最近的机器学习承诺的复兴改造数据丰富的世界医疗保健，以及很难有比制药业更兴奋任何医疗保健领域。
While hospitals and healthcare facilities have complex sets of stakeholders for AI adoption (e.g. Hospital CEOs may want AI tech, but doctors may resist it – or – A hospital division may be ready to use the latest in AI tech, but patients may not recognize the benefit),它认为该制药业可能能够在将机器马上学习的医疗最大的数据问题，一个移动速度快：开发药物。
在制药相关的AI文章在这里Emerj，我们已经看到利率上升超过10倍于去年，说明机器学习取得了它正视“雷达”为制药领袖。
与NextLevel生命科学合作，我们着手问生命科学行业的专家今天重要的生命科学商业领袖两个问题：
- 什么是制药公司带来并整合AI人才和技术的主要挑战是什么？
- 什么是成功的制药公司今天做更好的为数据燃料，机器学习的未来做准备？
将人工智能技术引入生命科学公司的挑战
标题为我们的采访，我们预计杂乱的数据，才能访问和孤立的业务部门将在大型制药公司贡献AI收养问题。但是，这似乎问题最迫切？我应该商界领袖最让我专注于克服？这是存在我们决定请我们的采访。
雪莱庄他是11.2 Capital的创始人和执行合伙人:
人工智能驱动的生命科学解决方案在生物制药行业的领导者、医疗保健提供者和付费者中无疑正稳步增长。最大的挑战是人才。相对而言，拥有深厚人工智能经验的人很少(全世界可能不到1万人)，拥有生物制药或医疗经验的人更少，而且你真的需要跨学科的创新和协作来应用人工智能来解决生命科学中有意义的问题。
扬Sagal，高级会议策划，NextLevel生命科学
还有的主要挑战了一把：
采用心态:多年来，制药公司一直在观察其他行业发现、设计和实施先进的技术驱动的解决方案，却没有自己采取行动。例如，“大数据分析”只是在2013年才引起一些大型制药公司的注意(比许多其他行业出现的要晚)。尽管生命科学产业拥有庞大的研发预算，但它们在大多数创新技术的采用上都比较晚。
数据的性质和可用性：每个公司产生数TB的数据，并保持它隐藏在防火墙后面。一定程度上，这是由于严格的监管及合规标准，部分原因是这些公司经营的竞争十分激烈的环境。大多数信息坐落在孤岛，很长一段时间的公司实际上并没有考虑这适用于回顾性分析。管理往往不能看到的东西充分的价值，需要这样一个重大的投资。
天赋和能力：现场科学公司不得不建立IT他们的新一代从其他行业从无到有，招专家团队。
克里斯托弗·索尔特绍洛伊博士，首席技术官汽轮机有限公司
有一个在生物学专家和计算专家是怎么想的有很大差距。即使计算生物学家通常都很少，如果有的话，湿实验室经验。
AI专家很少有生物学的专业知识，但在生命科学工作需要的生物过程的理解。因此，对于少数专家谁可以弥合两个领域有很大竞争力。
下面是一些在生命科学家和计算机科学家接近的方式有所不同：
- 生命科学证据为基础，“只有”信托生物学实验，即使他们知道（和解决办法）的限制（即时间，成本，可靠性问题，难以控制或重复）。他们对整个幸福的原因是理解是什么原因造成了一定的反应，在实验中观察到。
- 计算机科学家——尤其是那些身处机器学习“黑盒子”世界的科学家——常常承认，他们只能尝试预测会发生什么，并不一定理解(也不容易证明)为什么实验会得出某种结果。这种面向机器学习的计算机科学需要大量高质量的数据，并且倾向于颂扬敏捷性、“快速移动”和黑客心态。这与经常出现在生命科学的心态，其重点是缓慢而蓄意的运动形成了鲜明对比，以确保病人的安全和健康。
制药行业领导者应该准备应对的其他挑战:
- 有些地区有大量的数据（机器视觉，分子空间），其他 - 如此少（例如药品的研发，给予药物的生物反应，等等）。
- 此外，还有对双方所采取的成本和时间之间的差异的大小 - 这是艰苦的工作，使AI的数据需求和实验室相遇的局限性。这还没有统计出来，但会有谁到快速移动，并找到一个方法来做到这一点的公司大好处。
如何领先的公司正在整合计算机科学与生命科学
在生命科学环境中集成人工智能的障碍是巨大的，但这并没有阻止公司采取正确的步骤。我们请我们的行业专家分享他们的一些想法(a)尖端制药公司在整合人工智能方面做得很好，(b)生命科学商业领袖在前进过程中应该记住什么。
扬Sagal，高级会议策划，NextLevel生命科学：
有些情况下，制药公司正在寻找解决方案两个方面：
从外部看，制药公司现在在那里寻找创新的公司，已经成功地将数据驱动的，在他们的R＆d技术驱动的方法。制药公司也非常热衷于支付由技术（数据，软件）设计的现成解决方案的公司。
制药公司也更热衷于协作和合作伙伴与他们在竞争前平台的竞争对手。许多大制药公司坐的是从世界其他地区封锁，因此不使用它的最大潜力巨大的数据桩。通过开放图书馆，他们希望得到更多相关资料以养活自己的模型。公私伙伴关系也是被许多制药公司在欧盟的合作模式。
