Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

五源资本作者

「新一代计算+实验」:人工智能为医药研发带来新的可能

图片
信息技术正在史无前例地渗透至各个领域,重塑各行各业的未来。医药,这个与我们每个人的健康与生活都息息相关的行业,也在IT的加持下面临新的范式变革。
作为最早布局「ITBT」赛道的投资机构之一,过去几年,五源资本发现和支持了很多数字化医疗领域的创业者。他们义无反顾地投身这个领域,用科技为产业破局。从更长时间维度来看,信息技术在医药行业的渗透才刚刚开始,未来会有更多变化发生。
新一代的计算和实验可以为行业带来哪些新的可能?投身于此的创业者们,是如何摸索与实践的?上个月,五源资本与动脉网联合举办了「数字化医药研发(ITBT)」论坛。
在论坛的圆桌环节,五源资本的三位被投企业创始人——焕一生物创始人&CEO文雯、未知君生物创始人&CEO谭验、宸安生物创始人&CEO王宇翀,和两位行业专家——普瑞基准科技创始人季序我、吴赣药业副总经理钱炜雯以「新一代计算+实验:新应用品类的产生」为主题进行了深入的探讨。
五源资本整理了圆桌的部分内容,希望对你有所启发:

图片

文雯:我是焕一生物的文雯。我们公司专注于AI+系统免疫技术平台的持续优化,方法是通过大量收集多组学的免疫数据,进行工程化建模机制的分析,去加速生物标志物的靶点发现和计算。
请大家做一下自我介绍,你们是怎么样应用新一代计算和实验,以及当初为什么要选择做这个领域?
谭验:我是未知君的谭验。未知君是做肠道微生物药物研发的公司。我们是一家制药公司,我们做的药的活性成分是活体微生物或者是以调节活体微生物为基础的分子。我们通过高通量自动化的实验加计算和人工智能的方法,进行药物分子或者药用活菌的发现。
2007年,美国的科学家发起了「人类微生物组计划」,这是一个对标2000年左右完成的「人类基因组计划」的大科学研究,从人体肠道微生物角度,去阐明肠道内的微生物对于人的健康和疾病的影响。基于此,我们认为整个肠道微生物会催生出极大的产业,而其中制药是个大行业,可以实现整个产业链的闭环。这是我们进入这个行业的原因。 
王宇翀:我是宸安生物的创始人王宇翀。宸安生物是国内最早开发单细胞技术的团队,在ITBT( IT Information Technology 信息科技,BT Bio-technology 生物科技 )领域里我们是更偏BT的那个。生命科学是由观测技术推进的领域,比如显微镜的发明让我们认识到了微生物,进而产生了抗生素。
近年来生命科学最大的观测技术突破之一就是单细胞技术,我们有史以来第一次可以在单个细胞的分辨率分析每个细胞的分子生物学过程,这不仅极大增进了我们对生命过程的理解,也让我们可以系统性的认知之前难以解决的、复杂的内源性疾病。
宸安生物建造了中国第一台质谱流式,并围绕这个平台开展了诊断级单细胞技术的研发、生产和临床。从去年开始,我们的设备逐渐从实验室走到了产线,今年年初已经开始商业化,接下来一段时间会有更多商业应用尤其是临床应用的进展。
季序我:我是普瑞基准科技的季序我,我们公司主要是用高阶生物信息算法、AI技术,对海量多组学的数据进行挖掘,希望对疾病的生物学机制上获得更深的理解,从而获得更有效的治疗策略。我们构建了面向新药研发的多组学数据挖掘系统AIBERT,同时我们建立了一个开放性的合作平台,现在和二十多家国内外头部药企建立了合作关系。
钱炜雯:我是来自吴赣药业的钱炜雯,我们是一家从事医药制造的苏州本土企业,公司目前已有34年历史。我个人是在2017年加入吴赣药业,当时来到吴赣药业的时候我也很震惊,以IT人的思路去看医药行业,会认为这个行业还处在农耕火种阶段,所有的研发都是实验为主。当时我的第一想法就是一定可以把计算机引入到整个实验过程中。过去4年我们组建了人工智能研发团队,目前也是在传统企业与人工智能结合的道路上一直在走。
