Развитие ИИ для улучшения разработки лекарств
В попытке конкурировать с международными фармацевтическими гигантами 17 японских фармацевтических компаний делают шаги в проекте по разработке ИИ для обнаружения лекарств. Искусственный интеллект обучается с использованием конфиденциальных данных, принадлежащих этим фирмам. Возможность ускорения разработки ИИ для обнаружения лекарств с использованием данных от нескольких компаний стала выгодной стратегией.
Действуя под крылом конфиденциальности, эти компании применили метод, известный как «Федеративное обучение». Этот инновационный подход позволяет обогатить возможности ИИ, не раскрывая или не делясь чувствительными данными за пределами сетей отдельных компаний.
Федеративное обучение способствует проектам ИИ нового поколения
Разработка этого ИИ для обнаружения лекарств продвигается под названием «DAIIA» (Альянс данных для развития ИИ в области разработки лекарств), возглавляемый Японским агентством медицинских исследований и разработок (AMED). DAIIA, которая начала свой путь в 2020 году, вошла в свою финальную фазу в апреле 2024 года.
Ключевые участники из академического мира, такие как RIKEN, Киотский университет, Нагойский университет, объединяют усилия с фармацевтическими сущностями, такими как Eisai Co., Ltd. и Ono Pharmaceutical Co., Ltd., среди других. Построение систем федеративного обучения также включает сотрудничество компаний, таких как NEC, и венчурных проектов по обнаружению лекарств с использованием ИИ, таких как Elix.
Процесс обмена знаниями без раскрытия секретов
Для улучшения производительности ИИ в области обнаружения лекарств необходимо большое количество качественных данных. Поскольку отдельные корпорации в Японии могут столкнуться с трудностями в накоплении данных, способных конкурировать с зарубежными фармацевтическими гигантами, сотрудничество считается важным. Однако информация, используемая для обучения ИИ, содержит критические данные, составляющие основу конкурентного преимущества каждой компании; поэтому сохранение их конфиденциальности является приоритетом.
Используя федеративное обучение, компании изначально получают базовую модель ИИ (Глобальная модель ИИ), которую они обучают в своей безопасной сети, используя свою конфиденциальную информацию. Как только модель ИИ обновляется локально, на интегрированный сервер передаются только параметры этой Локальной модели ИИ. Этот процесс обеспечивает обновление Глобальной модели ИИ на стороне сервера и позволяет улучшить его без необходимости делиться самими исходными данными.
Искусственный интеллект (ИИ) в мировом обнаружении лекарств
Использование ИИ в мировом области обнаружения лекарств не ново. Фармацевтические компании по всему миру исследуют ИИ для ускорения разработки новых лекарств, снижения затрат и повышения успешности. ИИ способен быстро анализировать большие наборы данных для идентификации потенциальных кандидатов на лекарства, прогнозирования их эффективности и выявления проблем безопасности. Он также помогает понять сложные биологические процессы и разрабатывать молекулы, которые потенциально могли бы быть разработаны в новые лекарства.
Значение данных в AI-ориентированном обнаружении лекарств
Данные являются жизненно важными для ИИ в обнаружении лекарств. Качество, количество и разнообразие данных определяют предсказательную силу ИИ. Фармацевтическая промышленность полагается на огромные объемы данных из различных источников, включая клинические исследования, геномные данные, библиотеки лекарств и другие биологические данные. Доступ к разнообразным и обширным наборам данных дает ИИ моделям информацию, необходимую для выявления паттернов и инсайтов, которые могли бы быть неочевидными для человеческих исследователей.
The source of the article is from the blog enp.gr