详细内容或原文请订阅后点击阅览
关闭人工智能驱动的药物发现中的数据循环
药物发现是一项高成本、高风险的工作，它面临着越来越大的来自先发优势所定义的市场的压力。自 20 世纪 50 年代以来，开发新药物的成本大约每九年翻一番，这种现象被称为“埃鲁姆定律”。如今，将一种新药推向市场平均需要 10-15 年的时间，而且成本……
来源:MIT Technology Review _人工智能一些供应商已开始应对这一挑战。 Belcher 提到了 Cytiva 的图像完整性检查器等解决方案，该解决方案使用安全哈希算法（与区块链中使用的技术相同）来检测科学图像是否被篡改。他补充道：“我们开始看到出版社表现出很大的兴趣，希望采用这一标准作为标准，因为这是确保文献中出版的内容是真实的一种快速方法。”
自主实验室可以加速突破
Belcher 将药物发现的未来状态描述为完全自主的实验室，在最少的人为干预下运行。这一愿景的基础是数据和基础设施的一致性。
这些人工智能驱动的黑暗实验室或循环实验室全天候运行。他们循环进行预测、测试和优化，然后将结果反馈到人工智能模型中，以指导下一轮实验。贝尔彻说，这可以提高候选药物进入临床试验的成功率。更好的起点，加上更多轮的优化，应该会产生更好的候选者，同时减少进入诊所的责任。
但实验室的自动化在很大程度上取决于集成。这意味着可互操作系统、高度结构化和全面的数据集以及轻松进出的信息。大多数实验室还没有做到这一点。 “如今，实验室中的许多仪器都是独立的，”贝尔彻指出。 “你可以拥有世界上最好的技术，但如果它是一个封闭的生态系统——如果用户无法获取数据——那就没有任何好处。”
集成基础设施可以使实验室大规模生成 FAIR（可查找、可访问、可互操作和可重用）数据。这不仅可以为个人实验室报告提供信息，还可以训练下一代人工智能模型，有效地闭合计算、人工智能驱动的干实验室和物理湿实验室之间的循环。