另一个新兴的模型中，我们经常看到形成，是医药公司和技术公司（如爱尔康和谷歌）之间的伙伴关系。
在内部，重点主要是建立有效的IT基础设施，以实现全面的数字转换。公司正在设计策略来捕获和存储更多的数据，优化数据的内部处理和分析，并有效地提取战略决策所需的洞察力。为了做到这一切，他们需要聘用合适的人，当然还要制定指导方针和标准操作规程。与欧洲大学密切合作是实现这一目标的一种方式。
Szabolcs Nagy，首席执行官和联合创始人汽轮机有限公司
我个人知道谁是被雇用与整个组找人手头有AI的专业知识为唯一目的的AI专家。他基本上是被告知“你以前做过什么，只是把结果告诉我们首先从现在开始”，这几乎是不可能的。
现在有制药试图打开启动，有效地外包其创新渠道的显著部分强烈的运动 - 几个例子来自拜耳，J＆J的挑战的Quickfire和拜耳的加速器计划Grants4Apps飞跃。
以下是制药公司正在测试的一些看起来很有前途的想法:
- 构建内部团队和公司内的AI玩家的生态系统。复述一个大型制药公司，我们已经与发话了：“我们为什么不能尝试先一起工作？我们为什么不能有尽可能多的工作，我们可以？直到它带来的价值，我们很高兴地测试和协作“。
- 除去零散的数据孤岛组织内部创造平台，其中结构化数据是很容易接触到组织的各个部分，各种用例。
- 确保AI和计算机科学团队是跨职能和部门，而不是研究，开发，医疗事务和其他市场的相关单位之间的传统壁垒的阻碍。他们可以从所有工作与所有学习，他们移动了传统的限制之外。这显然需要智能改制，一些长期持有的障碍“创造性破坏”和创建单位之间的新边界。
有在脑海制药公司不断发展，以承担其他一些要点：
- Understand that the best insight does not come from one specific data type, there is no silver bullet (e.g. genomics, electronic health records, etc), but a smart combination of various data types and learning from all at the same time (e.g. multi OMICS vs just genomics, gene expression, etc).
- 做一个大赌注和实际使用情况和严峻的挑战测试这些algorithmss，不要将它们推到边缘，并“慢慢来” - 因为其他制药球员将在未来的你切。
- 要知道，对于人工智能人才来说，你是在与世界上大多数成功的科技企业竞争，因此招聘和留住人才必须非常谨慎。
雪莱庄，创始人和股东在11.2资本：
由于人才紧缺的现实，不是每一个生命科学的组织将能够证明成本或必须建立在内部的AI练习的时间。弥合这一差距的方法之一是与其他公司的合作伙伴，例如，出现了关键的生物制药玩家和AI驱动的公司，主要是初创，仅在过去的几年间新的R＆d合作浪潮（阿斯利康与伯格健康，赛诺菲和葛兰素史克与英国的Exscientia，武田与且具，赛诺菲与递归，默克/ Atomwise等）。
AI给制药企业领袖的外卖
这似乎是对伙伴关系和合作的重视（与其他制药巨头，与技术公司，并与AI创业公司），以迅速“外包”的一些技能的一个主要教训，专业知识和基础设施所需要最大限度地发挥数据的价值。在世界上有AI的人才是很难得的，和周围的计算机科学的内部重组的挑战，合作伙伴可能是一种方式来获得初始牵引滚动而公司内部的深层障碍是在工作。
当然，合作本身不足以解决制药企业，包括内面临的主要挑战：
- 隔离的数据孤岛，使得信息难以获取工作与AI应用
- 缺乏AI-特殊人才 - 尤其是 - 迫切需要对AI人才与生命科学体验（一个罕见的发现）
我们的受访者确定发射井的分手作为一个关键因素（包括数据和功能单元）中允许机器学习的洞察力，并在组织内腾出AI人才。虽然似乎没有成为一个神奇的公式，本次重组（或“创造性破坏”的索博尔奇说明），创新型企业都意识到，他们应该寻找一条出路。
一表示，大多数的努力，使AI成为生命科学的工作是专门退居最大的制药巨头我们的记者 - 可能是因为他们有预算和影响力，使重，还是有点投机性投资到前沿的机器学习应用。由于相关的成本和人才奇缺，看起来可能是最好的合作伙伴关系，人才会去谁可以负担得起的企业。
Murali Aravamudan创始人兼CEO Qrativ：
这个(整合计算机科学和生命科学的主题似乎与“大型制药公司”最相关)。话虽如此，我确实看到一些制药和生物技术公司明确地组建新的“数据科学”团队，独立于传统的IT工作。这样的“数据科学团队”往往由来自不同学科的人员组成(最好是生物信息学、化学信息学、临床分析、商业分析，当然还有机器学习/计算机科学/ IT专业知识)。
时间会告诉我们公司将拉动其制药领先在比赛中最大限度地发挥自己的机器学习数据，但它至少肯定地说，它是这是许多世界顶级制药公司关注的领域。
本文是与NextLevel生命科学合作撰写的。有关与Emerj的内容和推广伙伴关系的更多信息，请访问Emerj合作页面。
标题图片来源：科学直播
