Насколько далеко DrugGPT от ChatGPT? Фармацевтические компании с ИИ: «застрявшая шея» — не вычислительная мощность, а данные

Источник: "Ежедневный совет по научным и технологическим инновациям"

Репортер: Ю Шици, Чжу Цзеян

Источник изображения: сгенерировано Unbounded AI‌

На только что прошедшей Всемирной конференции по искусственному интеллекту WAIC 2023 года всплеск генеративного ИИ прошел почти через всю конференцию. Инвесторы, отраслевые круги и академические круги возлагают на него большие надежды, особенно в том, что касается поиска прорывных возможностей на уровне приложений.

ИИ+медицина — одна из возможностей, которую можно увидеть. На этой конференции Су Цзыфэн, председатель и главный исполнительный директор Advanced Micro Devices (AMD), заявила в своем выступлении, что здравоохранение — это область, в которой ИИ действительно может повлиять на результаты лечения людей и поможет врачам ставить более точные диагнозы.Ускорить исследования в области профилактики заболеваний.

Ее старая соперница двигалась быстрее. 12 июля Nvidia объявила об инвестициях в размере 50 миллионов долларов в фармацевтическую компанию Recursion, занимающуюся искусственным интеллектом, в форме частного капитала. Его основатель и генеральный директор Хуан Ренсюнь заявил в своем заявлении, что генеративный ИИ — это революционный инструмент в разработке новых лекарств и новых методов лечения. Recursion использует сопутствующие продукты NVIDIA для проведения новаторских работ в области биохимии, ускоряя разработку крупнейшей в мире генеративной модели ИИ биомолекул, тем самым продвигая развитие биотехнологии и ускоряя открытие лекарств для фармацевтических компаний.

Фармацевтика искусственного интеллекта всегда была одной из горячих точек в Китае, и появился ряд ведущих компаний, которые вышли на передовые позиции в мире в области технологий. Когда наступят возможности, как передовые фармацевтические компании с искусственным интеллектом узнают текущие изменения?» «Kechuangban Daily» пригласила Хэ Ци, соучредителя и генерального директора TB Medical, и Чжан Пейю, главного научного сотрудника Jingtai. Technology и Shenshi Technology Ван Сяофо, руководитель отдела стратегии, и три представителя отрасли рассказали о возможностях и проблемах, которые они видят.

Застрял не вычислительная мощность, а данные

Что касается влияния волны генеративного ИИ, то общее мнение трех предпринимателей состоит в том, что она стала «горячей».

Хэ Ци, генеральный директор TBMI Pharmaceuticals, сказал, что вся фармацевтическая промышленность все еще переживает холодную зиму, но направление фармацевтических препаратов искусственного интеллекта начало набирать обороты. В марте этого года TBM завершил финансирование раунда А в размере 35 млн долларов США.В то время он получил поддержку многих ведущих учреждений, и теперь многие учреждения проявили интерес к бизнес-модели.

И Чжан Пейю, главный научный сотрудник Jingtai Technology, и Ван Сяофо, руководитель отдела стратегии Shenshi Technology, считают, что влияние генеративного ИИ еще не было напрямую передано фармацевтическим препаратам ИИ, но уже принесло позитивные сигналы в отрасль. Чжан Пейю отметил: «Инвестиционные точки GPT по-прежнему связаны с крупными моделями, базами данных и графическими вычислениями. Это только начало. В будущем GPT определенно переместится на более разделенные уровни приложений, такие как медицина и производство. Это неизбежный рост. . процесс.**"

До того, как ChatGPT вырвался из круга, исследования и разработки новых лекарств с помощью ИИ стали консенсусом в отрасли. В исследовательском отчете показано, что, позволяя обнаруживать мишени для лекарств и скрининг соединений с помощью машинного обучения (ML) и глубокого обучения (DL), вероятность успеха разработки новых лекарств может быть увеличена с 12% до 14%. %, экономя около 55 миллиардов долларов США. в затратах на скрининг соединений и клинические испытания во всем мире каждый год. **