文雯:大家很多都是学术背景出身,学术研究与创业实际上是完全不同的领域。一个学术成果最开始落地到商业化的过程中,会遇到哪些挑战?这个过程各位有什么体会?
谭验:因为我们都是做IT加BT或者人工智能的企业,人工智能有一个很重要的点是优化目标。做科学研究和做企业一个很大的区别在于目标优化的函数可能不太一样。科学研究需要极度创新,要在基础理论或者最前沿的方向上从零到一,需要真正的innovation。而落到产业中,在创新的同时,找到可以落地的路径也很重要。这是很重要的区别。
我经常会跟公司内部分享一个叫做「科创家」的理念,中国的商业历史上一直没有出现过科创家群体。以前更多是商业性的创业,到我们这一代才开始,有大量的科学家成为企业创始人。未来,怎样真正把科学研究和创新运用到商业上,实现产业化落地,这是科创家最大的挑战。
王宇翀:从科学、到技术、到产品、到应用的这个过程,需要同时考虑技术和模式的相互配合。就像我们选择单细胞技术路径时,需要考虑在成本、速度通量、应用性上如何更符合临床客户的需求。
这涉及到更底层的问题,在进行产品设计时,不仅要基于产业现在的需求,更要基于未来的需求。如何在对产业未来需求上建立认知优势,涉及到方法和时间积累——快速建立认知,同时探索世界上已有或者潜在可行的技术,把这些技术整合、重构甚至突破,去产生真正符合用户未来需求的产品,这可能创业最大的挑战。
季序我:传统的科技转化,是基础科研先行,产业再跟上。「组学数据挖掘驱动研发」也是同样的模式,先是生物信息学、多组学数据挖掘在科研上取得快速进度,接着就是应用于产业。
我们现在在AI+BT路上最大的挑战是,一方面需要确保我们在研发上的领先,与学术界的最新进展保持一致;另一方面又要明确科研和产业边界,也就是科研成果什么时候在产业内能发挥最大价值,转化的线要划在什么地方,我们应该把这个线再往前推十米,还是往后撤五米,这是最难的。
我常忧虑的不是我们的技术不够先进,而是我们技术的应用是不是足够落地。在风起来的时候,大家可能不会考虑这个“边界”的问题,越先进越好。问题是所有的风潮都有起有落,就算是明确向上的趋势,「从一个高潮走向另外一个高潮」,中间还是会有相对的低谷,这时候落地的问题就很重要。这样的思路,体现在我们考虑所有问题的时候,从战略到战术都是如此。比如,从科研的角度来说最好的选择,未必是产业最好的选择。鲍鱼鱼翅很好,但是粗茶淡饭也要能够吃,因为这当中也蕴含着信息,不能随便丢掉。
钱炜雯:因为我们企业已存在三十几年了,不存在前期创业转化的问题,更多是企业持久性的问题。关于科研和产业化如何界定,我个人觉得科研和产业化从来都是一体的,科研的最终目的都要实现产业化,科研的成果到最后都是要面临转化的问题。我认为他不存在一个切割的问题,而是如何去做。 
谭验:这一点我可能不太同意。我觉得做科研的最终结果可能会导致产业化,但做科研不应以产业化为目的。基础科学的进步如果是以产业化为最终目标,那可能会影响科研的纯粹性。但是做产业化的时候,企业可能有很多做科研的机会。企业不能以纯粹的科研兴趣或者基础研究为目的,而必须要确认公司的目标、可承受能力以及技术水平,做一定的研究以及产业转化。
我们希望中国在未来5年、10年、20年能够出现不以产业化为目标导向的基础科研,同时也有一批科创家在科研里不断找可能产业化的点,不断地去闯关。未来可能会出现更多伟大的、技术导向的企业。
文雯:几位嘉宾都是科学家兼企业家。我自己其实是商业背景,但我们公司有很多的博士,有做基础研究的,也有偏转化、甚至临床医学方面的博士。我们也会一起去讨论从科研到商业化、再到应用的过程。
