從一盒藥物的研發到商業化，這家公司想用 AI 提速醫學界效率

作者 | Julian Mitchell

編譯 | Rik R 劉燕

來源 | Forbes

人工智慧和機器學習應用的增加正在穩步改變醫學研究與治療的模式，使研究者能夠實時訪問每一份白皮書，以及遺傳疾病方面的臨床病例研究。通過開發這樣一個複雜的信息資料庫，研究人員不僅可以了解全方位的醫療條件，還可以進一步縮短開發治療方案所需的時間。

Innoplexus 成立於 2011 年，是一家技術及產品開發公司，專註於解決製藥和生命科學行業的複雜問題。該公司 CEO Gunjan Bhardwaj 在創立 Innoplexus 之前曾為 Ernst & Young 和波士頓諮詢集團工作。

針對藥物臨床前期、臨床期、監管期以及商業化階段，其端到端的生命科學（Life Sciences）研究平台使用人工智慧產生智能數據和見解，來協助生命科學公司更有效地對藥物進行可行性評估。該平台以創建促進決策的自動化服務產品為目標，編譯了數億兆位元組的科學信息，分布於臨床試驗資料庫、生物學資料庫、主要的專利局、論壇和監管機構。

除了加強研究力度，Innoplexus 還致力於幫助生命科學和醫療保健機構利用這些技術來提高信息搜索水平。例如，一位藥品開發人員或許正在尋找現有的研究，一位醫學研究人員可能在尋找替代療法，或者一位醫生在試圖找尋有關某一疾病的數據——增加獲取相關信息的機會，能夠消除發現障礙，並促進研究成果的快速增長。

以下是一份針對 Innoplexus 公司聯合創始人 Guarav Tripathi 的問答，內容主要涉及三個方面：公司願景、醫療行業研究的干擾，以及人工智慧如何定義現代醫學的未來。

你創辦 Innoplexus 的動機是什麼？你看到了哪些具體的市場空間或機會？

Gaurav Tripathi：生命科學行業所依賴的大部分信息，都是基於一個過往的數據與分析諮詢模型。從本質上講，數據是通過人工方式進行收集和策劃，然後以高溢價被出售給客戶。這種信息在某些行業可能會有所幫助，但在藥物開發和醫學研究等研究密集型領域中，專家們需要更全面且可理解的數據資產。我們設想的解決方案是一個自動化數據即服務（DaaS）模型，允許用戶實時、無縫地使用數據。我們還建立了一個分析即服務模型（AaaS），為業界提供持續的和定製化的見解，這種方式在以前是無法實現的。這些見解能夠使數據更有利於決策支持，但無法連續獲得，往往存在於需要大量人力的時間密集型批量作業中。由於健康產業發展很快，數據的訪問和分析速度變得至關重要。

怎樣改變醫學研究與治療的模式？

Gaurav Tripathi：研究人員的知識水平、測試範圍有限，且無法獲取可訪問的數據平台上存儲著的全部信息。有關醫學、研究和病患的全部數據資產往往不會被開放給他們，或是分布在幾十、幾百個信息源中。我們的目標是信息的民主化，將成千上萬個信息源中的數據匯總到一個易於使用的平台上，利用最新的人工智慧和機器學習技術，為生命科學專家提供相關信息，幫助他們以更低的時間與資金成本來實現自己的目標。這種模式不僅限於研究領域，如果醫生可以通過這類平台獲得更多數據及診斷工具，就可以快速學習和使用其他人更為豐富的經驗，更快地確診疾病、制定出治療方案。當這些行業的專業人員擁有了更好的數據，創新的腳步就會加快。

你們的專利技術和核心服務是什麼？

Gaurav Tripathi：我們一開始建立了一個綜合數據服務平台（iPlexus），凝聚了整個生命科學領域的數字圖譜，以期幫助行業打造一個之前從未有過的數據資源集。這使我們能夠為特定的業務用例構建更多連續的分析應用程序，從而使信息的可操作性更強。客戶向我們的平台和特定的應用程序授權，來幫助他們充分利用好現有的數據資產。如果他們需要在平台上添加定製化的應用程序，我們會為他們提供所需的技術、基礎設施和支持。我們還允許第三方在我們的平台上建立應用程序，並正在努力建立一個強大的開發生態系統，以幫助培養更多的創新。我們的主要目標是實現數據訪問與數據消費的無縫化，同時通過直觀的用戶界面來提供連續洞見。

困擾醫學研究領域的最大陷阱或障礙是什麼？你的直接解決方案是什麼？

Gaurav Tripathi：無論是圍繞具體分析用例的零散方法，或是大規模的大數據方法，都由於工作的單一性而失敗。因此，我們認為大數據需要一個通用人工智慧平台。如果沒有人工智慧平台，製藥公司和醫療保健公司可能會投資於基於較小數據工具的研究，可能會徒勞無功。這種投資的失敗可能意味著錯過了一個生物標誌物，或是研發某種藥物而失敗。利用人工智慧解決方案來幫助他們利用所有可用數據的公司更可能從他們的研究中看到投資回報率（ROI）。我們的平台 iPlexus 可以從網頁和企業資源庫中自動爬取大量數據，根據具體使用情況進行聚集，並分析他們的模式、關係和實體。然後它會在一個直觀的用戶界面上可視化呈現出最終結果。這一過程框架被我們稱為 CAAV——爬取、匯總、分析、可視化。這個想法用來確定所有已知的藥物、疾病和治療技術信息，使數據探索過程更加人性化。因此，用戶不需要像使用傳統的數據解決方案時那樣，花幾個月來獲取某個數據，或是投資於專有的解決方案。

相比於眾多市面上的其它技術驅動型資料庫，人工智慧和機器學習有哪些優勢？

Gaurav Tripathi：製藥和生命科學行業的數據驅動挑戰是多維度的。衡量信息對大規模計算的有用程度的 4V（體積、變化、速度和準確性）標準已經過時。這些複雜的行業需要更多的智能系統。數據的深度，或相互影響的多層結構，都需要能夠更快建立連接的機器。其密度之大使得基本的查詢搜索也變得困難。例如，一句話可以概括出多年的研究成果。同樣，該行業所涉及的數據面也很廣，從出版物到基因序列，再到病患記錄。舊的技術驅動型資料庫依賴於已知數據，但它們天生無法探測完整的未知數據。這就是為什麼人工智慧和機器學習對該行業的數據可操作性至關重要。它們可以幫助我們超越人類大腦的數據推斷能力，例如發現未知的模式、隱藏的網路，以及生物實體間未被發現的聯繫，提供這些見解可以帶來重大的發現。

Gaurav Tripathi：我們的目標是讓該平台成為企業、研究人員和學術機構搜索生命科學知識的首選來源。隨著我們正逐漸向這個目標靠近，以前只有少數擁有大量 IT 預算的企業才可獲得的數據，未來將被提供給行業內的中小型企業。談到影響，我們計劃與各個利益相關者合作，共同解決那些治療效果更明顯的主要問題。階段性目標是垂直整合行業的各項數據；最終，我們將在平台周圍創建一個生態系統，其上的任何開發人員或企業都將能夠無縫地消費數據，或者在我們的平台上開發和發布自己的應用程序。

點擊展開全文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！