人工智能与生物技术结合的未来
原创 图灵基因 图灵基因 2022-01-09 07:03
收录于话题#前沿生物大数据分析
要确切地说出生物技术行业的人们所说的“人工智能”（AI）是什么意思有点困难。总的来说，他们似乎对一个工作定义感到满意，该定义将人工智能描述为一种计算机程序，可以根据收到的数据集学习和预测结果。
鉴于人工智能的工作定义是模糊的，因此人工智能在生物技术行业中的地位也是模糊的。例如，目前还不清楚人工智能是否会被视为一种新的、革命性的东西。大众媒体的新闻报道有指导意义吗？其中包括谷歌DeepMind开发的人工智能系统AlphaFold如何准确预测数十万蛋白质结构的令人窒息的报告。
虽然AlphaFold是一项开创性的技术，但它并不是生物技术中人工智能的全部和最终目的。与人工智能相关的生物技术研究正在多个领域进行。事实上，世界各地的生物技术公司一直在他们的管道中实施人工智能。
如果我们想澄清人工智能的地位，我们应该首先认识到人工智能在生物技术中并没有突然成为主流。事实上，它已经成为主流。此外，它是多样化的，随时可以产生结果。在生物技术行业，准确、可预测和高效的人工智能触手可及。在实验室的科学家们看来，这样的人工智能的价值将是其重量的一百倍。
人工智能的模糊定义——从大数据集中学习的大算法——这也许就是我们所需要的。真正重要的是人工智能系统的功能。人工智能系统的功能将取决于谁在开发它们。
仪器和耗材公司安捷伦科技（Agilent Technologies）已进入人工智能领域，包括与Visiopharm合作进行人工智能驱动的癌症病理学研究。这些公司将这项工作视为不同方法的结合。
安捷伦的两位高管——计算生物学部门经理Anya Tsalenko博士和研究实验室主任Stephen Laderman博士——对安捷伦的观点进行了详尽的描述。他们证实，最先进的人工智能方法使用经过大数据集训练的计算密集型模型。
“这些模型大体上属于机器学习的范畴，包括不同风格的深度卷积神经网络。”他们说，“这些新方法的成功基于现代计算机的强大功能；收集、存储和访问大量数据的能力；以及计算机科学、数学和统计学的最新进展。”
“我完全理解人们对人工智能的定义不同。”AbCellera Biologics公司的首席执行官Carl Hansen补充道。AbCellera Biologics是一家总部位于温哥华的利用人工智能制造治疗性抗体的公司。“我认为将人工智能作为一个类别来讨论是非常危险的。它太抽象了。在我看来，人工智能在药物发现中有很多非常强大和有趣的应用。而且还有很多不足之处。”
Cellarity的首席执行官Fabrice Chouraqui，PharmD提供了另一种观点。Cellarity是一家位于剑桥的初创公司，专注于基于成像和机器学习方法的细胞疗法。他认为人工智能是对现有模式的补充，但它并不总是能兑现过去的承诺。“我认为，如今，人工智能主要用于改进现有方法。”他详细阐述道。因此，绝大多数药物研发公司都会告诉你，他们可以利用人工智能。通过提高当前发现模式的效率，他们会告诉你，他们可以使用人工智能来发现新的目标。
“我有与过去声称自己无法支持的人共事的经验。公平地说，这并不是说他们没有算法。我认为（算法非常重要的想法）可能是对人工智能最常见的误解之一。人工智能只能与数据质量一样好。”
数据集并不是具有生物学意义的模式的唯一来源。这种模式也可以在细胞、肿瘤和组织的图片中找到——即使这些图片是使用耗时的、引起眼睛疲劳的、蛮力的方法进行分析的。为了更轻松地找到图像中的模式，研究人员可能会利用人工智能。Tsalenko和Laderman认为，AI图像分析可以加强基础研究和医学病理学。
“我们在活细胞显微镜和组织病理学方面拥有强大的地位。”他们解释道，“通过适当的方法选择和模型训练，AI图像分析使人们能够定位、分类、计数和识别显微镜图像中的模式，包括那些对人眼有效、全面和定量观察具有挑战性的模式。”
“这些属性是临床病理实验室基于显微镜的组织分析正在进行的数字化转型的驱动因素之一。例如，可以预见，人工智能最终将提高癌症诊断和治疗的精确度。在活细胞成像的情况下，人工智能可以改进对所研究细胞的动态和进化的跟踪。”
Stacie Calad Thomson博士是BioSymetrics的首席战略官和药物研发负责人。BioSymetrics是一家总部位于波士顿和多伦多的初创公司，利用机器学习方法研究电子健康记录和体内数据。她相信人工智能可以用来简化药物的发现和开发。
她强调了三种可能性：“首先，人工智能可以加快我们发现新疗法的时间线，因为信息学和多参数优化可以帮助我们对要进行的实验做出更明智的决定。其次，人工智能可以帮助我们更好地理解生物学以及驱动疾病或可用于治疗疾病的潜在代码、信号和途径。第三，人工智能可以通过将疾病表型与基因和生物标志物等潜在代码联系起来，识别和定义特定治疗效果最佳的患者群体。”
“在短期内，许多人工智能的成功都集中在化学和分子设计上，作为一种效率游戏。”她继续说道，“但从长远来看，生物学是更难解决的问题，解决这一问题将减少消耗并提高临床成功率。在药物发现之初，利用人工智能获取和整合不同患者数据的能力将成为我们发现药物的规则，而非例外。”
“当你想到一种疾病时，你会想到出现故障的器官、出现故障的组织、出现故障的细胞。”Chouraqui说。然而，他很快补充说，我们在如此丰富的背景下理解疾病的能力是有限的。
由于我们对疾病的理解有限，我们对如何开发治疗方法的概念也相应地减少了。“我们解决细胞故障的唯一方法就是找到一个目标。”Chouraqui抱怨道，“如果你选择一个单一的分子靶点，那就是你一开始的假设。显然，它无法解决生物学的复杂性。随着你在开发过程中前进，你会转向更高的物种，你会发现你之前做出的假设不会得到证实。”
超越以靶点为中心的药物开发方法，并像Cellity那样采用细胞级方法，意味着收集和分析大量数据和质量计数。一般来说，高质量的数据和高质量的分析工作是相辅相成的。当Chouraqui被问及实验生物学的重要性是否会随着算法驱动的药物发现和开发的进步而减弱时，这一点就得到了体现。
“不，我不相信这是真的。”Chouraqui说，“这将始终是湿实验室和干实验室的结合，因为这是一个循环。您绝对需要访问和生成高质量的资产。你需要测试你的人工智能生成过程的结果，然后将该测试的结果输入到你的人工智能过程中。”
同样的问题也向AbCelera的Hansen提出。他回答说：“我100%同意这一点。能够从人工智能中获得最大影响的公司，也是那些拥有最强大实验能力的公司。”
一时间，AlphaFold似乎准备彻底终结晶体学和改革分子相互作用的工作。汉森说，情况并非如此。他详细阐述道，“了解蛋白质结构并不意味着您一定能够比其他人更快地找到药物。我们已经收集结构很长一段时间了。我们已经输入蛋白质数据库中的65000多个结构。我们没有一家公司会检查结构，然后告诉你药物是什么。在了解蛋白质结构和能够定义药物之间有很多步骤。”