Előrehaladás az AI terén a Kiemelt Gyógyszerfejlesztésért
Azáltal, hogy versenyezni próbálnak a nemzetközi gyógyszeripari óriásokkal, 17 japán gyógyszeripari cég előrelépéseket tesz egy mesterséges intelligencia alapú gyógyszerfejlesztési projektben. Az AI-t olyan bizalmas adatokkal képzik ki, amelyeket ezek a vállalatok birtokolnak. Az a képesség, hogy több cég adataiból táplálják a gyógyszerfejlesztési AI-t, előnyös stratégiának bizonyul.
Bizalmas környezetben ezek a vállalatok az ún. „Federált Tanulást” alkalmazták. Ez az innovatív megközelítés lehetővé teszi az AI képességeinek gazdagítását anélkül, hogy az érzékeny adatokat a vállalatok hálózatán kívül megosztanák vagy kiábrázolnák.
A Federált Tanulás Tüzelője a Következő Generációs AI Projekteknek
Ez a gyógyszerfejlesztési AI fejlesztése a „DAIIA” (Adatalapú Szövetség az AI Gyógyszerfejlesztésért) keretein belül halad, amelynek az Orvosi Kutatás és Fejlesztési Japán Ügynökség (AMED) a vezetője. A DAIIA 2020-ban indult útjára és 2024 áprilisában érkezett el a befejező fázisba.
Az egyetemi szereplők, mint például a RIKEN, a Kyoto Egyetem és a Nagoja Egyetem, csatlakoztak olyan gyógyszeripari entitásokhoz, mint az Eisai Co., Ltd. és az Ono Pharmaceutical Co., Ltd., többek között. A federált tanuló rendszerek kialakításában együttműködnek olyan cégek is, mint a NEC, valamint AI gyógyszerfejlesztési vállalkozások, mint az Elix.
A Tudás Megosztásának Folyamata Anélkül, Hogy Titkokat Megosztanának
Ahhoz, hogy javítsák az AI teljesítményét a gyógyszerfejlesztés terén, nagyszámú minőségi adatra van szükség. Mivel az egyéni vállalatok Japánban olykor nehézségekbe ütközhetnek abban, hogy egyedül olyan adatokat gyűjtsenek, amelyek versenyezhetnek a külföldi gyógyszeripari óriásokéval, együttműködő megközelítés lényegesnek bizonyul. Azonban azok az információk, amelyekre az AI képzése során szükség van, kritikus adatokat tartalmaznak, amelyek alkotják az egyes vállalatok versenyképességének magját; ezért a bizalmas jelleg megőrzése a legfőbb szempont.
A federált tanulás alkalmazásával a vállalatok kezdetben egy alap AI modellt kapnak (Globális AI Modell), amelyet saját biztonságos hálózatukban képeznek ki saját bizalmas információik felhasználásával. Miután az AI modell helyben frissítve lett, csak ezeknek a Helyi AI Modell paramétereit küldik el egy integrált szerverre. Ennek a folyamatnak köszönhetően frissül a Globális AI Modell a szerveroldalon, lehetővé téve a javítást anélkül, hogy szükség lenne maguknak az alapadataknak a megosztására.
Mesterséges Intelligencia (AI) a Globális Gyógyszerfejlesztésben
Az AI felhasználása a gyógyszerfejlesztésben nem ismeretlen globálisan. A világ gyógyszeripari vállalatai vizsgálják az AI alkalmazásának lehetőségeit az új gyógyszerek kifejlesztésének felgyorsítása, a költségek csökkentése és a sikerarány növelése érdekében. Az AI gyorsan képes elemződni nagy adathalmazokat annak érdekében, hogy azonosítsa a potenciális gyógyszerjelölteket, megjósolja hatékonyságukat, és kiemelje a biztonságos használatot érintő kérdéseket. Továbbá segíthet megérteni a bonyolult biológiai folyamatokat és olyan molekulák tervezésében, amelyek potenciálisan fejleszthetők új gyógyszerekké.
