Innehållet berättar hur en läkemedelsutvecklare tillika tillverkare ser på Machine Learning -> AI i sin verksamhet.
Det handlar alltså om företaget AstraZeneca och i en nyligen publicerad artikel får vi info om hur resurs- som tidskrävande det är att ta fram en ny medicin.
By the way,bloggen använder även AI i detta inlägg då Googles översättningsverktyg (som är uppbyggt på algoritmer) använder sig av Machine Learning för att klara biffen att översätta engelska till vårt förhållandevis knepiga språk.
Rubriken på artikeln är Machine Learning is Transforming Drug Discovery at AstraZeneca och Googles översättningsprogram levererar följande text:
 |
| Courtesy of AstraZeneca |
- Sjukdomsförståelse och läkemedelsupptäckt baseras på vetenskaplig rigor. Och medan det är arbete som potentiellt kan förändras i livet, kan det också vara tråkigt och tidskrävande.
Få vet det bättre än Magnus Söderberg, en patologforskare med mer än 20 års erfarenhet av lab och ledare och teknisk ledare på det brittiska och sverigebaserade bioteknikföretaget AstraZeneca. När man utvecklar en ny kandidatdrog, kan Söderberg och hans team tillbringa veckor som hunched över mikroskop, manuellt katalogiserande prover. En efter en stämmer de på små skivor av njursvätska som tas från labbdjur och kategoriserar tillståndet för var och en för att avgöra om kandidatläkemedlet var effektivt och säkert.
Experter som specialiserar sig på detta, som Söderberg, är högst upptagna för att det här är ett slags arbete som kräver lång erfarenhet och kompetens. Och dessutom är det uttömmande och tidskrävande. Till exempel, i en preklinisk studie som testar effekten av en ny kandidatdrog kan det ta upp till 3 veckor att läsa igenom alla vävnadssektioner. Det är inte bara tid som kan användas bättre med fokus på läkemedelsupptäckt. Det försenar också frisläppandet av lovande nya droger till patienter som behöver dem.
AstraZeneca har experimenterat med maskininlärning i alla faser av forskning och utveckling, och senast i patologi för att påskynda översynen av vävnadsprover. Maskininlärningsmodellerna lär först från en stor representativ dataset. Märkning av data är ett annat tidskrävande steg, särskilt i det här fallet, där det kan ta många tusen bilder av vävnadsprov för att träna en exakt modell. AstraZeneca använder Amazon SageMaker Ground Truth - en maskininlärningsdrivet datateknologi och annoteringstjänst för mänskliga data - för att automatisera några av de mest tråkiga delarna av det här arbetet, vilket resulterar i en minskning av de tidskrävande katalogiseringsproverna med 50 procent.
Resultatet? Accelereringen av läkemedelsforskningsprocessen och införandet av läkemedel på marknaden snabbare.
 |
| Courtesy of AstraZeneca |
Lås upp New Pharma Insights
Sedan 2017 har Söderberg spårat ett pilotprojekt för att verifiera löftet om maskininlärning i AstraZenecas forskning, med början av nya kandidatdroger som har potential att minska njurskador, ett tillstånd som påverkar många patienter med diabetes. Forskare satte ut för att testa om maskininlärning kan hjälpa till att analysera och klassificera vävnadsprover såväl som (om inte bättre än) en mänsklig - och i en högre takt. För att få projektet igång, samarbetade AstraZeneca med AWS Machine Learning Solutions Lab för att utveckla modellen för objektdetektering och -identifiering i bilder.
"Noggrannheten i vår bilddetektering och erkännandemodell är starkt beroende av träningsdatasättets kvalitet, så att du spenderar tid och resurser för att säkerställa mycket noggrann datormärkning är avgörande, säger Christos Matsoukas, industriell doktorand som stöds av Royal Institute of Technology / Svenska WASP-initiativet och anpassat till projektet.
Det här är Amazon SageMaker Ground Truth kommer att hjälpa till att annotera, samla in och klassificera träningsdata snabbt. Tjänsten använder maskininlärning parallellt med human labelers för att lära sig att märka data för den specifika uppgiften till hands, och tar slutligen över huvuddelen av märkningsarbetet så att människor kan fokusera på andra mer kreativa uppgifter. Detta är ett nytt tillvägagångssätt för läkemedelsforskning, eftersom AstraZeneca använder kollektiva visdom för erfarna patologer - undervisad på en maskin - för att dramatiskt öka forskningshastigheten.
Ett viktigt mål för projektet, utöver att spara tid, är att ge AstraZeneca-forskare tillgång till bättre data och mer noggrann analys som härrör från den. AstraZeneca är inte nytt för att använda bildanalysverktyg inom vissa delar av företaget, men pilotprogrammet har ett löfte om att kategorisera och konceptualisera de uppgifter som bolaget samlar in som helhet.
