Framsteg inom AI för förbättrad läkemedelsutveckling
I ett försök att konkurrera med internationella läkemedelsjättar gör 17 japanska läkemedelsföretag framsteg i ett projekt för att utveckla AI för läkemedelsupptäckt. Artificiell intelligens tränas med den konfidentiella data som ägs av dessa företag. Förmågan att turbo-boosta AI för läkemedelsupptäckt med hjälp av data från flera företag har blivit en fördelaktig strategi.
Opererande inom ramen för konfidentialitet har dessa företag omfamnat en metod som kallas ”Federated Learning.” Detta innovativa tillvägagångssätt möjliggör berikning av AI:s kapacitet utan att exponera eller dela känslig data utanför individuella företagsnätverk.
Federated Learning driver nästa generationens AI-projekt
Utvecklingen av denna AI för läkemedelsupptäckt sker inom ramen för ”DAIIA” (Data-driven Alliance for AI Drug Development), lett av Japan Agency for Medical Research and Development (AMED). DAIIA, som påbörjade sin resa 2020, har gått in i sin slutliga fas från och med april 2024.
Nyckelspelare från akademien, såsom RIKEN, Kyoto University och Nagoya University, samarbetar med läkemedelsföretag som Eisai Co., Ltd. och Ono Pharmaceutical Co., Ltd., bland andra. Konstruktionen av federated learning-system involverar även samarbete med företag som NEC samt AI-drug discovery-initiativ som Elix.
Processen att dela kunskap utan att dela hemligheter
För att förbättra AI:s prestanda för läkemedelsupptäckt krävs en stor mängd högkvalitativ data. Eftersom enskilda företag i Japan kan finna det utmanande att samla in data som kan mäta sig med utländska läkemedelsjättar på egen hand betraktas ett samarbete vara nödvändigt. Informationen som används för att träna AI involverar kritisk data som utgör kärnan i varje företags konkurrensfördel; därav är bevarandet av konfidentialitet av högsta vikt.
Genom att använda federated learning får företagen inledningsvis en grundläggande AI-modell (Global AI Model) som de tränar inom sina säkra nätverk med sin respektive konfidentiella information. När AI-modellen uppdateras lokalt, överförs endast parametrarna för denna Lokala AI-modell till en integrerad server. Denna process säkerställer uppdatering av Global AI Model på serverns sida och möjliggör förbättring utan att behöva dela själva rådatan.
Artificiell Intelligens (AI) inom global läkemedelsupptäckt
Användningen av AI inom läkemedelsupptäckt globalt är inte ny. Läkemedelsföretag över hela världen undersöker AI för att påskynda utvecklingen av nya läkemedel, minska kostnader och öka framgångsgraden. AI kan snabbt analysera stora dataset för att identifiera potentiella läkemedelskandidater, förutsäga deras effektivitet och belysa säkerhetsproblem. Den kan också hjälpa till att förstå komplexa biologiska processer och designa molekyler som potentiellt kan utvecklas till nya läkemedel.
Vikten av data inom AI-driven läkemedelsupptäckt
Data är livsnerven i AI för läkemedelsupptäckt. Kvaliteten, kvantiteten och mångfalden av data avgör AI:s prediktiva kraft. Läkemedelsindustrin förlitar sig på stora mängder data från olika källor, inklusive kliniska prövningar, genomiska data, läkemedelsbibliotek och annan biologisk data. Åtkomst till varierade och omfattande dataset ger AI-modeller den information som krävs för att identifiera mönster och insikter som kanske inte är uppenbara för mänskliga forskare.
Viktiga frågor och svar
– Vad är Federated Learning och hur gynnar det japanska läkemedelsföretag?
Federated Learning är en maskininlärningsteknik som tillåter flera enheter att samarbeta om att bygga en modell utan att direkt dela känsliga data. För japanska läkemedelsföretag erbjuder det ett sätt att dra nytta av varandras data för att förbättra AI utan att kompromissa med proprietär eller konfidentiell information.
– Hur ser japanska läkemedelsföretag till att säkerheten för data bevaras vid AI-samarbeten?
Genom att använda Federated Learning tränar företagen AI-modeller med sin lokala data och delar sedan endast de uppdaterade modellparametrarna, inte själva datan, med en central server som koordinerar modellförbättringar. Denna metod bevarar dataintegriteten och säkerheten.
Utmaningar och kontroverser
En utmaning är att säkerställa integriteten och säkerheten för data och AI-modeller under användning och överföring. Trots de skyddande åtgärderna med Federated Learning finns det potentiella risker för dataintrång och cyberattacker. Dessutom finns det bekymmer kring validering av AI-genererade hypoteser och den regulatoriska acceptansen för AI-assisterade processer för läkemedelsupptäckt.
Det pågår även en debatt om de etiska implikationerna av AI inom hälso- och sjukvården, såsom partiskhet i dataset och AI-beslut, vilket potentiellt kan påverka forskningsresultat eller kliniska metoder oavsiktligt.
Fördelar och nackdelar
Antagandet av Federated Learning inom läkemedelsupptäckt har både fördelar och nackdelar:
Fördelar:
– Datasekretessen och -säkerheten bevaras eftersom rådata inte lämnar företagets lokaler.
– AI-modeller gynnas av en större uppsättning diversifierad data, vilket potentiellt kan leda till mer robusta och generaliserbara resultat.
– Samarbeten kan leda till kostnadsminskning inom läkemedelsutveckling och snabbare tid till marknaden.
Nackdelar:
– Komplexiteten att etablera en säker Federated Learning-infrastruktur kräver betydande investeringar och specialistkunskap.
– Det kan finnas begränsningar på vilka typer av algoritmer och modelluppdateringar som effektivt kan delas med Federated Learning.
– Att säkerställa modellens rättvisa och undvika partiskhet när data inte delas, och därför inte direkt jämförbar, kan vara utmanande.
För de som är intresserade av att lära sig mer om AI inom läkemedelsupptäckt och de bredare implikationerna för läkemedelsindustrin erbjuder dessa respektabla källor relaterade insikter:
– AI in Healthcare
– Drug Discovery at Nature
– ScienceDirect