Az Adat Fontossága az AI-vezérelt Gyógyszerfejlesztésben
Az adat az AI életvitele a gyógyszerfejlesztésben. Az adatok minősége, mennyisége és sokfélesége határozza meg az AI előrejelző erejét. A gyógyszeripar hatalmas mennyiségű adatra támaszkodik, amelyek különböző forrásokból származnak, ideértve a klinikai vizsgálatokat, genomikai adatokat, gyógyszerek könyvtárát és más biológiai adatokat is. A különböző és átfogó adathalmazokhoz való hozzáférés lehetővé teszi az AI modellek számára az információkat, amelyekre szükségük van ahhoz, hogy az emberi kutatók számára nem nyilvánvaló mintázatokra és információkra rájöjjenek.
Kulcskérdések és Válaszok
– Mi az a Federált Tanulás és hogyan előnyös a japán gyógyszeripari vállalatok számára?
A Federált Tanulás egy gépi tanulási technika, amely lehetővé teszi a különböző entitások együttműködését egy modell felépítése során anélkül, hogy közvetlenül érzékeny adatokat megosztanának. A japán gyógyszeripari vállalatoknak lehetőséget kínál arra, hogy a másik vállalatok adataiból előnyökhöz jussanak az AI javítása érdekében, anélkül, hogy megkérdőjelezik a szabadalmi vagy bizalmas információkat.
– Hogyan biztosítják a japán gyógyszeripari vállalatok az adatbiztonságot az AI együttműködések során?
A Federált Tanulás segítségével a vállalatok saját helyi adataikon képezik ki az AI modelleket, majd csak az aktualizált modellparamétereket osztják meg egy központi szerverrel, amely koordinálja a modelljavításokat. Ez a módszer megőrzi az adatok magán- és biztonságosságát.
Kihívások és Viták
Egy kihívás a adatok és az AI modellek integritásának és biztonságának biztosítása azok használata és átvitele során. Annak ellenére, hogy a Federált Tanulás védelmi intézkedésekkel rendelkezik, vannak olyan kockázatok a adatvédelmi incidenseken és kiberterrorakciókon keresztül. Emellett aggodalmak vannak az AI által generált hipotézisek validálásával és az AI-asszisztált gyógyszerfejlesztési folyamatok szabályozói elfogadásával kapcsolatban.
Folyamatos vita folyik az AI egészségügyben való etikai következményei körül, mint például az adatkészletek és az AI döntések elfogultsága, amelyek véletlenül befolyásolhatják a kutatási eredményeket vagy a klinikai gyakorlatokat.
Előnyök és Hátrányok
A Federált Tanulás alkalmazásának gyógyszerfejlesztésben mind előnyei, mind hátrányai vannak:
Előnyök:
– Az adatvédelem és biztonság megőrzése, mivel a nyers adatok nem hagyják el a vállalatok telephelyét.
– Az AI modellek profitálhatnak egy tágabb, differenciáltabb adathalmazból, ami potenciálisan erősebb és általánosítható eredményekhez vezethet.
– Együttműködési erőfeszítések csökkenthetik a gyógyszerfejlesztés költségeit és felgyorsíthatják a piacra dobást.
Hátrányok:
– Egy biztonságos Federált Tanulási infrastruktúra felállításának bonyolultsága jelentős beruházást és szakértelmet igényel.
– Azon algoritmusok és modellfrissítések típusaira esetleg korlátozások vonatkozhatnak, amelyek hatékonyan megoszthatók a Federált Tanuláson keresztül.
– Az modellek méltányosságának biztosítása és a torzulás elkerülése, miközben az adat nem oszlik meg, ezáltal nem összehasonlítható, kihívást jelenthet.
Azoknak, akik további információkat szeretnének megtudni az AI-ról a gyógyszerfejlesztés terén és a gyógyszeripar szélesebb vonatkozású hatásairól, ezek a hiteles források kapcsolódó betekintést nyújtanak:
– AI az Egészségügyben
– Gyógyszerfejlesztés a Nature-ben
– ScienceDirect
The source of the article is from the blog newyorkpostgazette.com