原始标题：人工智能迫使研究研究与发展编辑的“快速通道密钥”注：人工智能正在重新使用科学研究的范式。从加速新药的研究和开发到普遍的奥秘，从气候变化的普遍变化到遗传代码的披露，AI在提高研究和扩大研究范围的技能方面表现出了巨大的潜力。从现在开始，该报纸将启动一系列“ AI+科学研究”解码报告，该报告介绍了医学，数学，材料，化学，化学，天文学等领域的AI应用程序成就，并讨论了AI的前景，以增强高质量研究开发研究的能力。 所有基因中的MGA潜在筛选靶标，发现帕金森氏病的新治疗靶标，并筛选出候选人的药物；提前15年预测阿尔茨海默氏病的风险诊断的率已经超过98.7％...近年来，福丹大学在医学领域取得了一系列成功。在这些非凡的成功之后，所有这些都将与CFFF（科学研究智能计算平台云）提供的AI计算能力的支持分开。该平台由Fudan University，Alibaba Cloud等共同创建，并在公共云模式下提供了超过100公里卡的智能计算，支持大规模培训和高能培训。 目前，AI已从研究领域变成了授权技术。许多专家最近在接受医学和健康领域的科学和技术每日记者的采访中进行了采访，AI被应用于目标发现，药物设计和临床试验，这显着提高了科学研究的技能。同时，诸如“数据筒仓”之类的挑战不容忽视。 改变药物开发模型AI技术正在改变目标检测模型。在假设驱动的传统研究模型下，研究人员表明，特定蛋白质在基于现有理论系统的蛋白质病原体中起着重要作用，然后设计实验以确认。该模型不仅是时间和密集的劳动，而且很容易忽略现有理论系统的许多户外可能性。 在AI技术的支持下，可以进行数据驱动的研究模型。这是一个没有预设的研究想法。在所有基因中的潜在筛查靶标，然后进行大量的体外和体外实验以进行验证，这可以提高数据审查和研究效率的规模。 “我们使用大型技术模型在超过100万个样本中对全基因组关联进行了很好的综述，发现五个FAM171A2基因位点的突变与帕金森氏病的风险显着相关。” Yu Jintai，a与福丹大学有关的华山医院教授告诉记者，病理α-突触核蛋白是帕金森氏病的主要病原体蛋白。没有人研究过神经元细胞膜蛋白FAM171A2在α-突触核蛋白递送中的作用。 AI在化合物筛选中也起着重要作用。 在传统的研究模型下，用于高度创新靶标的药物的开发需要重复测试和错误：研究人员需要筛选数千个具有相同活性和选择，良好耐药性，良好吸收性和代谢特性的分子，并符合安全标准。满足这些需求的药物分子可能进入临床阶段。这种完全依靠专家的个人经验和创造力的方法通常会消耗大量时间，并带有高强度和材料成本。虚拟筛选蛋白结构的AI蛋白结构可以快速预测哪些分子可能是mabout有很多。在某些情况下，AI还可以在48小时内筛选1亿种化合物。 在CFFF平台的帮助下，Yujintai的团队能够准确筛选所有基因中的潜在靶标，并迅速找到了一个小分子，该分子可以有效防止FAM171A2蛋白和病理α-核蛋白从7,000多个小分子中密封。 Yu Jintai说：“我们只花了五年的时间完成这项最初持续数十年才完成的工作。” CFFF平台还支持另一项团队研究。该团队使用AI技术来筛选四种与6361个脑脊液蛋白质相关的高度与阿尔茨海默氏病相关的蛋白质。基于这些新的诊断生物标志物，可以提前15年预测阿尔茨海默氏病的风险，而准确性则超过98.7％。据报道，阿尔茨海默氏病是早期筛查，并根据这一成功开发的早期审查和测试试剂将在主要医院和身体上推出考试中心到今年年底。 提高临床测试效率 在推出该药物之前，它应该接受临床试验并通过药物监管机构的严格批准。 “进入临床阶段后，没有筛查样药的快捷方式。” Yingsi Intellignt Technology（Shanghai）Co，Ltd。的Co-Co-Co Ren Feng（从那里称为“ Yingsi Intelligent”）。 但这并不意味着进入临床阶段后AI没有影响。相反，迫切需要AI干预。 传统的临床试验在招募公约，筛查，数据收集和质量控制方面无效，这导致了较高的经济，时间和时间的失败风险。 