数据科学& 人工智能:

挖掘新的科学见解


在阿斯利康,我们利用数据和技术来最大限度地利用时间来发现和交付潜在的新药。目前,我们正在R中嵌入数据科学和人工智能(AI)&D使我们的科学家能够突破科学的界限,提供改变生命的药物。


数据科学和人工智能有可能改变我们发现和开发新药物的方式-将昨天的科幻小说转变为今天的现实,以使创新科学转化为改变生命的药物512地震图片

吉姆·韦瑟尔 数据科学副总裁& AI,R&D

今天,我们正在生成并且可以访问比以往更多的数据。实际上,在过去的两年中,创建的数据比整个人类过去的历史都要多。但是,只有我们能够分析,解释和应用这些数据,才能实现这些数据的价值。就在我们的R上&D,我们正在使用AI来帮助我们解密大量信息,目的是:

?  Gaining a better understanding of the diseases we want to treat

?  Identifying new targets for novel medicines

?  Recruiting for and designing better clinical trials

?  Driving personalised medicine strategies

?  Speeding up the way we design, develop and make new drugs
 

我们的科学家正在使用AI帮助重新定义医学,以寻求发现,测试和加速未来潜在药物的新的更好的方法。以下各节仅介绍了数据科学和AI如何开始对我们的R产生影响的一些故事&D的努力。

 


将数据转化为知识



我们决心提高对诸如癌症,呼吸道疾病以及心脏,肾脏和代谢性疾病等疾病的基本了解。因为我们希望了解导致或驱动疾病的原因,因此希望找到治疗,预防甚至治愈疾病的新方法。

通过数据科学和AI,我们正在发现新的生物学见解,旨在提高我们的R&D生产力。例如,我们正在使用知识图-上下文相关的科学数据事实的网络,例如基因,蛋白质,疾病和化合物以及它们之间的关系-为科学家提供新见解并帮助克服认知偏见。

数据科学和人工智能还可以帮助我们揭示基因中疾病的秘密。我们的基因组研究中心正在努力,到2026年分析多达200万个基因组。除了CRISPR的基因编辑功能可删除基因组中的每个基因,以询问这些基因在生物学中起什么作用外,阿斯利康的科学家还在窥视我们的基因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产生了大量的数据。数据科学和AI正在帮助我们更快,更准确地分析和解释数据。




预测接下来要制造什么分子以及如何制造它们


通过人工智能,我们有潜力改变药物化学,通过复杂的计算方法增强传统药物的设计,以预测下一步要制造什么分子以及如何制造它们。

韦尔加德·捷克提斯基(Werngard Czechtizky) 呼吸化学药物化学研究和早期发展负责人& 免疫学,生物制药R&D

我们正在探索使用AI来帮助我们发现新药。我们相信,它具有提高质量和减少发现潜在候选药物所需时间的巨大潜力。

目前,这需要数年的详尽科学研究。合成和测试数千个分子,以实现正确的药物特性。

人工智能正在改变这个漫长的过程-使我们能够快速生成分子的新构想,并根据对我们现有的大数据集进行预测,从而对这些构想进行分类。

确定了有前途的分子后,下一步就是在实验室中合成分子。人工智能也开始在这里提供帮助-合成预测科学正在迅速发展,我们很快将能够使用AI来帮助我们推断出在最短时间内制造分子的最佳方法。

我们将AI视为明天化学实验室中的关键组成部分–不仅用于发现和制造新药,而且还用于控制自动化以加快生成,分析和测试高质量化合物的重复周期。


512地震图片

使用AI进行快速,准确的图像分析




每周,我们的病理学家都会从我们的研究中分析成百上千的组织样本。他们检查它们的疾病和生物标志物,以表明患者最有可能对我们的药物产生反应。这非常耗时,因此我们正在训练AI系统,以帮助病理学家准确而轻松地分析样品。这有可能将分析时间缩短30%以上。

