Tekoäly lääketestauksen apuna
Maallikon mielessä koneoppiminen, tekoäly jne. voivat tuntua vaikeilta käsitteiltä. Suomessakin asiaa on tutkittu ja prof. Kohonen oli kärkihahmoja. Hän avasi käsitteitä itseohjautuvilla bittikartoilla, niissä toisiaan 'lähellä' olevat tiedot ryhmitettiin vierekkäin ja tietoja saatiin selkiytettyä. Tämä tekniikka oli läheistä sukua kuvankäsittelylle ja kuvaprosessoreja kehittänyt NVIDIA nousi pörssimaailman huipulle - ja vastaavasti väärin veikannut Intel matelee. (Olen käsitellyt asiaa toisessa blogissani.)
Nyt tekniikat ovat kehittyneet pitkälle ja valtavat tietovarastot ovat valmiita nopeaan analyysiin ja tästä saadaan lääkekehitykselle tehokas tie. Ohessa Microsoftin materiaalia:
https://www.microsoft.com/fi-fi/industry/healthcare/resources/pharma-medtech-drug-discovery
"Lääketeollisuuden tehokkuuden ja innovoinnin parantaminen tekoälyn avulla"
Keskeiset huomiot
- Lääkealalla on meneillään merkittävä tekoälyn mahdollistama muutos.
- Lääketeollisuuden yritysten on nopeutettava lääkkeiden kehittämistä sekä hallittava samalla kasvavia kustannuksia tukeakseen paremmin terveydenhuollon ammattilaisia ja heidän potilaitaan.
- Tekoäly voi auttaa lääkkeiden kehittämisprosessin keskeisissä vaiheissa, mukaan lukien tautiproteiinien tunnistamisessa ja analysoimisessa, mitkä yhdisteet toimivat tehokkaimmin proteiinien kanssa.
- Tekoäly myös tehostaa lääkekehitysprosessia analysoimalla valtavia tietomääriä, tunnistamalla kaavoja ja ennustamalla tuloksia.
- Lääketeollisuuden yritysten, jotka ottavat käyttöön tekoälyn, on voitettava haasteita, kuten tietojen laadun ylläpito ja sellaisten työntekijöiden löytäminen, joilla on oikea yhdistelmä teknisiä ja tieteellisiä taitoja - miten tekoälyagentit uudistavat liiketoimintaprosesseja.
- Lääketeollisuudessa tullaan näkemään tulevaisuudessa enemmän kumppanuuksia lääke- ja teknologiayritysten välillä sekä suurempia investointeja lääketieteelliseen teknologiaan ja tekoälyyn erikoistuneisiin startup-yrityksiin.
Useimpien lääkkeiden luomisen ensimmäinen vaihe on sellaisen yhdisteen syntetisointi, joka voi kiinnittyä sairauteen liittyvään kohdemolekyyliin, yleensä proteiiniin, ja muuttaa sitä. Tekoäly taas voi nopeasti tunnistaa mahdolliset kohdeyhdisteet valtavista tietojoukoista, molekyylikirjastoista.
Tekoälyyn ja koneoppimiseen yhdistetyt terveysteknologian ratkaisut voivat auttaa nopeuttamaan prosessia ennakoimalla mahdollisten yhdisteiden ominaisuuksia ja varmistamalla, että vain rakenteeltaan halutut yhdisteet valitaan synteesiä varten, tekoäly voi myös luoda ideoita täysin uusista yhdisteistä
Tutkijat suorittavat seuraavat vaiheet:
Vaihe 2: Testien avulla varmistetaan, että kohde liittyy taudin etenemiseen.
Vaihe 3: Kohteen kanssa vuorovaikutuksessa olevan yhdisteen tunnistaminen tai luominen.
Vaihe 4: Valitun yhdisteen tehokkuuden ja turvallisuuden optimointi.
Tekoäly tarjoaa uusia mahdollisuuksia:
Vaihe 2: Testien onnistumisprosentin nostaminen.
Vaihe 3: Sellaisten yhdisteiden sulkeminen pois, jotka eivät todennäköisesti ole vuorovaikutuksessa kohteen kanssa.
Vaihe 4: Prosessin nopeuttaminen älykkäällä analyysilla.
Perinteinen satunnaistettujen kontrolloitujen tutkimusten (RCT) lineaarinen prosessi ei ole muuttunut vuosikymmeniin. Siitä puuttuu joustavuutta, nopeutta ja analyyttistä tehoa, jota tarvitaan tarkan lääkintämallin menestymiseen.
Lääketeollisuuden yritykset voivat käyttää ennakoivia tekoälymalleja
lääkekehityksen koko kliinisen koevaiheen ajan suunnittelusta tietojen
analysointiin, mikä auttaa
- sopivien potilaiden tunnistamisessa julkisesti saatavilla olevien sisältöjen louhinnan avulla
- koepaikan tehokkuuden reaaliaikaisessa arvioinnissa
- tietojen jakamisen automatisoinnissa eri ympäristöissä
- tietojen tuottamisessa loppuraportteja varten.
Algoritmien kytkeminen tehokkaaseen teknologiainfrastruktuuriin varmistaa, että kliinisten tietojen jatkuva virta puhdistetaan, koostetaan, tallennetaan ja hallinnoidaan tehokkaasti. Siten tutkijat voivat tavallista paremmin ymmärtää lääkkeen turvallisuuden ja tehokkuuden ilman kokeiden luomien valtavien tietojoukkojen manuaalisen kokoamisen ja analysoinnin tarvetta.
Tulevaisuta: Suuret lääkeyritykset jakavat myös yhä enemmän dataa. MELLODDY (Machine Learning Ledger Orchestration for Drug Discovery) on yhteenliittymä, joka mahdollistaa tietojen jakamisen sen kymmenien jäsenten välillä. MELLODDY käyttää lohkoketjuun perustuvaa järjestelmää, jonka avulla yritykset voivat jakaa omistusoikeudellisia tietoja ja samalla säilyttää luottamuksellisuuden.
Kommentit
Lähetä kommentti