Κορυφαίες φαρμακευτικές εταιρείες, συμπεριλαμβανομένων των Novartis και Merck, δημιουργούν μια ομοσπονδιακή πλατφόρμα μάθησης για την ανακάλυψη φαρμάκων

Μελόντι


Τον περασμένο Ιούνιο, 10 μεγάλες φαρμακευτικές εταιρείες – Amgen, Astellas, AstraZeneca, Bayer, Boehringer Ingelheim, GSK, Institut De Recherches Servier, Janssen, Merck και Novartis – υπέγραψαν συμφωνία για την κατασκευή μιας κοινής πλατφόρμας που ονομάζεται MELLODDY (Equipment Mastering Ledger Orchestration για Ανακάλυψη φαρμάκων). Σε συνεργασία με τους Nvidia, Owkin και άλλους τεχνολογικούς εταίρους, η ομάδα προσπάθησε να εκμεταλλευτεί τεχνικές όπως ομοσπονδιακή μάθηση για να εκπαιδεύσετε συλλογικά το AI σε σύνολα δεδομένων χωρίς να χρειάζεται να μοιράζεστε ιδιόκτητα δεδομένα.

Σήμερα, οι συνεισφέροντες στο τριετές έργο MELLODDY ανακοίνωσαν ότι πέτυχαν τον πρώτο τους χρόνο: να αναπτύξουν επιτυχώς την πλατφόρμα. Σε ένα ευρύτερο ορόσημο, λένε ότι έχουν ολοκληρώσει τις πρώτες ενοποιημένες συνεδρίες μάθησης της πλατφόρμας.

Λιγότερο από το 12% όλων των φαρμάκων που εισέρχονται σε κλινικές δοκιμές καταλήγουν στα φαρμακεία και χρειάζονται τουλάχιστον 10 χρόνια για να ολοκληρώσουν τα φάρμακα το ταξίδι από την ανακάλυψη στην αγορά. Μόνο οι κλινικές δοκιμές χρειάζονται κατά μέσο όρο έξι έως επτά χρόνια, με κόστος έρευνας και ανάπτυξης περίπου 2,6 δισεκατομμύρια δολάρια. δεύτερος σε φαρμακευτική έρευνα και αμερικανούς κατασκευαστές.

Συνιδρυτές του έργου MELLODDY λένε ότι η ομοσπονδιακή μάθηση μπορεί να επιταχύνει τη διαδικασία. Στη μηχανική μάθηση, η ομοσπονδιακή μάθηση περιλαμβάνει την κατάρτιση αλγορίθμων σε αποκεντρωμένες συσκευές που κρατούν δείγματα δεδομένων χωρίς να τα ανταλλάσσουν. Ένας κεντρικός διακομιστής θα μπορούσε να χρησιμοποιηθεί για να ενορχηστρώσει τα βήματα του αλγορίθμου και να λειτουργήσει ως ρολόι αναφοράς, ή η διάταξη θα μπορούσε να είναι peer-to-peer. Ανεξάρτητα, οι τοπικοί αλγόριθμοι εκπαιδεύονται σε τοπικά δείγματα δεδομένων και τα βάρη (οι μαθησιακές παράμετροι των αλγορίθμων) ανταλλάσσονται μεταξύ των αλγορίθμων σε μια συγκεκριμένη συχνότητα για τη δημιουργία ενός παγκόσμιου μοντέλου.

Για την κατασκευή της πλατφόρμας MELLODDY, οι προμηθευτές τεχνολογίας BME, Iktos και Nvidia εφάρμοσαν λύσεις μηχανικής μάθησης για την ανακάλυψη ναρκωτικών, διασφαλίζοντας το απόρρητο και βελτιστοποιώντας την εκπαίδευση σε κάρτες γραφικών Nvidia. Owkin παρείχε στο Owkin Link, το πλαίσιο απορρήτου που έχει σχεδιαστεί για την ομαδική εκμάθηση πολλαπλών εργασιών, ενώ η KU Leuven παρείχε μια βιβλιοθήκη ανοιχτού κώδικα που ονομάζεται SparseChem για την εκπαίδευση συγκεκριμένων μοντέλων μηχανικής μάθησης για την ανακάλυψη ναρκωτικών. Η Kubermatic έχει εφαρμόσει την πλατφόρμα Kubernetes για να δημιουργήσει την υποδομή για κάθε φαρμακευτικό εταίρο. Και το Substra Basis διαχειρίστηκε τεχνικές λειτουργίες, παρακολούθησε το φόρτο εργασίας και φιλοξένησε τον κώδικα ανοιχτού κώδικα που αποτελεί μέρος του Owkin Link.

