Big Data & Artificiell Intelligens (AI)

"Artificiell Intelligens, AI, och dess tillhörande teknologi machine learning ses av många experter som en ännu större revolution än vad Internet medförde när det kom i allmänt bruk på 90-talet. 
Man tror att AI snabbt kommer att byggas in i alla sorters digitala produkter och tjänster, vi är på väg mot “AI everywhere”. " Stockholm Science City Foundation

Det här inlägget kommer handla om Big Data, Machine Learning, AI. Vi vet att PHI´s teknik, som HoloMonitor bygger på, ger enorma mängder information. Men där bara bråkdelen, 5-10%?, förstås och används av användarna/forskarna (företrädesvis). 2 av PHI´s partners, Northeastern University och UCSF, har konstruerat egna program för att få fram mer information från deras installerade HoloMonitorer.Det via machine learning,en teknik som i teorin lär sig sortera,pussla ihop,översätta information till användbarhet för forskarna.Hur mycket mer än de 5-10%? man i vanliga fall förstår och använder kommen ur Holotekniken de fått ur är omöjligt att säga.
Det vet enbart de själva,men ponera att de lyckats få upp infomassan till 15% så är det i sig en bedrift.
Hypotetiskt återstår alltså 85% värdefull information som man inte använder då man inte vet hur man ska få den uttolkad och därigenom användbar. Ponera att bland dessa 85% finns "svaret" på frågan "varför".
Varför vissa cancerceller uppför sig si eller så givet en specifik situation.
Varför utvecklar sig vissa cancerceller till elakartade tumörer,men andra inte?
Eller vid redan utvecklad cancer och man testar en ny medicinkompononent man tror är verksam.    
Varför regresserar (går tillbaka alt stannar i utvecklingen) cancercellen i ett försök men inte i ett annat?
Har det att göra med dess omgivning med andra friska celler eller är koncentrationen av cancerceller av betydelse?
Det finns förmodligen tusentals fler parametrar som spelar in.Det är dessa parametrar vi människor inte klarar av att på egen hand processa och där kommer tekniken in i bilden.En teknik som är uppbyggd på människans förmåga att tolka och förstå. Konstgjord intelligens som det slarvigt kan översättas till, AI.
Ur forskarnas synvinkel finns oerhörda vinningar att göra när AI har slagit igenom som ett accepterat "verktyg" inom deras konservativa område.Forskning och forskare är som de flesta av er redan vet den konservativa högborgens starkaste fäste.Och det med all rätt. Forskning är så viktigt så det får inte slarvas med eller tas några genvägar för att snabbare nå resultat.Men tekniken börjar nu användas inom alltfler områden så det är enbart en tidsfråga innan den samlade forskningsmiljön tar den till sitt hjärta.För PHI´s vidkommande vet vi att vissa användare/forskare sett fördelarna med tekniken och använder den idag (Ed Luther på Northeastern Uni och Robert Judson på UCSF).
Vi vet även att ett datasnilleföretag på någons uppdrag tagit fram algoritmer (som AI är uppbyggt av) tänkta att använda tillsammans med HoloMonitor. Det berättade bloggen i ett inlägg från Februari i år.

Ur ett kommersiellt perspektiv är de stora vinnarna läkemedelsföretag som med AI snabbare når resultat (godkända läkemedel) och dessutom sparar in hiskeliga summor vid framtagningen av dito.

Ett bamsestort konsultföretag, L.E.K., har gjort en undersökning baserad på intervjuer med de 10 största läkemedelsföretagen i världen,även kallad Big Pharma.Hur dessa ser på och använder AI i sin verksamhet.
Här några utdrag ur undersökningen:

Artificial intelligence (AI) has the potential to transform the pharmaceutical industry. Each of the major pharma players is investing in the technology at some level, and there are a growing number of applications that address target and drug discovery, preclinical and clinical development, and post-approval activities. With AI comes the potential to improve drug approval rates, reduce development costs, get medications to patients faster and help patients comply with their treatments.
Industry executives surveyed by L.E.K. Consulting expect that AI applications will become standard in the pharma operating model over the next five to 10 years. However, at present, the landscape of AI providers and technologies is fragmented, with no clear winners in any application. Creating the right AI strategy will be complex and will often have a steep learning curve, especially given the nascent stage of the industry’s development and the relative lack of case studies documenting success.
This Executive Insights reviews the opportunities that artificial intelligence can bring for pharma companies and four key factors that players should address when developing their AI strategy.