对于我们的一个AI系统,我们实施了一种方法,该方法的灵感来自于一些自动驾驶汽车如何理解其环境。我们对AI系统进行了训练,以对肿瘤细胞和免疫细胞进行生物标记(PD-L1)评分,该生物标记具有帮助基于免疫疗法的膀胱癌治疗决策的潜力。

我们的AI系统会查看来自组织样本的数千张图像,有条不紊地检查每张图像是否包含PD-L1。它节省了我们的病理学家的时间,在困难情况下尤其有用。



通过数据科学和AI加速临床试验


当前,在评估潜在的新药时,随机临床试验(RCT)是药学的首选方法。但是,已发布的数据显示,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,增强当前的实践,并找到发现和开发潜在新药的新方法。

例如,快速采用高质量的电子病历(EHR)代表着庞大,丰富且高度相关的数据源,具有改善临床试验实施的巨大潜力。

联邦EHR技术正在释放新的机会来增强临床研究并改变我们进行临床试验的方式。该技术具有完善或替代许多临床试验过程的潜力,包括患者识别,选择,试验进行和数据采集。

我们还使用AI和机器学习工具从临床试验数据中获取更多价值。从历史上看,我们一直精通使用来自试验的数据来分析,解释和报告试验药物的安全性和有效性。但是我们想最大化已经收集的数据的价值。

数据重用可以帮助我们更好地设计我们的药物开发策略和计划。这可以帮助我们设计更明智的试验,增强我们的科学发现,并最终在将来有潜力帮助我们的患者获得最佳治疗。




建立正确的数据主干


今天,我们正在生成并且可以访问比以往更多的数据。数据和分析具有改变我们业务的潜力,但是只有在“公平”的情况下,科学数据的真正价值才能实现:可找到,可访问,可互操作和可重用。

阿斯利康的R&D和IT团队密切合作,共同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业务问题,并增强我们现在和将来利用新工具和技术(如AI和机器学习)的能力。

我们还将动员来自公司各处的数据科学家,生物信息学家,数据工程师和机器学习专家组成的团队,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专业知识突破科学的界限



我们的领先科学家正在使用AI来帮助重新定义医学,以寻求发现,测试和加速未来潜在药物的新的更好的方法。






合作帮助回答AI中的重大问题


我们知道最好的科学并不是孤立地发生的,这就是为什么我们要通力合作并为科学发现加油打气的原因。



Our collaboration with Schr?dinger uses their advanced computing platform with the aim of accelerating drug discovery. By combining physics-based modelling and machine learning, we will be able to predict the affinity of large libraries of potential drug molecules to identify the highest affinity candidates for synthesis and biological testing.


我们已加入 药物发现与合成(MLPDS)联盟中的机器学习,这是MIT和许多其他制药公司的学术/行业联盟。该联盟的目标是利用其成员各自的专业知识来设计和提供预测分子特性和合成路线的软件工具,以提高药物发现的速度和效率。



我们是一个 新的制药,技术和学术合作伙伴联盟称为“ MELLODDY” (用于药物发现的机器学习分类帐编排)。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,以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BenevolentAI合作 使用机器学习和人工智能来发现潜在的新药,以治疗慢性肾脏疾病和特发性肺纤维化。通过将我们在疾病领域的专业知识以及庞大而多样的数据集与BenevolentAI领先的AI和机器学习功能相结合,我们希望增进对复杂疾病生物学的了解,并更快地确定新的潜在药物靶标。


AI瑞典 通过独特的合作伙伴关系将行业,学术界和公共部门聚集在一起,以通过协作和跨行业共享来加速应用AI研究和创新。


加入我们

512地震图片

如果您相信科学可以做的力量,请加入我们的行列,努力突破科学的界限,以提供改变生命的药物。

与我们合作

我们知道,无论我们的科学多么创新,我们的药物和交付方式多么有效,以实现我们想要实现的一切,我们不能独自做到。