Но, с другой стороны, ИИ-фармацевтика также сталкивается с узкими местами. Фармацевтические препараты искусственного интеллекта в настоящее время в основном используются на ранних этапах разработки лекарств и скрининга соединений свинца.На этапе клинических испытаний все еще требуется больше людей для выполнения соответствующей работы. В то же время фармацевтические препараты с искусственным интеллектом также ограничены влиянием однородности данных. В общепринятом смысле учебные материалы ИИ представляют собой экспериментальные данные, созданные людьми, а ИИ не может создавать непопулярные целевые данные из воздуха. Это также означает, что самые творческие возможности генеративного ИИ ограничены.

Таким образом, дилемма, с которой сталкиваются фармацевтические компании с искусственным интеллектом, полностью отличается от дилеммы, с которой сталкиваются нынешние крупные модельные компании. Чжан Пейю прямо заявил в интервью, что вычислительная мощность и алгоритмы не являются основными барьерами, ограничивающими развитие фармацевтических компаний с ИИ. Сотни графических процессоров и текущего итеративного алгоритма достаточно для удовлетворения потребностей фармацевтической компании в области искусственного интеллекта, ключ заключается в данных. **

«Будь то моделирование расчетов с использованием преимуществ вычислительной мощности ИИ, ускорение скрининга и оптимизации свинцовых веществ или разработка новых молекулярных структур на основе опыта и обучения работе с большими данными, в качестве поддержки требуется большой объем данных. Для фармацевтики ИИ компании, его ядро построено на мощности по производству данных», — сказал Чжан Пейю.

По мнению Хэ Ци, основной причиной, по которой ИИ может играть относительно ограниченную роль на более поздних стадиях разработки лекарств, является отсутствие данных, особенно данных, необходимых на клинической стадии или трансляционной медицине. Это создает большую проблему для обучения больших моделей.

Недостаток данных отражается не только в количестве, Ван Сяофо далее проанализировал суть проблемы: «Объема данных сейчас недостаточно, потому что стоимость генерирования данных с помощью экспериментов очень высока. Что более хлопотно, так это то, что качество не может быть полностью гарантировано.Например, один и тот же эксперимент, если это делает А и Б, результаты могут быть разными.На него самого влияет множество внешних факторов и связанных с ними ошибок.Количество и качество базовых данных не может быть гарантирован, прямой результат То есть производительность и результаты обучения ИИ будут значительно снижены».

По мнению нескольких практикующих специалистов в области ИИ-фармацевтики, путь от ChatGPT к DrugGPT извилист и труден, и проблема заключается не в вычислительной мощности, а в базовых мощностях по производству данных. Но точно так же на волне генеративного ИИ у ИИ-фармацевтики есть возможность внести качественные изменения во всю фармацевтическую отрасль, преодолеть узкое место инноваций и решить фундаментальную проблему эффективности НИОКР.

**Как далеко будущее DrugGPT? **

Первое, что нужно решить, — это проблема производительности данных.

Идея Цзинтая — ** «автоматизация + интеллект»**. Чжан Пейю считает, что процесс исследования и разработки лекарств представляет собой процесс непрерывных итераций проб и ошибок, многие из которых традиционно трудоемки и могут быть полностью автоматизированы, чтобы заменить человеческий труд для повышения эффективности и точности. Большая часть работы, которую они выполняют сейчас, заключается в преобразовании традиционных процессов в автоматизированные процессы, отслеживании высокоточных данных с помощью автоматизированных процессов и передаче их обратно в модели ИИ в режиме реального времени. Этот метод может собрать больше, более полные и реальные данные, чем эксперименты на людях, повысить эффективность человека в несколько раз и дать людям возможность проводить все более и более успешные инновационные исследования.

