В статье представлены основные выводы круглого стола, посвящённого применению искусственного интеллекта (ИИ) в области открытия лекарств. Мероприятие прошло в Бостоне 25 июня, собрав профессионалов из сферы исследований и разработок (R&D) в области фармацевтики и биотехнологий.
Участники включали в себя ведущих учёных, руководителей клинических разработок и специалистов по научной информатике, а также экспертов в области трансляционной медицины и стратегии разработки. Они представляли как крупные фармацевтические компании, так и новые биотехнологические предприятия, что позволило взглянуть на проблемы и возможности инноваций в области открытия и разработки лекарств с разных сторон.
Обсуждаемые вопросы
Обсуждения охватывали реальные примеры использования ИИ, проблемы качества и интеграции данных, а также эволюцию взаимоотношений между внутренними инструментами и внешними платформами ИИ.
Основные моменты:
* Энтузиазм и реализм. Роль ИИ в открытии лекарств подчёркивает, что реальный прогресс зависит от высококачественных данных, строгого управления и инструментов, разработанных с учётом научных нюансов.
* Доверие, прозрачность и воспроизводимость. Эти принципы стали основой для создания систем ИИ, которые могут поддерживать значимые научные результаты.
Эволюция ролей и стратегий использования инструментов
Участники подчеркнули разнообразие пользователей ИИ в биофармацевтической отрасли, проведя различие между биологами-вычислителями и биоинформатиками с точки зрения фокуса и используемых инструментов.
ИИ внедряется как органично, так и стратегически. Некоторые команды инвестируют во внутреннюю инфраструктуру, такую как корпоративные чат-боты и фреймворки для связывания данных, одновременно преодолевая нормативные ограничения, связанные с использованием внешних инструментов.
Многие организации имеют строгие политики, регулирующие обработку конфиденциальных данных с помощью ИИ, подчёркивая важность контролируемых сред.
Данные: изобилие встречается с неоднозначностью
Участники преимущественно используют общедоступные базы данных, такие как GeneBank и GISAID, вместо того чтобы полагаться на литературу. Однако проблемы с качеством данных, несогласованными онтологиями и отсутствием структурированных метаданных часто требуют переобучения общедоступных моделей с использованием собственных данных.
Литература и необходимость обратной связи
Инструменты мониторинга литературы борются как с точностью, так и с доступностью. Участники отметили трудности в фильтрации ложных срабатываний и получении извлекаемых необработанных данных.
Отсутствие полных наборов данных в публикациях, часто утаиваемых из-за конкурентных соображений, остаётся существенным препятствием.
Будущее интеграции
Графы знаний были признаны необходимыми для интеграции и структурирования разрозненных источников данных. Хотя некоторые участники предположили, что LLM в конечном итоге смогут напрямую выводить такие отношения, консенсус заключался в том, что графы знаний остаются критически важными сегодня.
Что дальше: доверие, метрики и метаданные
В будущем участники выступали за то, чтобы результаты ИИ включали показатели доверия, аналогичные статистическим оценкам достоверности, для оценки надёжности. Инструменты, которые индексируют и предоставляют дополнительные материалы, были признаны необходимыми для обнаружения используемых данных.
Заключение
Круглый стол отразил как энтузиазм, так и реализм в отношении роли ИИ в открытии лекарств. Реальный прогресс зависит от высококачественных данных, строгого управления и инструментов, разработанных с учётом научных нюансов.
Digital Science: обеспечение надёжного и масштабируемого ИИ в открытии лекарств
В Digital Science наш портфель напрямую решает ключевые проблемы, обозначенные в ходе обсуждения.
* ReadCube SLR предлагает поддающиеся аудиту рабочие процессы для проведения литературных обзоров, которые позволяют исследователям итеративно совершенствовать систематические поиски.
* Dimensions & metaphacts предлагает Dimensions Knowledge Graph — всеобъемлющий, взаимосвязанный граф знаний, соединяющий внутренние данные с общедоступными наборами данных (охватывающими публикации, гранты, клинические испытания и т. д.) и онтологиями — идеально подходит для создания структурированных, надёжных моделей ИИ, поддерживающих проекты по всей цепочке создания стоимости в фармацевтике.
* Altmetric выявляет ранние сигналы исследовательского внимания и новые тенденции, которые могут повысить релевантность моделей и определить приоритеты исследований.
Для организаций, реализующих централизованные стратегии ИИ, наши продукты предлагают интероперабельные API и среды с метаданными, которые легко интегрируются с индивидуальными внутренними фреймворками или системами, управляемыми LLM.
Встраивая прозрачность, воспроизводимость и структурированные идеи в каждый инструмент, Digital Science помогает командам в области вычислительной биологии создавать решения ИИ, которым они могут доверять.