久久人妻熟女中文字幕av蜜芽,我我色综合,两女女百合互慰av赤裸无遮挡,脱了内裤掀起pg两边打肿

數據是人工智能（AI）藥物發現的基礎。AI對高質量大數據的需求，或將推動藥物發現數據的自動化和規模化生成。

生物醫學數據存在可重復性“危機”

有70%的科學家表示他們無法復制另一位科學家的實驗，超過一半的科學家表示他們無法復制自己的實驗。這是2016年5月英國《自然》雜志（Nature）對1576名研究人員進行問卷調查得出的結果。數據顯示，52%的受訪者同意存在嚴重的可重復性“危機”。根據拜耳和安進公司的統計，生命科學已發表的研究成果中，多達89%的研究結果無法復制。甚至出現當研究結果無法重復時，研究人員通常會認為這種情況是完全合理的現象。

在生物醫藥行業，包括數據可重復性在內的數據質量問題一直存在。而AI在藥物研發中的探索和應用實踐，讓這一問題更加明顯。

數據是AI藥物發現的基礎。如果所使用的數據可重復性較差，質量參差不齊，那便意味著由此產生的學習模型并不可靠。

一些AI藥物發現初創公司開始意識到，要充分發揮AI的價值，除了從公開來源、合作伙伴等渠道獲得數據以外，還應該尋找新的數據來源，比如自建實驗室獲取數據（如Exscientia），或將“濕實驗”部分外包給合同研究組織（CRO）來獲得相對精準的數據。

還有一些公司獨辟蹊徑，借助遠程機器人來提高數據質量。Insilico Medicine與Arctoris的合作便是典型案例。2020年7月，Insilico Medicine宣布與Arctoris建立技術合作伙伴關系，前者利用其AI技術發現新穎的小分子化合物，后者則在其機器人平臺上評估小分子化合物預期的生物活性。

遠程機器人實驗室或更有優勢

相比于自建實驗室，AI藥物發現公司將“濕實驗”的部分外包給專業的CRO或許更為合理，因為成本更低。而相對于傳統的CRO，遠程機器人實驗室在未來或許更有優勢。

首先，數據可重復性方面具有優勢。在生命科學領域，目前大多數工作流程都是手動完成，數據捕獲方式很不確定；即便如今已經進入自動化時代，但大多數生物學家仍在依靠手工進行移液操作。傳統的實驗室用人工執行工作流程，不僅效率低下，而且操作標準不統一，影響數據可靠性的主觀因素較多。機器人實驗室可以簡化實驗室儀器和設備，讓硬件和軟件無縫結合在一起工作，讓科學家能夠獲得可重復性更高的實驗結果。而且，在數據收集階段機器人就能獲得干凈的、可用于AI訓練的數據。

其次，效率優勢明顯。2020年7月，《自然》雜志封面報道了利物浦大學研究人員開發的一款“AI化學家”機器人。這款機器人可以在標準實驗室中像人類一樣使用各種實驗儀器，自主完成一系列實驗操作。在第一次測試中，“AI化學家”機器人在8天時間里獨立完成668個實驗，研發出一種全新的化學催化劑，并且每天工作21.5個小時，剩下的時間用于暫停充電。這款機器人可以稱量固體、分配液體、從容器中除去空氣、操作催化反應和定量反應產物，從某種意義上來說，它就是機器人研究員。

再次，機器人可以采集更全面的數據并進行實時分析。與人類不同的是，機器人具有無限的耐心，可以同時考慮數十個甚至更多維度變量的數據。這些數據不僅包括實驗數據、設備數據，還包括環境條件和設備狀態數據。然后，從實驗室產生的數據被匯總和分析，提供給研究人員。

最后，遠程機器人實驗室還意味著科學家與實驗室可以解綁。科研人員并不一定需要擁有自己的實驗室，或者必須在實驗室工作。他們可以在任何地方設計化合物，然后讓機器人合成該化合物，并執行后續的活性驗證步驟。實驗結束后，研究人員可以在全球任何地方下載結果數據。同時，機器人實驗室提高了科學儀器設備的使用率，也為沒有資金購買昂貴設備的小型公司和個人打開了藥物發現的新世界。

