制药公司正在测试的一些似乎很有前途的想法:

  • 建立公司内部团队和公司内的AI播放器生态系统。我们引用了一家大型制药公司的话:“为什么我们不能先尝试合作呢?”为什么我们不能和尽可能多的人合作呢?在它带来价值之前,我们很乐意进行测试和合作。”
  • 从组织内的碎片数据中删除竖井,并创建平台,使组织的所有部分和各种用例都可以轻松地访问结构化数据。
  • 确保AI和计算机科学团队是跨职能和分区,而不是受到研究,发展,医务和其他市场相关单位的传统障碍。他们可以从所有人中学到所有,他们在传统的局限之外移动。这显然需要智能重组,一些长期持有障碍的“创造性的破坏”,并在单位之间创造新的边界。

对于正在发展的制药公司,还有其他一些重要的问题需要牢记:

  • Understand that the best insight does not come from one specific data type, there is no silver bullet (e.g. genomics, electronic health records, etc), but a smart combination of various data types and learning from all at the same time (e.g. multi OMICS vs just genomics, gene expression, etc).
  • 在真正的用例和艰难的挑战中进行大赌注并测试这些算法,不要将它们推向条纹,并“慢慢取得慢” - 因为其他制药商将在您之前切断。
  • 要明白,对于人工智能人才来说,你是在与世界上最成功的科技企业竞争,所以招聘和留住人才必须非常警惕。

Shelley Zhuang,创始人和管理合作伙伴11.2资本:

考虑到人才短缺的现实,并不是每个生命科学组织都能够证明成本是合理的,也不是每个生命科学组织都有时间在内部建立人工智能实践。填补这一缺口的一个方法是与其他公司合作,例如,有一波新的研发关键球员和AI-driven生物制药公司之间的合作,主要是创业公司,仅仅在过去的几年里(阿斯利康Berg健康,赛诺菲安万特与英国葛兰素史克Exscientia,武田的,赛诺菲安万特与递归,Merck/Atomwise等等)。

人工智能对制药企业领袖的启示

似乎强调伙伴关系和合作(与其他Pharma巨头,技术公司和AI初创公司)才能快速“外包”一些技能,专业知识和基础设施所需的最大化它们的数据。在一个世界里,艾丽人才难以通过,内部重组计算机科学是挑战性的,伙伴关系可能是一个初步牵引滚动的方法,而公司内的潜在障碍是工作的。

当然,单靠合作关系并不能解决制药企业内部的主要挑战,包括:

  • 孤立的数据竖井,使得AI应用程序难以访问信息
  • 缺乏AI特定的人才 - 特别是对艾丽人的恐怖需要生命科学经验(一个罕见的发现)

我们的受访者确定了将筒仓(两种数据和功能单位)分解为允许机器学习洞察力的关键因素,并为组织内的AI人才制作空间。虽然这种重组似乎没有神奇的公式(或“创意破坏”作为Szabolcs所说),创新公司意识到他们应该找到一种方式。

我们的一位记者表示,将人工智能引入生命科学工作的大部分努力都专门交给了最大的制药巨头——可能是因为他们有预算和影响力,可以在尖端机器学习应用领域进行巨额投资,但仍有些投机性。考虑到相关成本和人才稀缺,最好的合作伙伴和人才似乎都将流向那些负担得起的公司。

Murali Aravamudan
Murali Aravamudan -来源:Geni.com

Murali Aravamudan,Qrativ的创始人和首席执行官:

这个(整合计算机科学和生命科学的话题)似乎与“大型制药公司”最相关。话虽如此,我确实看到一些制药和生物技术公司明确组建了独立于传统IT工作的新的“数据科学”团队。这样的“数据科学团队”往往由来自不同学科的人员组成(最好的品种——生物信息学、化学信息学、临床分析、商业分析,当然还有机器学习/计算机科学/ IT专业知识)。

时间将告诉哪家药商公司将在比赛中提前提前,以使他们的数据与机器学习最大化,但它至少安全地说这是安全的这是许多世界顶级制药公司关注的领域

本文是与NextLevel Life Sciences合作编写的。有关与Emerj的内容和促销合作关系的更多信息,请访问Emerj合作页面

标题图像信用:Live Science

保持在AI曲线的前面

发现关键的人工智能趋势和应用,区分赢家和输家在未来的商业。

注册“AI Advantage”时事通讯:

" data-trigger="manual" data-title="Notice" data-placement="bottom" data-content="Thanks - check your inbox for a confirmation email">
" data-trigger="manual" data-title="Notice" data-placement="bottom" data-content="Error - There was some problem.">
订阅
订阅镜像
保持领先于机器学习曲线

加入2万多名专注于人工智能的商业领袖,接受我们每周发布的最新人工智能研究和趋势。

感谢订阅Emerj的“AI优势”通讯,检查您的电子邮件收件箱确认。