从公司层面来说,我们需要看到一个远期的商业价值,我们的策略是根据5-10年的目标去做研发规划。生命科学不同于其他行业,看到明年的东西现在去研发就已经晚了,明年会有更新的技术出来。所以要往前看5-10年,对医疗、研发、生命科学整体有大概的预想,再做规划。尤其是在在公司资源有限的时候,确实需要做一定的取舍,考虑成本、可行性以及未来的商业价值。
下一个问题是,新一代的计算和实验是非常前沿的东西。你们接触到的客户或者合作伙伴中,大家对你们最认可的是什么?可以谈一谈心得和体会。
谭验:我们现在主要是做药物研发,最大的合作伙伴是医院和一些科研院所。以医院为例,从药物研发的角度,可能某个适应症是之前没有药物可治疗的,你觉得很excting,但对医生来说,他们首先看到的不是一个疾病种类或者新的靶点,而是一个个活生生的病人,背后是一个个家庭。医生更多会考虑这家企业的专业性和产品的性质,然后才是技术前沿性。
我们在最初期经常跟医生聊我们的科研能力、技术领先性,这个算第一块敲门砖,但真正建立长期的伙伴关系,关键还是如何落地以及是否能真正给病人带来疗效。
王宇翀:做技术的幸运是「文无第一、武无第二」,这点上来讲的话,客户对我们最好的支持就是对产品力的支持。
另一方面,医疗行业本身对合规、安全的要求非常高,特别是诊断级的产品,不能有任何的纰漏。也因此整个研发链条、试错周期都会很长,所以医疗领域基本功很重要,不能走弯路。所以我们会在产品很早期的阶段跟顶尖的临床机构一起探索从1-100的过程。
季序我:因为普瑞基准本身是一个开放性的合作平台,我们在和药企合作的过程中,可以切实地去推进一个新药的研发进度,这让我们非常有成就感。当然更有成就感的是,不仅药企伙伴认可,药监部门也认可,我们的技术能力可以真正的让这些药进入到临床,一期一期往下做,到最后获批上市,造福患者。
钱炜文:我们主要不是做创新药,更多是做产业化项目,产业化项目项目比较核心的是项目时间、效率、以及客户想要达到的目标,所以需要理解客户的需求。这也是客户认可我们的点。
文雯:总结一下各位的观点,从临床上或者到不同的用户到药企,或者到其他类型的客户,大家都是通过产品和服务解决痛点。而且在生命科学领域,痛点能够被解决一点也是蛮有成就感的事情。我们自己也有这样的体会。
下一个问题是,对于这个领域,跨学科的团队组建也非常关键,各位可以介绍一下在人才招募上的心得?
谭验:基本像我们这样的公司,最主要的研发人员集中在IT和BT两方面。从招聘上来讲,招到深入懂生物的计算人才是很难的,同时,在做实验的人中招拥有计算或者高通量思维的人也很难。我们讲IT和BT要融合,IT人要讲BT的事情,BT人要理解IT的结果。公司的研发思路要体现融合,团队中每个人也需要有这样的思维。IT和BT在过去是分开的,现在要融合在一块,这需要很多的training,培训也是挑战之一。
王宇翀:我们因为从事装备制造业,所以整个研发链条较长,从物理到机电、材料,再到分子生物学、细胞免疫学等,也包括算法和软件开发,需要多学科融合。我们的内部创新体系中,经常提的是要「一紧一松」。 
「紧」是指要以核心产品为导向,明确研发边界。做技术的人很容易手中有锤,满眼是钉,什么地方都要解决一下。优秀的产品,一定是要有精准的定义和明确的路径,才能做好。
另一方面,对很多创新类的工作不能设置太多限制,要允许个人在框架下尽量地发挥自己的创造力;同时,要有一套有效的内部信息协调的体系,可以让大家更好地配合。这个过程中也一定会有各种碰撞,这都是初创公司的日常。
除了在研发端,更重要是商业端的挑战。医疗的商业化周期和试错周期都很长,在这个过程中,任何时间上的缩短对于初创公司来讲都非常关键。如何能建立快速认知链条,快速地实现商业化产出,这也需要人才结构上的搭配。