Данные, генерируемые автоматизацией, постоянно стимулируют разработку и оптимизацию интеллектуальных алгоритмов. Чем выше эффективность автоматизации, тем точнее предсказания интеллектуальных алгоритмов и тем шире область применения. В то же время интеллект также проявляется в преобразовании неструктурированной информации в структурированные данные. По его словам, теперь ИИ может извлекать такую информацию, как синтетические маршруты и молекулярные структуры, скрытые в неструктурированных документах и патентах, преобразовывать их в структурированные данные, повышать производительность алгоритмов, а затем выводить разработанные синтетические маршруты на автоматизированное оборудование. , процесс производства данных. В этом процессе ИИ также может играть роль в составлении расписаний и планировании, эффективном параллельном вызове различных инструментов и завершении замкнутого цикла от прогнозирования алгоритма до экспериментальной проверки для различных сценариев приложений.

"Это то направление развития, которого стоит с нетерпением ждать. В конце концов, только ИИ может соединить замкнутый цикл проектирования и производства и автоматически завершить исследования и разработку лекарств", - сказал Чжан Пейю.

Шенши предложил новую парадигму научных исследований ИИ для науки, Проще говоря, это использование ИИ для изучения научных законов, лежащих в основе работы ряда вещей. Ван Сяофо сказал, что, столкнувшись с проблемой нехватки данных, они внедрили ИИ в область научных исследований более низкого уровня, позволив ИИ использовать свои мощные возможности подбора функций и анализа данных для изучения научных законов и принципов и получения пригодных для использования моделей для решения практических задач. Вопросы научных исследований, особенно помогающие ученым проводить большое количество проверок и проб и ошибок при различных предположениях, тем самым значительно ускоряя процесс научных исследований и изысканий.

В настоящее время мы видим повышение эффективности. Ван Сяофо упомянул, что в процессе проверки лекарств может потребоваться много экспериментов с высокой пропускной способностью. Теперь мы будем использовать новую парадигму искусственного интеллекта для науки для расчетов, а затем приступим к расчету.Для небольшой части проверки мы в последнее время пытались делать на порядок меньше экспериментов, чем в прошлом, и можем получить препараты-кандидаты. Это эквивалентно получению повышения эффективности более чем в 10 раз.

Благо эффективности привело к изменениям более низкого уровня. По словам Чжан Пейю, автоматизированная лаборатория цифрового интеллекта, разработанная Jingtai для биомедицины, может использоваться не только для исследований и разработок лекарств, но также может быть расширена в направлении химической инженерии и новых материалов, которые также требуют экспериментального скрининга. одинаковы. Но требования безопасности, цикл проверки и сложность проекта в этих областях значительно ниже. Это огромный рынок, который не слабее фармацевтики.В настоящее время они достигли сотрудничества с некоторыми нефтехимическими, энергоаккумулирующими и другими компаниями, занимающимися исследованиями и разработками новых материалов.

На будущее у него довольно оптимистичные ожидания. Преодолев узкое место производства данных, фармацевтические препараты с ИИ получают возможность вызывать качественные изменения посредством количественных изменений. В будущем весь процесс разработки лекарств может управляться ИИ, что затрудняет мишени для лекарств и новые лекарства Механизм производства лекарств породил новое поколение высококачественных лекарств, создание новых каналов поставок лекарств и дополнительных рынков. Можно ожидать, что через 20 или 30 лет ИИ сможет более эффективно выполнять 90 % работы по исследованию и разработке новых лекарств. , с меньшими ресурсами, временем и риском неудачи, чтобы больше лекарств попадало к пациентам.

В настоящее время Хэ Ци считает, что движущая сила ИИ для исследований и разработок лекарств достигла второй кривой, и биотехнологическим компаниям неизбежно придется вкладывать значительные средства в вычислительную технику при проведении исследований и разработок инновационных лекарств. Исходя из этой болевой точки, многие клиенты признали фармацевтические компании ИИ, которые предоставляют оборудование и вычислительные мощности, а также экспертную поддержку. Заложив основу для коммерциализации, компании могут исследовать новые направления исследований и разработок лекарств с использованием ИИ в долгосрочной перспективе.