The potential of artificial intelligence

While there is no universal definition for AI, it broadly refers to systems that are able to function with a degree of autonomy and iteratively optimize their processes. Within life sciences, we apply the term “AI” to four major approaches:

• Machine learning: Processes that analyze input data and then repeatedly optimize their methods based on generated outputs  
• Deep learning: A machine-learning-based approach that utilizes a logic structure akin to biological neural networks
• Natural language processing: A refined automatic speech recognition system that is able to interact with people through dialogue, going beyond simple reactions to well-stylized user requests
• Robotics and the internet of things: Integration of devices to collect, combine and share different types of information

Using these four approaches, artificial intelligence is set to speed up or replace steps in the drug development process, with the objectives of significantly improving approval rates and reducing the very high level of associated costs. Currently, approximately 90% of all clinical drug candidates fail to reach approval, driving the associated costs of drug development to an estimated $1.4 billion. AI has wider potential to cut the costs of the industry’s research and development (R&D) spend, which for the largest 10 pharmaceutical companies is $67 billion (equivalent to 40% of the sector’s total R&D bill).
AI’s ability to reduce drug development times is already starting to be realized by big pharmaceutical companies. Novartis, for example, used the technology to combine clinical trial data from a variety of internal sources to predict and monitor trial enrollment, cost and quality. As a result, the company has reported a 10%-15% reduction in patient enrollment times in pilot trials.
Accelerated drug development and approval rates can also unlock profits from more years of patent-protected market exclusivity. In addition, AI has the ability to optimize patient support efforts after drugs have been approved.

Big pharma investment in AI

All of the largest 10 pharmaceutical companies (by revenue) have either partnered with or acquired AI companies to leverage the opportunities the technology presents (see Figure 1).

Samtliga Big Pharma har partnat upp med eller förvärvat företag med kompetens eller AI-baserad verksamhet.

Ur en branschtidning läser jag en artikel från Januari :
The first month of 2019 is not over yet, but there are already four major announcements about new research projects between large drug discovery corporations and smaller artificial intelligence (AI) companies -- this is more than the number of all similar announcements in the year 2014 combined.

The January collaboration spree includes a partnership between one of the largest US-based contract research organizations Charles River Labs with Canadian startup Atomwise to apply AI-driven approach to structure based drug discovery (SBDD). If successful, the deal might be generating up to $2.4 billion in royalty payments for Atomwise.
Roche just partnered with Exscientia to utilize its AI-based drug discovery platform Centaur Chemist™ for designing pre-clinical drug candidates.
Danish Lundbeck Pharmaceuticals just announced a deal with AI-driven drug discovery company Numerate to utilized its expertise and platform for identification of promising clinical candidates for the treatment of central nervous systems (CNS) disorders, including depression.
While the above partnerships are primarily centered around medicinal chemistry tasks and approaches, boosted by AI-algorithms, the next collaboration between Pfizer and Israel AI-driven biotech startup CytoReason is based on a more biology-centric application of AI modelling capabilities -- including the integrated big-data analysis of omics data related to the functioning of the immune system.
Overall, 2019 might well be a turning point for the pharmaceutical AI market, a transition from “quantity to quality” -- a large number of collaborations and venture rounds observed over the last two years might be yielding initial practical breakthroughs.

Samma tidning har en fyllig artikel benämnd : How Big Pharma Adopts AI To Boost Drug Discovery
Mycket läsvärd.

Ur en annan branschtidning får vi följande kända information :
Big Data and AI show promise in reducing the time and cost of pharmaceutical R&D as well. Billions of dollars are invested each year into the discovery and development of new medicines, but it usually takes 10 to 15 years for a medicine or vaccine to evolve from discovery to commercialization. Manufacturers invest a huge amount of capital long before seeing any return, which means they must allocate a high percentage of budget to R&D. Big Data Analytics reports that the fail rate for clinical trials is 92 percent and drug companies spend an average of $2.6 billion developing a single drug.

De avslutar artikeln med : Big data, AI, and machine learning have the potential to change the way we develop, monitor, manufacture, and apply drugs.
Även denna artikel är mycket läsvärd.

Konsultföretaget Deloitte har gjort en gedigen analys av Life Science-området 2019 och ser en förvärvsdriven strategi från bjässarnas sida.

What are the trends affecting life sciences? In 2019, the life sciences sector will see a strategic rise of the digital mindset and further adoption of transformative technologies. While traditional investment vehicles, like mergers & acquisitions, can expect a sharper focus, external innovation can become a meaningful culture change-agent through innovative and creative partnerships with new entrants and non-traditional players. 

 

Strategic focus on deal-making and external innovation

In 2019, biopharma faces a compelling strategic imperative for external innovation. The simultaneous hunt for next gen medicines against declining R&D returns make external deals a key innovation source for companies. It is likely to be the dawn of a new age of deal-making, especially, for companies looking to take the lead in next-generation therapies. Large, transformative acquisitions in the US$60-70 billion range defined 2018 and the beginning of 2019. This year, we will see an increase in appetite for mid-sized strategic transactions that complement a company’s core and shedding of non-core assets.

Transformative technologies in life sciences

The physical, digital, and biological worlds converge in Industry 4.0. Forward-thinking pharma companies are moving beyond pilots and focusing on how new technologies can add value. These are some of the technologies driving digital transformation in life sciences.
Artificial Intelligence (AI): AI is just beginning to be applied in life sciences to help with intelligent use of data. It has the potential to revolutionize diagnoses, treatment planning, patient monitoring, and drug discovery.
Internet-of-Medical-Things (IoMT): The rising number of connected medical devices—together with advances in the systems and software that support medical grade data and connectivity—have created the IoMT. Connecting devices is currently a priority as sensors are transforming diagnosis and the way patients are treated and monitored.
Software-as-a-Medical-Device (SaMD): Software is changing how clinicians practice medicine, how consumers manage their own health, and how patients and providers interact. SaMD is a software that provides one or more medical functions and is usually embedded in hardware. The algorithms powering SaMD are already proving better than some clinicians’ diagnoses.

