数据科学与人工智能:

开启新的科学洞见


在阿斯yabo官网入口利康公司,我们利用数据和技术,最大限度的时间为潜在的新药物的发现和传递。现在,我们正在通过我们的R&d嵌入数据科学和人工智能(AI),以使我们的科学家推科学的界限,提供改变生活的药品。


数据科学和人工智能有可能改变我们发现和开发新药的方式——把昨天的科幻小说变成今天的现实,目的是使创新科学能够转化为改变生命的药物

吉姆·韦瑟罗尔副总裁,数据科学和人工智能,研发

今天,我们比以往任何时候都能产生和获得更多的数据。事实上,过去两年创造的数据比之前整个人类历史创造的数据还要多。但是,只有我们能够分析、解释和应用这些数据,这些数据的价值才能实现。在整个研发部门,我们都在使用人工智能来帮助我们破译这些丰富的信息,目的是:

•更好地了解我们想要治疗的疾病

•识别新型药物新靶标

•招募和设计更好的临床试验

•驾驶个性化医疗策略

•加快我们设计的方式,开发和制造新药物

我们的科学家正在使用人工智能帮助重新定义医学科学,寻求新的更好的方法来发现、测试和加速未来可能的药物。以下部分将讲述数据科学和人工智能如何开始改变我们的研发努力背后的一些故事。


将数据转化为知识



我们决心推动我们的疾病,如癌症,呼吸系统疾病和心脏,肾脏和代谢性疾病的基本认识。因为通过学习是什么原因导致或驱动器的疾病,我们希望能找到新的方法来治疗,预防甚至治愈他们。

通过数据科学和人工智能,我们正在揭示新的生物学洞见,目的是提高我们的研发生产率。例如,我们正在使用知识图——由背景化的科学数据事实(如基因、蛋白质、疾病和化合物)以及它们之间的关系组成的网络——来给科学家提供新的见解并帮助克服认知偏见。

数据科学和AI也能帮助我们揭示疾病的奥秘,我们的基因。我们的基因组研究中心,目标是在2026年分析了两个百万基因组除了CRISPR的基因编辑力量删除每一个基因在基因组中问什么作用的基因在生物学玩,阿斯利康公司的科学家们我们的基因构成里面窥视yabo官网入口- 最多帮助我们更好地了解疾病。

但是基因组的巨大规模意味着这些实验会产生大量的数据。数据科学和人工智能正在帮助我们更快、更准确地分析和解释数据。





预测什么分子,使未来,以及如何使他们


通过人工智能,我们有可能改变药物化学,用复杂的计算方法来增强传统药物设计,以预测下一步要制造什么分子以及如何制造它们

加里PairaudeauHit发现部,发现科学,研发部的主管




我们正在探索人工智能的使用,以帮助我们发现新的药物。我们相信它有很大的潜力来提高质量和减少发现潜在候选药物的时间。

目前这需要数年详细的科学研究;合成,为了实现对药物性能检测成千上万的分子。

人工智能正在改变这一漫长的过程——使我们能够迅速产生新的分子想法,并利用现有的大数据集进行预测,对这些想法进行排序。

确定了有希望的分子,下一步是在实验室里合成分子。AI也开始帮助这里——综合的科学预测是快速发展的,我们很快就能使用人工智能来帮助我们推断出最好的办法让一个分子在最短的时间内。

我们将人工智能视为未来化学实验室的关键组成部分——不仅用于发现和制造新药,还用于控制自动化,以加快产生、分析和测试高质量化合物的重复周期。

我们致力于发表我们的科学进展。例如,一纸自然机器智能由生物制药研发中心的科学家描述了新的基于人工智能的模型,使用条件递归神经网络,使化学家和计算机交互工作,以加速化学空间的探索和潜在新药分子的设计。



使用AI进行快速,准确的图像分析




每个星期,我们的病理学家分析从我们的调查研究数百个组织样本。他们检查他们的疾病和生物标志物可能表明患者最有可能对我们的药品回应。这是非常耗时这就是为什么我们正在训练的AI系统,以协助病理学家在准确,更轻松地分析样品。这有超过30%削减分析时间的潜力。