遠程機器人實驗室逐漸興起

當一些新生事物或新技術出現以后，把它們連接起來，就會產生很多新的可能。

應用于AI藥物發現的遠程機器人實驗室包含四大關鍵技術：AI技術、機器人技術、物聯網、云計算。AI技術用來生成新的分子或形成假設，然后交由機器人執行驗證操作或實驗方案，物聯網技術用于獲得關于實驗的多維度實時信息；來自實驗室設備、環境、各種傳感器的信息被匯總交由AI學習，進入下一個生成-驗證循環周期進行快速迭代；云計算讓藥物發現的遠程部署成為現實。于是，藥物發現的設計、執行、反饋、處理形成閉環。

在全球范圍內，遠程機器人實驗室正在逐漸興起。

2020年8月底，IBM發布了一個運行在云端的新化學實驗室RoboRXN，該實驗室可以幫助科學家遠程設計和合成新分子。

科學家可以通過網絡瀏覽器在線登錄該實驗室平臺，畫出他們想要合成的分子化合物的框架結構，然后該平臺使用機器學習來預測所需的化學反應和反應順序，并將指令發送給遠程實驗室里的機器人去執行。實驗完成之后，平臺會將結果報告發送給科學家。

目前，一些遠程機器人實驗室公司已經成立并獲得投資。

Arctoris

Arctoris成立于2016年，位于英國，是市場上第一家提供全自動藥物發現平臺的公司，可由機器人完成各種生化、細胞生物學和分子生物學測定，學術機構和生物技術公司能夠遠程實時監控實驗。

Culture Biosciences

Culture Biosciences成立于2016年，位于美國舊金山。其特色在于設計了一套遠程實時監控的生物反應器，加上廣泛的菌種篩選和工藝開發能力，無論是小型生物技術公司還是大型制藥企業，都可以在其平臺上快速實現從實驗室規模轉入商業化生產。

Emerald

Emerald成立于2010年。與Strateos不同，Emerald并沒有提供一套事先定義的工作流程，而是提供了廣泛的科學儀器設備，因此能夠設計出完全可定制的生命科學實驗。Emerald不斷增加新的操作方法和設備類型，為客戶提供廣泛而靈活的服務。

Kebotix

Kebotix成立于2017年，總部位于美國波士頓，專注于應用機器人技術和AI建模來開發具有目標性質的新化合物。該公司可以通過自動化機械臂的使用，大大減少每次操作的時間，同時也能夠通過應用機器學習工具預測實驗結果，為實際實驗選擇最優路線，減少實驗次數。

Strateos

Strateos成立于2012年，位于美國加州，倡導“按需自動發現”，通過創建程序化的實驗室環境（SCLE）來協調科學流程、儀器和機器人，使發現過程成規模、高效、準確。2020年，Strateos開始與禮來合作，使用Strateos機器人云平臺來提高生物學能力，實現自動化的化學合成循環。

Synthace

Synthace成立于2011年，總部位于英國。Synthace推出基于云的自動化平臺Antha，使研究人員能夠使用圖形界面規劃和設計實驗，無需具備特定的編碼技能。Antha允許用戶建立復雜的協議，并在多個設備之間傳輸。在實驗開始之前，Synthace就可以通過模擬程序來識別接下來工作流程中潛在的問題。

未來，或許只需要一臺筆記本電腦、一個好的想法以及使用遠程機器人實驗室，在咖啡廳就可以開始或進行藥物發現。在這種情況下，實驗室正在變成數據生成工廠，生物醫學一定程度上被作為信息科學來研究。科學家將從大量的重復性工作中解放出來，有更多的時間來思考科學假設，集中精力投入到創造性工作當中。

科學發現的工業化時代在路上。AI對高質量大數據的需求，將推動藥物發現數據的自動化和規模化生成。同時，大量高質量數據的產生，會進一步加快數據驅動的藥物發現。

中國醫藥報 06版 研發智藥  

作者：侯小龍    

作者單位：上海邦越醫藥科技有限公司