Ledningsoppsett R&D: FierceBiotech JPM 2019 frokost debatt

0
38

SAN FRANCISCO—Vi absolutt ønsker å tilby et komplett frokost her på FierceBiotech, spesielt ved J. P Morgan Helse-Konferanse, der deltakerne har sannsynligvis måtte ta ut en andre boliglån for en tre-dagers hotellopphold.

Så, vi pakket inn i så mye som vi kunne i løpet av et par timer tidlig på tirsdag morgen, andre dag av JPM 2019, med et panel for å diskutere hva vi ser på som en av de største og potensielt mest komplekse problemer for 2019: “Ledningsoppsett R&D: Løftene om Digital, AI, og Machine Learning for Bioteknologisk Forskning.”

Våre paneldeltakere: Andrew Allen, M. D., Ph. D., co-grunnlegger, president og administrerende DIREKTØR i Gritstone Onkologi; Daphne Koller, administrerende DIREKTØR i Insitro; Alexis Borisy, partner i Tredje Rock Virksomhet; Kevin Julian, senior administrerende direktør for miljø-og biovitenskap i Accenture; Saurabh Saha, global head of translasjonsmedisin på Bristol-Myers Squibb, og Tony Wood, SVP medisinsk vitenskap og teknologi på GSK. De var alle i fin form foran en fullsatt publikum, ledet av ordstyrer og FierceBiotech redaktør Amirah Al Idrus.

For årene, har det vært mye snakk om kunstig intelligens (AI), maskinlæring (ML) og digital generelt rundt biopharma R&D, men ofte kan det å bli fanget i en loop av overdrivelse og store løfter. Vi ønsket å skjære gjennom noen av tvetydigheten rundt akkurat hva det betyr, hvordan det kan hjelpe legemiddel utvikling og til slutt, pasienter.

Paneldeltakere diskutere R&D på FierceBiotech frokost under JPM 2019. (FierceBiotech)

Først ute var Koller, administrerende DIREKTØR og grunnlegger av Insitro, et selskap med maskinlæring for drug discovery og utvikling. Koller selv brukt til å fungere i Alfabetet er anti-aldring biotech Calico, og var Rajeev Motwani Professor i informatikk ved Stanford University, hvor hun ble ansatt i 1995 som den første maskinen læring professor og serveres på fakultet for 18 år. Hun ble også kåret som en av Tid er mest innflytelsesrike mennesker tilbake i 2012.

Hun startet med å prøve å skjære gjennom noen av problemene rundt disse vilkårene: “Det er litt av en konfunderende av terminologi: Det er AI, og det er maskinlæring, og noen folk tror de er det samme, men det er de ikke. Det er et stort overlapp mellom to teknologier, kan du tenke på kunstig intelligens som mål å prøve å ha maskiner gjør vel hva folk gjør godt.

“Maskin-læring, i mellomtiden, er problemet med å bygge prediktive modeller hvor du prøver å plukke en hel haug av data og bygge opp en modell som kan forutsi noe fra en bestemt inngang. Problemet med å forutsi hva som kommer til å bli presentert på en celle overflate, for eksempel, er ikke AI: Fordi folk kan faktisk ikke løse dette problemet.

“På den annen side, [Apples app hjelper] Siri er AI, men er ikke en maskin læring-basert program. Så, de er to overlappende teknologi, men på mange måter, ML er den mest nyttige måten å løse et problem som synes å kreve intelligens.”

Hun sa at bruk av maskinlæring er som å se inn i en krystallkule for å svare på et spørsmål om en prøveordning, vil du kanskje ikke være i stand til å fullt ut gjennomføre. Så, sa hun, som et eksempel, hvis du ønsker å forutsi hva som vil bli presentert på en celle overflaten, men du har ikke nok vev til å faktisk måle det, kan du slå på maskinen læring.

“Hvis jeg har en tilstrekkelig stor dataset, som da kan jeg trene en modell på, så at “crystal ball” er noe jeg kan bruke i klinisk praksis. Og det er en grunnleggende, core-teknologi som kan brukes på tvers av mange legemiddel utvikling innstillinger, fordi det er så mange scenarier hvor du ønske du hadde dette crystal ball “hva vil dette eksperimentet gjøre” hvis bare det var ikke så dyre, eller for lenge, og så videre.”

Accenture er Julian sa bare lytte til Koller avslørt noen av de spørsmålene biopharma ansikter, når terminologi fortsatt behov for å bli forklart og forvirring fortsatt dukker opp. “Hvis vi kjørte klokken tilbake for fem år siden, ville vi ikke være opp med å snakke om AI, vil vi snakker om big data. Det ble denne proxy-der hvis du gikk tilbake 10 år, det var ingen som snakker om big data. Men så når det kom, hver presentasjon du så fra hvert selskap ville ha dette begrepet pusset over sine lysbilder: Vi har store mengder data, vi er behandling av store datamengder. Alle ønsket å ha store data, men ingen visste hva det var.

“AI i dag ser ut til å ha tatt det samme rolle; så nå, hver presentasjon vil ha AI på det. Og en av mine favoritter er AI/ML. Som i utgangspunktet sier: jeg vet ikke hva det er, men jeg vet jeg trenger å ha det, og jeg er bare kommer til å sette det hele, og jeg kan si: Vi fikk det! Men du ser selskapet plasser med disse vilkår og du vil: Hva er det du snakker om? Så, det er et kommunikasjons-problem her,” sa Julian.

“Jeg vil oppfordre alle av oss i feltet for å realisere disse er alle svært kraftig verktøy. Daphne bare sa det veldig godt: Det er mange svært eksempler fra virkeligheten, hvor du kan ha prediktive modeller som er meget effektive, og det er enorme effektiviteten til bygget inn i hva vi gjør.”

Tredje Rock Borisy sa at selv om vi kan overbelastes ned i terminologi, disse er konkrete, de er ekte. Han forklarte: “Det er gale forventninger fra disse, men det har vært en rask økning i investering, noe som 60% CAGR investering i de siste fem år i disse teknologiene, så det er noe her. Utfordringen for oss er å få over at peak og gjennom reaksjonen av industrien til det, og vi begynner å se på reaksjonen til forsøk i markedet for å hype AI.

“Men dette er ikke så mye forskjellig til big data eller skyen eller til og med tilbake til EDC: Folk fikk hyped opp med det, ble veldig opphisset av sitt løfte, men kanskje vi fikk litt i forkant av oss selv, men vi får gjennom til det punktet hvor produktiviteten er ekte.”

GSK ‘ s Wood sa at det viktigste er å starte med det problemet du prøver å løse. “Fra det, må du finne ut om du kan generere den aktuelle datasett for det problemet. Og så fra det, hvilken metode jeg det da kommer til å bruke til å avhøre at data.”