生命科学公司的数字化采用

生命科学公司对数字化的采用

关于医疗保健公司数字化采用情况的研究表明，企业对区块链和物联网的接受热情较高，但在制造和供应链领域推进缓慢，导致成效有限。Zymergen 是一家美国生物技术公司，成立于 2013 年，运用基因组学和机器学习来设计能够生产化学品的生物体。尽管该公司将自身定位为技术驱动型企业，并专注于其发现平台，但却忽视了生物制造和商业化工作。因此，该公司最终以远低于预期的估值收缩业务，并被 Ginkgo Bioworks 收购。Cognizant 在印度开展的一项定制行业调查发现，尽管 71% 的生命科学组织已将制造业规划为数字创新的主要重点，但只有 10% 的组织已从规划推进到实施。一项关于印度制药行业的研究发现，尽管投入巨大，十个数字化项目中有七个未能交付成果。项目未能取得预期成果的原因包括采用率低、仍在使用传统电子表格以及数字工具冗余。有时，在技术平台上过度投资，而对流程变革、员工技能和数据准备的关注不足，也会导致无法实现技术投资所预期的收益。这些例子带来的关键启示包括：技术投资必须配合稳健的执行计划持续推进。由于所有公司都能够获得技术，只有那些行动迅速并使其流程适应技术变化、市场需求和监管要求的企业，才能在竞争中保持领先。认识到这一点，许多组织已开始将人工智能引入其商业模式，以为客户创造有吸引力的价值主张。

人工智能在生命科学业务中的融入

自 2010 年起，人工智能和机器学习开始被整合进药物发现和医疗保健系统。

许多设备、远程医疗和可穿戴产品已被推出并被客户采用。辉瑞和 Moderna 等公司能够借助 mRNA 平台开发新冠疫苗。人工智能正在帮助科学家从大型数据集中筛选信息，以识别新的药物靶点并预测分子—靶点相互作用。传统药物发现需要十到十二年甚至更长时间，并涉及巨额投资。人工智能有助于加速这一过程并降低成本。此外，随着影像数据、真实世界数据、生物标志物数据和基因组学数据的激增，人工智能在研究和分析复杂数据方面变得极为有用。生成式人工智能正被用于设计分子并预测其性质。在临床试验中，人工智能有助于选择合适的患者队列、预测脱落情况，并优化整体试验时间表和运营。它还帮助挖掘真实世界数据，以识别不同人群细分中的模式和副作用。

Insilico Medicine 的人工智能平台 PandaOmics 通过利用来自患者和样本集的大规模数据集，帮助制药公司加速靶点识别、生物标志物建模和化合物生成。65 NantWorks、BostonGene、ExpanseWorks 和 CarisMPI 是利用人工智能引擎进行多组学数据整合和靶点识别的领先公司之一。66 印度也有一些初创企业正凭借人工智能在组学/系统生物学领域的应用来开展业务。Proteomica 是印度理工学院孟买分校的衍生企业，是将人工智能与组学相结合的一个案例。Proteomica 专门开发数字健康解决方案，利用蛋白质组学和多组学实现个性化、循证的健康管理。67 Sravathi AI 是另一家印度初创企业，致力于系统生物学/组学价值链中从靶点发现到药物设计的连续流程。68 Vgenomics 正在将人工智能与基因组数据结合使用，以加速针对罕见病的诊断和靶点发现。69 生命科学公司正在将人工智能用于生物制剂生产中的制造环节，包括利用传感数据、预测设备故障、缩短工艺周期时间和优化流程；同时也用于供应链优化，包括需求预测和库存优化。辉瑞报告称，旨在检测生产异常、缩短工艺周期时间和提高产量的人工智能驱动制造流程，使吞吐量提高了20%，周期时间缩短了25%。由于在制造和供应链中部署了人工智能赋能的优化技术，辉瑞还能够更快地交付新冠口服药物。70 诺华通过与 Amazon Web Services 建立合作，利用人工智能/机器学习部署了其生产线的数字孪生，从而使生产更加稳健，并减少停机时间。71 除制药公司外，Blue Yonder 等专业软件公司也通过其解决方案支持药品制造商优化供应链，并在降低风险、降低成本和提高响应能力方面发挥重要作用。72 人工智能正在被用于设备设计与开发以及图像分析。Siemens Healthineers 已将人工智能整合到其成像系统和诊断工作流程中，从而能够在不同地点生成一致的影像，并实现诊断标准化。73 随着移动接入的普及，AliveCor 等医疗器械制造商能够借助其人工智能赋能的便携设备，使诊断服务更加普及，降低医院成本，并更早发现医疗状况。74 病理学是诊断的重要组成部分。人工智能的使用正在提高病理诊断的速度、通量和准确性，从而有助于治疗路径的制定。Ibex AI 提供诊断解决方案，帮助病理学家高效分析癌症组织切片。75 人工智能在诊断中的广泛应用将通过具有成本效益的可穿戴设备和装置，以及对迄今尚未得到解决的疾病的治疗，帮助印度等发展中国家。在药物发现、制造流程和供应链的整个价值链，以及设备设计和诊断支持系统中，进一步整合人工智能的潜力十分巨大。然而，参与设计和实施人工智能驱动解决方案的利益相关方认识到，数据的质量和获取十分复杂，而且数据可能并未标准化。人工智能模型用于作出决策的方法必须变得透明，因为这些决策关系到消费者的健康与安全。新的人工智能模型需要获得监管批准，并且还需要通过适当渠道进行验证。在构建人工智能模型时，伦理问题、偏见蔓延以及患者数据隐私仍是所有相关利益方尚待解决的关切。尽管人工智能在印度生命科学领域的部署具有巨大潜力，凭借基因组多样性、庞大的数据量和患者群体，能够以低成本实现针对不同人群的定制化，但数据基础设施、互操作性和监管方面的挑战仍有待解决。