"Imaging-verktyg blir ryggraden i hela läkemedelsforsknings- och utvecklingsbranschen", säger Richard Goodwin, AstraZenecas direktör för molekylär bildbehandling. "Men de genererar så mycket nya data att vi inte längre kan lita på en människa för att vara expert som kan tolka all sådan data."
Faktum är att mängden information som är låst i en bild nu är så omfattande och komplex att även högutbildade forskare som Söderberg och hans team inte kan se relationerna och mönstren genom resonemang och intuition ensam.
"Njurarna är speciellt komplexa, och det är inte tillräckligt för vetenskapliga ändamål att göra en manuell, kvantitativ poängering av varje njure," säger Söderberg.
Målet med AstraZenecas pilotprojekt är att använda sin AWS-byggda modell över 2.000 vävnadsprover för att identifiera viktiga njurfunktioner på ett tillförlitligt och reproducerbart sätt.
Ögon på priset
Resultaten har varit slående och omedelbara. Söderberg säger att data som märkts av modellerna har gjort det möjligt för AstraZeneca att utveckla tekniker som kan exakt identifiera de viktigaste strukturerna som drabbats av diabetesskada med en 95% framgångshastighet och minimala falska negativ (misslyckad med att hitta en nyckelfunktion) än vad han hade förväntat sig. Genom att avlasta detta tråkiga arbete till en maskin, halveras den totala tiden som krävs för att analysera en uppsättning vävnadsprover, vilket i sin tur frigör forskarnas tid så att de kan göra mer forskning.
Naturligtvis sparar tid bara en liten del av den förmån som tillhandahålls av maskininlärning.
"Vi tittar på dessa prover inte som bilder utan som komplexa informationsnät", säger Goodwin om hur dataseten informerar hela processen - från upptäckten till utveckling till patientövervakning. "Vi måste förstå var våra kandidatdroppar går in i kroppen, och hur de påverkar vävnaderna och [förhållandena inom cellstrukturerna]. Det ultimata målet är att med maskininlärning kan vi förstå läkemedelssäkerhet och effektivitet mycket tidigare, så vi kan påskynda läkemedelsupptäckningsrörledningen och ge snabbare, säkrare, bättre mediciner till marknaden. "
Söderberg förväntar sig att använda denna teknik regelbundet över AstraZeneca-laboratorier där den är redo att bli ett viktigt verktyg för att upptäcka läkemedel över hela företaget. När det gäller Söderberg, kommer hans nästa dataset att expandera från 2.000 prover till ungefär 100 000 och sannolikt expandera till andra sjukdomsmodeller utöver diabetes, samtidigt som systemet görs tillgängligt för andra externa experter.
"Vi vill låsa upp alla dolda möjligheter i data och forskning vi redan gör", säger Goodwin. "Det är början på en bred förändring i vår verksamhet - att använda alla dessa bild- och molekylära data tillsammans med AI för att utveckla en helhetssyn, en som låter våra forskare interagera och tolka data på sätt som aldrig har varit möjligt."
----------------------------------------------------------------------------------------------------------------------------------
Hur tyckte ni Google klarade översättningen? Ganska hyfsat enligt mig. Vill man ha nyanser och bättre helhetsgrepp får man läsa artikeln på originalspråket.
Men ok, då har vi förstått att AI har en central roll i dagens men än mer i framtidens läkemedelsproduktion.
Men AI kommer naturligtvis inte ensamt klara alla delar "från ax till limpa".
Det kommer alltid finnas behov av manuell (mänsklig) hantering.Som exempel nämner Söderberg det tidsödande momentet (labbandet) att kontrollera ett nytt läkemedels påverkan och effektivitet på specifik sjukdoms celler.
I ett första steg tar det 3 veckor att få svar på hur drogen påverkar enbart cellens vävnadssektioner.
Därefter måste man förmodligen kontrollera andra delar av cellen och drogens inverkan på denna.
Vilket som bloggen tolkar det sker genom manuell hantering,alltså sitta och studera via mikroskop. Här finns ett behov av att smartare och snabbare nå resultat. Med datainlärning och programmering kommer läkemedelsbranschen utveckla fler komponenter som tar vid där AI (inom själva produktionen) slutar.
Bloggen pratar då om tillhörande assay:er eller appar som vi ibland kallar det. Och som av en händelse : Tadaa.....*trumvirvel*
PHI har i dagarna utvecklat en app som löser ovanstående problematik.
En assay som sköter om det labbfolket måste sitta i veckor och studera.
Länk 1 Länk 2
Bloggen dristar sig till att skapa en klatschig slogan för Bolaget att använda i sin MF 😎
Smart - Smartare -
Inga kommentarer:
Skicka en kommentar