情节概要：本周AI在工业，我们与阿米尔Saffari，在BenevolentAI AI的高级副总裁，使用机器学习寻找新的用途现有的药物和疾病的新疗法总部位于伦敦的制药公司说话。
在与他交谈时，我们的目标是了解两件事:
- 如何将机器学习起到的阶段作用药物发现从生成的假设临床试验？
- 在未来，人与机器在药物发现中的作用是什么?在这一领域，哪些过程会被机器自动化，并有可能比人类做得更好?
我们希望在这个情节的见解在提供商业领袖制药行业了解人工智能在他们的领域的现状，以及它在未来两到三年内可能在他们的行业中发挥的作用。
订阅我们的AI在工业播客用你喜欢的播客服务：
客人:阿米尔Saffari， AI at的高级副总裁BenevolentAI
专业知识:机器学习，计算机视觉，深度学习，自然语言处理，和大数据
介绍识别：阿米尔Saffari博士是在BenevolentAI有限公司人工智能的高级副总裁，并已在人工智能领域工作超过15年。在此之前BenevolentAI，他曾担任机器智能的负责人Import.io和研究总监Affectv。在职业生涯早期，他曾在索尼电脑娱乐欧洲计算机视觉和机器学习科学家和作为工业大学格拉茨的研究员。他毕业于同一所大学的计算机科学博士学位。
访谈要点
（03:15）什么是药物发现的科学过程，其中AI也许能帮助最大的问题？
阿米尔Saffari：如果你看看药物发现在那里我们公司一直注重从理念到制造毒品的整个过程是相当复杂的。如果你看一下这个行业，它是如何组织这些步骤，很少有使用数据来做出决策。这些是机器学习中产生想法，假设，设计实验和加快科学工艺步骤的机会。
(05:15)在你看来，程序的哪些部分需要修改?
为:很多我们感兴趣的实体有身体实际情况，如基因或药物化合物。当你开始对疾病移动，有一点现实。你可能会根据症状，以及其他疾病进行分类。但是，如果你想利用机器学习进去，你必须对你能否用数据来定义的疾病是什么。
如果你在一群病人身上试验一种化合物，得到了不同的反应，是什么让他们不同呢?我认为这是一个机器学习的问题。我可以用这些数据来定义疾病吗?我能在每个病人的背后加上基因或分子标记，然后把它带到药物研发的开始阶段吗?
你看除了这些阶段有多远。一个是在临床阶段，一个是思想和假设的开始。他们不使用产生的数据。这是哪里的机器学习可以帮助一个典型的例子。
(08:22)你的意思是我们试图确定一个可量化的部分，而不是使用宽泛的描述来解决问题。
为:究竟。我们谈论的是发现药品的阶段之间的协同作用。如果你是把药给病人，知道什么定义指示往往被忽视。目前，从假设开始，向测试药物去的过程不是在所有连接。从系统或机器学习的角度来看，你看看这些组件。我可以利用这些数据从下一个阶段就通知前阶段或两个阶段之前发生了什么？我如何使用这个阶段做出更好的决策？所有这些都是机器学习如何影响我们所处的时刻最好的例子。
(10:20)另一个与此相关的领域是科学文献。阅读所有的摘要是不可能的。但如果我们能整理这些见解，就有可能帮助我们治愈疾病或开发药物。有没有可能改进这一研究领域?
为:一个领域我们公司的重点是机器读取的所有文献，专利和文档。还有的是每天能得到发表的研究大量的。通常，人们认为在科学领域的工作将只专注于一个领域，而不是阅读其他期刊。但有很多，可以在区域，一个人在研究决定通知其他期刊的相关数据。因此，我们的机器读取所有可用的文献和可从该文献中提取事实的数据库汇集在一起了。形成我们产生寻找治疗目标疾病的假设的基础。
中心（12:30）从文学的大量数据中提取通知的假设，我想我们必须使用自然语言处理系统和自定义为特定药物的术语。那有什么过程看起来像从你的角度？
为:在自然语言处理中，可以利用两种数据流。一种是结构化数据，其中的数据库是为特定的用例创建的，并由扫描文献、进行实验和填充这些数据库的人员管理。您可以将所有这些信息组合在一起，并以人类可解和可消化的形式提取类似类型的信息。
也有对这些数据的顶部的机器学习算法，以已在扫描文献或数据源已发现的网络的那些关系的整体建模。这些模型可以开始产生假设或进行推论，我们可以采取的实验室和测试。
（16:10）展望从现在起五年或十年，在药物开发的时代精神，什么是AI的能力，这将是强大到改变这个行业？什么是大的游戏视野，其中AI可以有所作为？
为:关键领域之一是创建覆盖发现的多个阶段的模型。有一个机器阅读方面的故事，其中算法阅读所有的文献和提取相关的信息。这是人类不可能做到的。没有人能读懂所有的文献和模式。我们真的需要机器来做这些。
最重要的是，相互紧密结合的算法将进一步进入药物发现领域，产生更多的想法，创造出可以用来治疗疾病的新化合物。
想象一下，你的算法自动与实验室合作合成化合物，运行实验，并将结果发送到模型。反过来，这些模型能够主动学习，随着时间的推移不断改进，同时创造出更好的化合物。这种类型的集成将会非常吸引人。这是我们公司前进的方向。
在未来，这些系统将在元水平，协作和共同工作来解决这个问题。药物发现者的作用将成为策展人，并在整体情况看，而不是使微小的决定或微观管理。
（21:00）让我们明确馆长的角色。首先，这将是确定药物发现我们感兴趣的可能性，他们将裁缝和目标特定化合物，症状，疾病或其他人，而不是随机的或一分钟的问题只是这样做的缘故。
其次，它会提供通过测试或探索基于结果进一步选择的不同阶段的批准。这些决定发扬和投入资源将基于背景下，机器人可能不明白。
为:你说得很对。作为策展人，人类将设置问题，并让算法或机器人来解决它。人类可以坐在仪表盘前，观察这个过程，并查看意外事件。人类将设计问题让机器来解决，而不是让机器来解决。
(23:25)给制药或生物学校的学生的教训是，让他们成为设计问题的人，而不是从现在起10到15年后才开始使用试管。
为:我们还有很长的路要走，但我认为我们会达到这样的境界:机器可以做出比我们在这些小部件上更好的决定。随着更好的算法和技术的出现，以及实验室中更多的整合，人类做出这些决定的需求将会减少，更多的机会成为更大图景的全球观察者。
订阅我们的AI在工业播客用你喜欢的播客服务：
标题图片来源：avomeen
