【AI4S观点】再谈AI4S：分子设计并非终点，“靶点-疾病”因果数据仍存在巨大缺口，AI+生物数据基建或许刚刚开始 🎉对于AI而言，临床前研发是附加价值更高的
- 序号：327
- 星球链接：打开网页
- 附件：图片 0，音频 0，文档 0
- 音频文件：无音频
图片
无图片
正文
【AI4S观点】再谈AI4S：分子设计并非终点，“靶点-疾病”因果数据仍存在巨大缺口，AI+生物数据基建或许刚刚开始
🎉对于AI而言，临床前研发是附加价值更高的“快反馈”环节，同时AI亦有望从临床前快反馈的迭代中去提升药物最终研发成功率。其次，AI在分子设计领域（尤其是小分子领域）已取得亮眼表现，而AI4S更长远的发展依赖于理解疾病机制/靶点发现，而后者依旧处于早期，存在庞大的需求与空间。 🧧AI4S为何在分子设计最先取得亮眼成果？核心在于能够实现快速迭代。AI模型的快速迭代，高度依赖快速、准确、低成本、可获得的评价标准。具体来看在分子设计领域，拥有成熟、高通量读取的评价指标：结合亲和力、溶解度、表达量等，同时叠加早研科学服务及相关CRO行业的迅速发展，使得这些数据具备高通量、快交付、低成本等特征。对比传统的单一线性方式，AI工作范式中形成了海量假设并行的高通量的方式。
🎁长远来看，AI制药的发展绕不开的是疾病机制的理解。在药物开发中，评价药物有效性最终和唯一标准将一直是人体临床实验，要形成数据闭环必须要拿到临床数据，临床实验是整个药物开发过程中耗时最长（3-5年），耗资巨大的部分，属于慢反馈闭环，不满足AI模型快速迭代所需要的廉价高通量要求。而行业存量数据大量是观测类数据（单细胞、细胞图谱、蛋白结构），只能得到相关性结论，建立因果关系需要大量干预/扰动实验数据。当前可用高质量带标签扰动数据集，相比理论需要，还差约1000倍，因此自建实验平台建立干预/扰动实验数据是下一代AI模型竞争中的必要条件。上一代AIDD闭环：大多停留在分子层面闭环（分子生成合成活性测试回流）。下一代面向靶点因果发现的闭环：需要扰动细胞实验 + 人体临床结果标签对齐。
👊为了去解决上述的数据缺口问题，我们认为AI+生物数据基建或许刚刚开始。
总体总结
主题正文
- 【AI4S观点】再谈AI4S：分子设计并非终点，“靶点-疾病”因果数据仍存在巨大缺口，AI+生物数据基建或许刚刚开始
- 🎉对于AI而言，临床前研发是附加价值更高的“快反馈”环节，同时AI亦有望从临床前快反馈的迭代中去提升药物最终研发成功率。
- 其次，AI在分子设计领域（尤其是小分子领域）已取得亮眼表现，而AI4S更长远的发展依赖于理解疾病机制/靶点发现，而后者依旧处于早期，存在庞大的需求与空间。
- 核心在于能够实现快速迭代。
- 具体来看在分子设计领域，拥有成熟、高通量读取的评价指标：结合亲和力、溶解度、表达量等，同时叠加早研科学服务及相关CRO行业的迅速发展，使得这些数据具备高通量、快交付、低成本等特征。
- 在药物开发中，评价药物有效性最终和唯一标准将一直是人体临床实验，要形成数据闭环必须要拿到临床数据，临床实验是整个药物开发过程中耗时最长（3-5年），耗资巨大的部分，属于慢反馈闭环，不满足AI模型快速迭代所需要的廉价高通量要求。
- 而行业存量数据大量是观测类数据（单细胞、细胞图谱、蛋白结构），只能得到相关性结论，建立因果关系需要大量干预/扰动实验数据。
- 当前可用高质量带标签扰动数据集，相比理论需要，还差约1000倍，因此自建实验平台建立干预/扰动实验数据是下一代AI模型竞争中的必要条件。