AI可以优化患者招聘标准，预测测试结果，模仿临床试验，并提供新的想法和技术，以破坏传统临床测试的瓶颈。 今年6月，发布了长期雾化的申请批准用于慢性阻塞的肺部疾病的雾化支气管扩张剂。在III期临床试验的患者招聘过程中，由Yidu Technology Co，Ltd创建的患者招聘药物显示了他们的技能，增加的入学率提高了30％以上，并且大小的质量严格调节了90％以上。 “该代理商的准确性比传统模型高三倍以上。”该公司生命科学部生命科学部智能临床试验主管Hao Yuan。 一些公司积极探索了使用AI技术来预测临床试验结果。 Insilicon Intelligent使用自由开发的AI临床试验预测引擎“ Insionico”来准确预测从II阶段到III期的某些临床试验的转化结果。 在临床数据管理过程中，AI也具有很大的潜力。上海Yocheng Health Technology Co，Ltd的Auroraprime平台可以减少e临床研究报告初稿的初稿的时间达到了90％，总体上节省了45％的时间。 AI也可以应用临床测试方案。 Wenzhou Medicaluniversity的学术团队Li Xiaokun使用AI来优化因素增长以成功缩短转型的临床测试计划。 AI变化已渗透到临床试验的每个链接。根据研究公司研究的数据，临床AI测试市场的全球规模将在2025年达到26亿美元，估计在2034年将超过223.6亿美元。 行业内部人士认为，AI临床测试市场正处于爆炸式增长的前夕，创新技术将大大提高行业运营的效率。同时，应注意的是，监管框架和诸如数据隐私和技术滥用等道德风险的滞后是限制行业健康发展的主要瓶颈。迫切要BUMUO自适应调节系统和道德管理框架。 面对“数据岛”的挑战 在良好数据和丰富知识的整合过程中，计算的力量成为科学研究中的重要生产力。随着计算能力水平的继续提高，科学研究的效率也将大大提高。 富丹大学（Fudan University）类似脑部智力科学技术研究所的研究员郑魏（Cheng Wei）因计算能力的跳跃而深深地感动了。 “从2011年到2012年，我们购买了许多机器，很难处理100人的图像数据。一家小型服务器持续了很多天。”他说，现在，CFFF平台为计算提供了更大的功能，并可能同时实现多任务的同时计算。他信任平台，他相信她可以开发一个更大的数据库来推动研究。 Cheng Wei说，在AI期间对计算能力的需求的成长和强调数据安全和隐私保护，许多大学建立或加强了自己的计算平台。他说：“特别是在涉及敏感临床数据的研究中，计算平台的所有者很重要。” 但是从另一个角度来看，它也会加剧数据障碍问题。数据资源的破坏将限制“ AI+药房”技术潜力的发布。 “如果要求AI发挥更大的作用，则有必要创建更多标准化的数据。” Jingtai Smart Pharmaceutical Technology（Shanghai）Co，Ltd的联合创始人兼首席执行官Ma Jian表示，在接下来的5到10年中，我们预计该行业将以高质量的数据世代投资更多的能源。 “ AI制药公司通常使用公共数据来生成算法技术。今天的数据量仍然足够，但是随着行业的发展，公司对算法准确性的要求将越来越高，并且大量Ren Feng表示，Yingsi Intelligent全年保持20-40人的采矿团队，并每天保持相关的数据更新，但是该行业中的“数据筒仓”问题不能忽略。 许多受访者认为，在“ AI+药房”领域，更深入的挑战在于AI工具和临床工作流程工作的信任机制和整合程度。目前，制药公司和AI开发人员正在通过开发跨机构合作的合作机制，开发AI模型的定义以及促进框架的标准验证和扩展，从而积极促进开放行业合作。将来，我们仍然需要提高AI决策制定系统的透明度，并制定符合临床研究标准的透明披露标准，以增强诊所和监管机构的信心。 （编辑：Luo Zhizhi，Chen Jian） 跟随oFlow帐户：人 - 金融融资 分享让许多人看到