季序我:因为我和联合创始人在这个领域都20年了,相对稀缺的生物信息方面的人才,反而是我们相对容易招聘的领域;对我们而言,目前希望寻找具备转化医学意识、且有相当新药研发经验的高水平人才加入。此外,也希望招募是商业感觉非常好的人才。
我的体会是,人才不是被培养的,是被吸引和选择的。我们具体做的事情是把愿景「打在公屏上」,点起一个火把,找到正确的方向,有同样信仰的人自然而然地就跟上了。一定要给大家一个愿景,同时也要看脚下,有一个可以落地的目标,同时尽可能地绕开路上的坑。
钱炜雯:我很同意季总说的,对于传统企业来讲高端人才确实很难招。我的理解是,高端人才的引进本身就应该是,大家有共同的愿景和使命,认可企业的文化,一起来做一些事情。
文雯: 早期时候我以为招人会非常困难,因为公司当时非常小,也没有名气。但因为我们做的事情是把免疫做系统化、数字化,这个愿景放在那里,吸引到了非常多的优秀人才,这在当时是出乎意料的。因为有这样的目标,确实能吸引到很好的人。
下一步是说,不同领域的人进来以后,他们之间怎么样去沟通。大家通常会认为跨学科有很高的认知壁垒,觉得对方做的事情非常难,我一定听不懂。其实很多都是心理壁垒。我经常跟团队说不要把这件事想得那么难,你也是一个很优秀的人才,是你的领域里的专家,去理解另外一个领域也是学习的问题。心理壁垒放下后,互相的交流和学习就会顺畅很多。
另外,在交叉学科的人才中,可能精通的人的确很少,但也是有的,现在国外也有非常多,这也是我们决定招募国际化团队的理由。真的有精通生物、又精通计算,知道人工智能又知道药物研发的一批人。大家也可以考虑去招募一些国际化团队的,科学一直都是一个国际协同的事情。
到了最后一个问题,给大家一个畅所欲言的时间,大家畅想一下未来,你们认为自己领域未来5-10年,产品或者应用会是什么样子?
谭验:我认为在未来的5-10年中,有机生命的药物会大量涌现,包括微生物药物、细胞药物,以及改造后的微生物药物和细胞药物。人体是一个复杂系统,我们的药物必然也会走向复杂系统。药物会更加多元化,复杂度也会不断提高。另外,活体药物的治疗会越来越走向个性化和精准化。
王宇翀:我想了一下十年前医疗行业,觉得以当时的判断很难想象到现在能达到的高度,整个产业都在持续的加速发展中。宸安生物成立时我们设了两个十年愿景,当时感觉都非常宏大,第一是参与到产业中,共同见证肿瘤变成可控慢性疾病。第二是通过信息化给创新医药领域带来数量级的效率提升。
季序我:5-10年可能不好说,但如果把时间的尺度稍微再放宽一点,在10年、20年这个尺度上来看,我觉得「海量组学数据驱动新药研发」这件事一定会比现在加速。我们现在已经看到最近3-5年的加速,一方面是组学数据的快速积累,另一方面是深度学习技术的快速发展,最近这3-5年的发展超过了之前的15年。未来我觉得会很明确:数据承载一切,也驱动一切。
钱炜雯:医药行业本身承载着人类对于美好生活的愿景和期望。过去十年行业的发展进入到一个加速度,也许在未来可以有一个更美好的愿景,大部分人类的寿命可以比以前长,生活质量会比以前高很多。
文雯:我也挺同意几位说的,一个是精准化,一个是数字化。如果想象十年之前的生命科学领域,人类基因组织计划在当时是多么庞大的计划,为了测一个人的基因序列,需要全世界几百个科学家花费很长时间。今天,十几美金就可以测基因,这在十年前是无法想象的。
所以未来十年,随着IT技术、人工智能算法、检测技术、工程技术的发展,人体数据化会更深入,每个组学都可以以很低的成本去获取、建立模型,实现真正精准的个体化医疗。这是我们在一起努力的事情。
产业医药研发
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

基准技术

一种简单的模型或启发法,用作比较模型效果时的参考点。基准有助于模型开发者针对特定问题量化最低预期效果。

数据挖掘技术

数据挖掘(英语:data mining)是一个跨学科的计算机科学分支 它是用人工智能、机器学习、统计学和数据库的交叉方法在相對較大型的数据集中发现模式的计算过程。 数据挖掘过程的总体目标是从一个数据集中提取信息,并将其转换成可理解的结构,以进一步使用。

Infor机构

Infor是一家跨国企业软件公司,总部设在美国纽约市。Infor专注于通过云计算作为服务交付给组织的业务应用。最初专注于从财务系统和企业资源规划(ERP)到供应链和客户关系管理的软件, Infor在2010年开始专注于工业利基市场的软件,以及用户友好的软件设计。Infor通过Amazon Web Services和各种开源软件平台部署云应用。

www.infor.com
相关技术
推荐文章
暂无评论
暂无评论~