遥遥领先！阿斯利康如何布局AI+肿瘤学？

过去几十年数字化转型对全球的影响不容小觑。现在，生成式AI正在改变药企的研发方式。

其中，阿斯利康是最对AI抱有积极态度的一家MNC，据此前DPI报告显示，阿斯利康的在AI制药的合作伙伴居所有药企之首。

阿斯利康曾宣布，有50%的小分子项目正在应用人工智能加速。

近日，阿斯利康就撰文描述了他们如何将人工智能用于肿瘤学研发。阿斯利康表示：我们对最大限度发挥AI的潜能持乐观态度。

通过将AI这项技术应用于肿瘤学药物发现领域，或让阿斯利康的研发能力提升到一个新的水平。

多年来，数据科学工具一直嵌入到阿斯利康的研发过程中，用于分析数据、加速临床试验、更好地了解新疾病等。

与之前工具不同是，如今大火的生成式人工智能（GenAI）能够处理大量现有数据并且生成新内容，包括文本、图像甚至音乐。

尽管在某些应用中使用生成式AI存在一些困难，但与任何新的或不断发展的技术一样，阿斯利康看到并正在拥抱其在药物开发方面的巨大潜力。

在研发方面，生成式人工智能具有以下潜力：

不断收集疾病信息，分析复杂数据，用以预测治疗决策的结果

使用算法预测哪些分子和剂量方案是潜在的可耐受和有效的组合

使用真实世界证据 （RWE） 和复杂算法为临床试验设计提供信息，以改善结果。

通过自动化通常需要数小时才能完成的流程，提高团队的生产力。

例如，在统计数据的过程中，生成式人工智能可以通过自动化日常任务和简化项目管理来减轻行政负担。

它还有助于开发更强大的编码——减少编码错误并更好地检测数据异常。

最终，阿斯利康的研发人员发现，使用生成式AI能够有效提高工作效率。例如为临床团队开发研究方案，这可以节省多达25% 的团队成员时间。

如今，真实世界数据对于药物研发和临床研究越来越重要，人们可以通过真实世界数据（RWD）分析中获得的发现、见解和结论。

这些数据通常来源非常广泛，不仅是患者的就诊数据，还已经拓展到其可穿戴设备实时生成的数据。

然而，这些数据通常非常杂乱，伴随着无法识别的信息或者噪音，使得人们收集有用的信息，最终获得证据变得具有困难和耗时。

利用生成式AI，阿斯利康能够训练和微调基础模型，这些模型可以从噪声中识别关键信息，使研究人员能够审查重要的要点并生成可以通过更传统的研究方法验证的假设。

如今，捕获真实世界证据的过程已经非常成熟，这些手段和生成式人工智能正在紧密结合，为整个临床阶段的分析提出了新的可能。

有了患者参数，如病史和遗传数据，医生可以将这些数据与真实世界证据一起输入，并根据患者的情况实时接收最新的个性化治疗方案。

此外，生成式人工智能可以告知医生他们在繁忙的工作时间不知道或没有时间探索的相关新临床试验机会。

此外，阿斯利康还特别提到了R语言对数据分析的作用。R语言是一种开源编程语言，主要用于统计分析和数据可视化。

R语言为数据可视化、生物信息学、临床试验分析等提供了全面的工具集。它 能快速分析大量数据（包括 RWE 或基因组学）并进行探索性分析，从而在评估临床试验效率时做出更有效的决策。

当R语言处理大型数据集的能力与生成式 AI 相结合时，这里面有非常多的灵感闪现。

例如，研究人员可以通过 R Shiny 生成高质量的可视化图片，以便阿斯利康在开展临床试验之前对其进行评估，以优化试验设计并预测患者的潜在结果。

除了上述优势外，AI还能帮助优化阿斯利康的治疗方案，并推向市场。

在过去的十年中，肿瘤联合疗法越来越走入大众视野，成为提高缓解率、延缓疾病进展和提高总生存期的重要手段。

例如K药+仑伐替尼的“可乐组合”，被批准各大癌种的一线治疗，包括甲状腺癌、肾癌、肝癌及子宫内膜癌。

然而，识别联合疗法的过程从来都不是一件容易的事，优化合适的组合可能是一个漫长的过程。

通过分析有关分子及其机制的现有信息，生成式人工智能可以帮助阿斯利康评估组合某些分子的安全性，并确定哪些分子组合更有效。

目前，其中大部分是通过平台试验进行迭代测试的，将多种干预措施与同一对照组进行比较。通过计算机建模或模拟来探索潜在的组合，可以使其为启动临床试验提供更好的起点。

阿斯利康还在探索生成式AI在选择药物靶点方面的应用。发现和开发靶向药物可能需要数年时间，包括定位靶点、构建分子并执行试验。

生成式AI可以帮助锁定目标和分子，从而实现更快、可能更有效的预测建模。在这个领域结合R和生成式人工智能可以更有效地自动化分析和生成生物标志物研究，这样就可以更快地将治疗药物推向临床和患者。

确定从治疗中获益最大的患者（应答者）或预测那些对治疗无反应或产生耐药性的患者是肿瘤药物成功开发的重要因素。

随着在多模态数据集（例如，临床、生物标志物、组学数据）之上添加生成式人工智能，阿斯利康更有可能检测到这种反应或耐药模式。

对于一项新工具而言，AI的使用仍然有局限性，因为如何把AI用得更好对人员和组织都提出了更高的要求。

阿斯利康认为，面对人工智能的挑战，应该从这几个方面入手调整：

调整员工队伍并且雇佣致力于开发生成式AI模型并适当利用其产出的人才

寻找保护数据所有权和浏览数据隐私的方法

从可持续性的角度考虑生成新模型所需的资源量

具体和客观地进行沟通，释放生成式AI的潜力并且避免幻觉

毕竟当前AI的幻觉问题一直是一个问题，AI输出的结果和数据并不真实，并且与算法训练的任何数据或任何其他可识别的模式不匹配。

多年来，阿斯利康一直都是人工智能的倡导者和使用者。

阿斯利康认为，生 成式人工智能，特别是与研发等工具相结合时，现在有可能让他们走得更远，彻底改变驾驭和利用数据的方式，改进临床试验的设计并指导研发过程。

有很大的希望释放机会，使阿斯利康能够为患者提供最好的结果，他们对未来的篇章感到兴奋。

—The End—