少数生命科学研究人员能够使用尖端技术即时解读他们生成的数据，并将其可视化为所有已发表的相关研究的背景。一些临床医生可以为患者订购诊断测试，并不仅获得结果，还能基于数千名其他患者的经历得到预后和治疗建议。
人工智能（AI）和其他数据科学创新使这些进步成为可能——但目前它们仍是例外而非常态。我认为我们需要扩大对这些技术的访问，以便最终每位患者都能从中受益。我将这一目标称为“医疗保健的超大规模发展”。
超大规模发展有三个关键要素。首先是速度：比过去更快地收集和解释数据的能力。其次是扩大对强大计算能力的访问，以快速准确地收集和解释数据。第三是提高医疗行业专业人员从数据中生成新见解的能力，这些见解将转化为患者的突破。
生物制药和诊断开发及制造商等医疗行业参与者有望从超大规模发展中受益。然而，他们需要克服几个挑战。例如，设备制造商已经开发出先进的仪器，使研究人员能够比旧一代实验室技术更深入地探索生物学或病理学。问题是，某些系统非常复杂，只有少数经过专门培训的人才能有效使用这些技术，而这些新系统生成的数据可能会令人不知所措。
开发人员和科学设备制造商正在共同努力解决这些挑战。为了理解这些努力的重要性——并认识到超大规模发展所能带来的深刻变革——有必要考察数据科学在医疗创新每个阶段的发展，从研究到患者护理。
研发和制造的超大规模发展
AI 正在实现“自主工作流”，能够即时适应新信息或变化的情况。自主工作流通过提供研究人员快速解释他们生成的数值和图像的能力来改进研发。例如，在显微镜领域，集成 AI 已经被用于细胞分割，允许研究人员实时测量细胞内的荧光。在获取图像的同时分析数据，促进了高级过程，如自动检测罕见事件和选择性成像这些事件发生的细胞。
AI 使得显微镜能够解释图像数据并基于这些数据进行预测。机器学习模型可以挖掘开放图像库，使研究人员能够在比旧技术更广泛的背景下分析他们的数据。
AI 还通过软件解决方案彻底改变了质谱分析，这些解决方案帮助研究人员优化方法和工作流程效率。新的软件解决方案可以从质谱分析中获取数据集，并迅速将其转化为可操作的见解，通过自动化简化定量工作流程。这些能力将随着时间的推移变得更好。
在生物制药制造方面，数据科学正在推动从活细胞生产抗体的转变——这是一个资源密集型的过程，需要严格的纯化协议。借助 AI，研究人员可以模拟制造生物制药所需的细胞过程，然后开发和优化不使用活细胞合成这些药物的方法。
通过数据改善患者护理
我们所有从事生命科学工作的人都有一个共同的目标，即改善患者的生活，而数据科学的进步为改善患者护理提供了许多机会，包括开发更好的伴随和补充诊断。
以刚被诊断为乳腺癌的患者为例。如今，诊断技术可以帮助根据患者的基因及其肿瘤确定最佳治疗方案。当我们叠加 AI 时，我们可以使肿瘤学家以可能改变患者疾病轨迹的方式解释数据。AI 可以通过引入其他具有相同诊断的患者的数据来上下文化这些数据。这样做，它揭示了最有可能有效的治疗方案。这是另一个正在进行激烈开发的领域，应该会带来令人兴奋的新诊断工具。
通过数据科学实现医疗保健超大规模发展的关键是使所有这些新技术易于所有为患者工作的人使用。不再需要依赖那个特别训练过的实验室技术人员，因为 AI 工具将如此直观，任何人都可以使用它们来理解生成的大量数据。大型语言模型正在促进操作员和仪器之间更直观的界面。
这里的基本变化是整合。为了让 AI 在改进生物制药发现和制造以及改变患者轨迹方面最有效，我们必须汇集来自各种来源的数据，并加速这些数据的可用性。这不会一夜之间发生——它将是一个需要不断微调的渐进过程。但这一切都是值得的，因为它将影响患者护理救生转型的速度和深度。
(全文结束)