Mobilizing data, the currency of life sciences innovation

Forward-looking life sciences leaders who have adopted digital platforms and emerging technologies are measuring value and outcomes with greater efficacy. Big Data driven insights can dramatically transform patient care and enhance productivity of trials.

Och från "golvet" kan vi i en intervju med en AstraZeneca-medarbetare få följande info:

- AstraZeneca och Life Science handlar inte bara om ämnen som kemi, biologi, medicin och forskning. 

Det behövs också ett team av IT-experter och ingenjörer för att skapa resultat!

Vi blev nyfikna på att veta mer och har därför träffat en av de 150 IT-experter som arbetar på AstraZeneca.

- Hej Robin Brouwer, Site IT-manager på AstraZeneca. Vi är jättenyfikna på vilken betydelse IT-experter har inom Life Science och vad som är hetast inom branschen?

- Det hetaste i branschen är data science, big data, tillsammans med Artificiell Intelligens (AI).   
Genom åren har vi samlat oerhörda mängder information (big data) och genom AI kan vi dra slutsatser från redan insamlad data. Det gör att vi på ett effektivt och snabbt vis kan få fram nya läkemedel till patienter.


Min kommentar
Jag tror de flesta håller med bloggen om att vi lever i informationsflödets tidevarv. Med den digitala tekniken har vi idag så många fler möjligheter att dra nytta av all information som omger oss.
Tittar vi utanför vår egen bubbla ser vi att alltmer hanteras digitalt: industri,produktion,information osv osv...
Tiden är nu på allvar kommen till Life Science med alla dess aktörer att dra nytta av teknik som hanterar information.Vi ser att Big Pharma ställer om sin verksamhet och införlivar digitalisering + information genom AI.Stora aktörer dammsuger marknaden på digital high-technologi-företag,ofta innan dessa hunnit bli alltför stora och då med en bra mycket högre köpeskilling.
Dessa mindre företag med en produkt som är teknikbaserad och gör bjässarnas forskning&utveckling samt läkemedelsproduktion effektivare och mer lönsamma.
Det vi ännu inte sett i nån större omfattning är uppköp av företag som själva baserar sin verksamhet på AI. Företag som hanterar information från exempelvis sjukhus med inriktning på behandling av patienter med specifik sjukdom. Tänk all samlad information kring varje behandlad cancerpatient.
Från diagnostillfället med alla bakomliggande tester till behandling med alla testade behandlingsformer ink alla testade mediciner och de resultat det gett under "resans" gång.
Multiplicera detta med det antal cancerpatienter som årligen diagnostiseras med sjukdomen.
Enbart i USA är den siffran 1,7 miljoner per år.
Låter det långsökt att det går att sälja all denna information?
Icke då, för i USA köpte Roche ett relativt nystartat informationsbaserat företag (5 år),Flatiron Health som med egenutvecklad AI sysslade med detta. Roche slantade upp 2,1 Miljarder Dollar för att få tillgång till deras strukturerade informationsbas. Det blir ca 20 Miljarder Svenska riksdaler omräknat.
Vad har då detta för bäring på PHI och HoloMonitor undrar ni säkert.
Jo,med den enorma informationsmängd PHI´s teknik ger finns här en affärsmöjlighet för en aktör utanför de vi spekulerar om idag. Thermo Fisher och det andra företaget som sysslar med immunterapiforskning.Ponera att uppdragsgivaren till det där datasnilleföretaget som fått fram algoritmer till HoloMonitor resonerar i Rochetankar. Ponera vidare att man nu lyckats få ut 50-75-100? % av all information instrumentet levererar. Logiskt sett är det PHI som är uppdragsgivare,men kanske i partnerskap med någon annan?
Vad är då den fulla informationen värd som man får ur HoloMonitor? Det kan bloggen inte ens gissa sig till så jag avstår. Men det jag tror är att den aktör som förstår värdet av att äga tekniken fullt ut (alltså köpa hela konkarrongen från PHI) är beredd att betala bra mycket mer än de 2 intressenter vi har nu.
Som man summerar Roches köp : Roche's recently announced acquisition of the oncology data company Flatiron Health for $2.1 billion represents a robust validation of the much-discussed but infrequently realized hypothesis that technology entrepreneurs who can turn health data into actionable insights can capture significant value for this accomplishment.
Alltså ska vi inte utesluta andra "friare" än de vi initialt gissat på. Vad sägs om en helvild spekulation?  IBM med sin dotter AI verksamma Watson?
Som VD tidigare sagt: Tänk stort! Bloggen tillägger : Think outside the box!

                                        Mvh the99

Ps.Detta inlägg är det jag vibbat om tidigare.