Μέσα στην πλατφόρμα MELLODDY, μέρος της οποίας φιλοξενείται στο Amazon Web Providers, οι συνεργάτες καταγράφουν με ασφάλεια τα σύνολα δεδομένων τους σε μια τοπική παρουσία της αρχιτεκτονικής. (Ένας εκπρόσωπος είπε στην VentureBeat ότι η πλατφόρμα έχει περάσει “εκτεταμένους” ελέγχους ασφαλείας από μια εξωτερική εταιρεία και τις ομάδες IT κάθε συνεργαζόμενου φαρμακευτικού συνεργάτη.) Ένα ιδιωτικό blockchain παρέχει ιχνηλασιμότητα, με ένα αποκεντρωμένο καθολικό που διανέμεται σε φαρμακευτικούς συνεργάτες. .

Κατά τη διάρκεια των αρχικών συνεδριών, όλες οι συμμετέχουσες φαρμακευτικές εταιρείες κατάφεραν να εκπαιδεύσουν ταυτόχρονα τα προγνωστικά τους μοντέλα με συγκεντρωτικό και ανωνυμοποιημένο τρόπο χωρίς να εκθέσουν ιδιωτικές έρευνες, δεδομένα ή πληροφορίες, σύμφωνα με εκπρόσωπο.

Οι συνεργάτες του έργου MELLODDY ισχυρίζονται ότι έχουν ξεκινήσει αξιολογήσεις επιστημονικών και επιχειρηματικών περιπτώσεων για τα αποτελέσματα του πρώτου γύρου κύκλων μοντελοποίησης. Θα εξετάσουν αυτά τα ευρήματα για δημοσίευση σε μια επιστημονική εργασία και, για τα επόμενα δύο χρόνια, το έργο MELLODDY θα επικεντρωθεί στη βελτίωση της απόδοσης του κοινού προγνωστικού μοντέλου εκθέτοντάς το σε αυξανόμενο αριθμό δεδομένων.

Το έργο MELLODDY βασίζεται σε άλλες προσπάθειες για την αποκάλυψη πληροφοριών σχετικά με την υγεία μέσω της χρήσης ομοσπονδιακής μάθησης. Τον Μάιο Intel αποκάλυψε λεπτομέρειες για ένα πρόγραμμα που χρηματοδοτείται από Εθνικά Ινστιτούτα Υγείας, το οποίο θα αξιοποιήσει την τεχνητή νοημοσύνη για τον εντοπισμό όγκων του εγκεφάλου, διατηρώντας παράλληλα την ιδιωτική ζωή. Μαζί με την Ιατρική Σχολή Perelman στο Πανεπιστήμιο της Πενσυλβανίας (Penn Medicine), η εταιρεία θα συντονίσει μια ομοσπονδία 29 διεθνών ιατρικών κέντρων στις Ηνωμένες Πολιτείες, τον Καναδά, το Ηνωμένο Βασίλειο, τη Γερμανία, την Ελβετία και την Ινδία για την εκπαίδευση μοντέλων τεχνητής νοημοσύνης χρησιμοποιώντας το ομοσπονδιακή μάθηση.

Εκτός από αυτό, το Αμερικανικό Κολλέγιο Ακτινολογίας, Βραζιλίας κέντρο απεικόνισης Το Diagnosticos από την Αμερική, το Partners Healthcare, το Πανεπιστήμιο του Οχάιο και το Stanford Drugs συνεργάστηκαν για να αναπτύξουν ένα ομοσπονδιακό μοντέλο μάθησης χρησιμοποιώντας περισσότερες από 130.000 εικόνες από 33.000 μελέτες μαστογραφίας. Και η Nvidia άρχισε να συνεργάζεται με συνεργάτες για να κυκλοφορήσει μοντέλα που σχετίζονται με το COVID-19 εκπαιδευμένα με ομοσπονδιακή μάθηση μέσω της πλατφόρμας Clara Imaging Software της εταιρείας, μετά από συνεργασία με το King’s Faculty London σε Συνομοσπονδιακό νευρικό δίκτυο εκμάθησης για τμηματοποίηση όγκου εγκεφάλου.

Το έργο MELLODDY έχει εκτιμώμενο προϋπολογισμό 18,4 εκατομμυρίων ευρώ (21,76 εκατομμύρια δολάρια) και λαμβάνει χρηματοδότηση από την Πρωτοβουλία Καινοτόμων Φαρμάκων, μια σύμπραξη δημόσιου-ιδιωτικού τομέα μεταξύ της Ευρωπαϊκής Ένωσης και της ευρωπαϊκής φαρμακευτικής βιομηχανίας. (Οι φαρμακευτικοί συνεργάτες συνεισέφεραν 10 εκατομμύρια ευρώ και Nvidia 120.000 ευρώ, ενώ τα υπόλοιπα προέρχονταν από δημόσιες επιχορηγήσεις.) Η θυγατρική της Johnson & Johnson Janssen Pharmaceutica NV ηγείται της φαρμακευτικής βιομηχανίας με συντονισμό από την Owkin.



[via]

Απάντηση

Αυτός ο ιστότοπος χρησιμοποιεί το Akismet για να μειώσει τα ανεπιθύμητα σχόλια. Μάθετε πώς υφίστανται επεξεργασία τα δεδομένα των σχολίων σας.