对于我们的一个人工智能系统,我们实施了一种方法,灵感来自于一些自动驾驶汽车如何理解他们的环境。我们训练人工智能系统为肿瘤细胞和免疫细胞的生物标志物PD-L1进行评分,这种标志物有可能帮助基于免疫疗法的膀胱癌治疗决策。

我们的AI系统会从组织样本数千张图片,有条不紊地检查每一个PD-L1。它节省了我们的病理学家时间,在困难的情况下尤其有用。



通过数据科学和人工智能加快临床试验


随机临床试验(rct)是目前制药公司评估潜在新药的首选方法。然而,公布的数据显示,随着时间的推移,它们变得更加昂贵和复杂。

数据科学的进步可以帮助我们重新思考临床试验,加强当前的实践,并找到发现和开发潜在新药的新方法。

例如,采用快速高品质的电子健康记录(电子病历)的代表拥有巨大的潜力,提高临床试验的实施地域广阔,丰富,高度相关的数据源。

联邦EHR技术解锁新的机会,以提高临床研究和改造我们做临床试验的方式。该技术有改进或取代许多临床试验流程,包括病人识别,选择,审判行为和数据的采集的潜力。

我们还在使用人工智能和机器学习工具从临床试验数据中收集更多价值。从历史上看,我们已经熟练地利用试验数据来分析、解释和报告试验药物的安全性和有效性。但我们想要最大化我们已经收集的数据的价值。

数据再利用可以帮助我们更好地设计我们的药物发展战略和计划。这可以帮助我们设计更智能的试验,加强我们的科学发现,最终,在未来,有可能帮助我们的患者得到最好的治疗方法的潜力。





构建正确的数据主干


今天,我们比以往任何时候都能产生和获得更多的数据。数据和分析有可能改变我们的业务,但科学数据的真正价值只有在“公平”的情况下才能实现——可查找、可访问、可互操作和可重用。

yabo官网入口阿斯利康(AstraZeneca)的研发和IT部门正密切合作,以创建行业领先的企业数据和AI架构。这将帮助我们回答关键的商业问题,并增强我们驾驭新工具和技术的能力,比如现在和未来的人工智能和机器学习。

我们还在动员来自全公司的数据科学家、生物信息学家、数据工程师和机器学习专家组成一个团队,以确保我们以最佳方式收集、组织和使用正确的数据。




通过AI专长推动科学的界限


我们的顶尖科学家都在寻求新的和更好的方法来探索,试验和加速未来的潜在药品使用AI来帮助重新定义医学科学。






合作帮助回答人工智能中的重大问题


我们知道最好的科学不会孤立地发生,这就是为什么我们合作并为科学发现敞开大门。



我们与薛定谔的合作使用了他们先进的计算平台,目的是加速药物发现。通过结合基于物理的建模和机器学习,我们将能够预测潜在药物分子大文库的亲和力,以确定最高亲和力的候选药物进行合成和生物测试。


我们加入了机器学习在药物发现和合成(MLPDS)联盟,学术/行业协会与麻省理工学院和其他一些制药公司。该联盟的目标是利用其成员各自的专长来设计和提供软件工具,预测分子性质和合成路线,提高速度和药物开发的效率。



我们是a的一部分名为“MELLODDY”的新的制药、技术和学术合作伙伴联盟(机器学习分类编排药物发现)。该项目旨在利用世界上最大的具有已知生化或细胞活性的小分子集合,建立更准确的预测模型,并提高药物发现的效率。




我们正在与合作BenevolentAI利用机器学习和人工智能发现治疗慢性肾病和特发性肺纤维化的潜在新药。通过将我们在疾病领域的专业知识和大量、多样的数据集与BenevolentAI领先的人工智能和机器学习能力相结合,我们希望提高我们对复杂疾病生物学的理解,并更快地识别新的潜在药物靶点。


瑞典人工智能创新将产业界、学术界和公共部门结成独特的伙伴关系,通过合作和跨行业共享,加快应用人工智能研究和创新。