驱动新的制药研究和开发方法
Alex Devereson: 你在GSK推动的工作主要集中在哪些方面？
Kim Branson: 我们的工作涵盖了从发现到开发的整个过程。我们使用机器学习进行基因分析、细胞和临床成像以及主动学习。对于临床应用，我们正在思考如何构建模型来预测个体治疗效果以及如何发现疾病的异质性。我们在计算病理学方面做了大量工作，越来越多地进行多模态建模，因为其中包含大量的信息。我们的梦想是让我们的药物成为所有可能人群中的知名重磅药物。但我们要针对的疾病相当复杂，有时目标人群非常狭窄。因此，我们正在寻找识别这些人群并提供支持的方法。
从AI和机器学习中提取价值
Navraj Nagra: 你在哪里看到AI和机器学习带来了最大的价值？
Kim Branson: 我可以举一个很好的例子，那就是bepirovirsen，这是一种正在开发的肝炎药物。我们对其进行了高度仪器化的二期试验，收集了大量的血液生物标志物等数据，以确定有多少人会对它产生反应。即使是最优秀的分子，如果目标人群不对，你也看不到它的临床效果。正是机器学习帮助我们将所有数据源整合在一起，并将其链接回特定的人群。
Alex Devereson: 在价值链的不同环节，对这些方法的理解、意愿和兴奋程度是否有所不同？
Kim Branson: GSK在2019年决定将机器学习作为其核心战略的一部分。这一战略首先在肿瘤学领域得到实施，因为该领域有大量的数据，有很多基于序列的方法，并且人们已经熟悉精准医疗的概念。但现在人们开始更广泛地认识到性能的重要性。其他领域没有伴随诊断和其他类似的东西，因为这些领域没有相应的投资和数据。但我认为商业压力正在到来，特别是因为我们正在影响许多长期慢性病患者。这是一个大家都看到的宏观趋势：精准医疗正从肿瘤学扩展到其他领域。
理解组织的影响
Navraj Nagra: 你是如何管理AI和机器学习的能力和专业知识范围，以实现治疗基础疾病途径的目标，同时优先考虑安全性和有效性？
Kim Branson: 多模态数据集需要深厚的专业知识。领域知识对于评估数据生成方式绝对重要。例如，在临床成像方面，我有临床成像领域的博士和博士后，还有机器学习人员。你真的需要了解发生了什么以及你要收集什么。所以我们既有机器学习人员，也有这些领域的深度专家。
对我们来说，最重要的是为了建立模型而生成数据，因为我们相信这是优势的来源。我们在思考我们需要收集和生成的数据，以及我们希望使用的测量技术。人们常常忘记，机器学习组织并不是数据工程组织——这些人不是数据工程师。这就是为什么我们创建了一个名为Onyx的组织来进行大规模的数据工程。有些公司有合作伙伴关系，但我们需要内部建立这种能力。
科技生物公司与大型制药公司的区别在于规模。大型制药公司可以迅速部署资本，在多个疾病领域同时投入大量资金，并在人类身上生成数据。这很关键，因为具有实际结果的数据是黄金。你可以从理论上做所有的事情，但如果你没有来自患者的结局数据并且无法建立联系模型，就很难进行校准和用于发现。
通过数据驱动竞争优势
Navraj Nagra: 你是如何确保组织生成对你和你正在构建的模型有用的数据？
Kim Branson: 内部资源总是存在竞争。当我告诉他们我需要所有可能的数据，并且不要停止生成时，这对一些人来说是一个奇怪的概念。这确实是一个巨大的思维转变。
Alex Devereson: 让我们想象一下将大型制药公司和科技生物公司的文化结合起来。你最期待的是什么？
Kim Branson: 归根结底还是数据。让我感到兴奋的是能够通过可穿戴设备等添加更多传感器，从而收集更多多样化的患者信息。我们从电子健康记录中收集了很多数据，这些数据用于管理和改变事物，但并不是为了在诊断后理解疾病。大规模收集数据的爆炸式增长将是最重要的事情，我非常期待能够整合来自不同学科的信息，比如临床成像加上我们以前从未结合过的其他东西。
平衡创新与伦理和监管
Navraj Nagra: 你是如何确保符合一些尖端AI技术的监管要求的？你又是如何考虑将这些方法更广泛应用于患者福祉和健康的伦理影响？
Kim Branson: 我们有一套全公司范围的培训，并与FDA等监管机构进行互动和整合，以从一开始就嵌入监管标准，例如指导我们如何构建机器学习模型的标准。对我们来说，关键是确保在机器学习的回报与风险之间取得平衡，同时意识到会有不同的权衡。
我们在推动监管机构的地方是如何稍微不同地思考，以及为什么机器学习模型与制药过程有点不同。传统上，我们拿一种药物，进行各种逐步升级的试验，然后进行大规模试验，以得出结论，证明该药物似乎是可靠、安全和有效的。现在我们问的是如何实时监控预测和结果。我们现在还没有对很多诊断进行这种操作，但我们可以很容易地做到这一点。
(全文结束)
