机器学习与人工智能:医学研究的黄金时代

生物技术、医学研究和药物发现——所有这些都付出了非常高昂的代价，但却为人类带来了巨大的利益。一种轰动一时的药物可以治愈全球数十万患者的重病，并为制药公司带来数十亿美元的收入。这就是为什么，仅仅为了将一种重磅药物推向市场，制药公司就要花费数亿美元(如果不是数十亿美元的话)，花费数十年的时间进行研究，而不知道这些研究是否会有成果。这种研究格局正在改变。现在是基因组学和基因组特异性药物发现的时代。风险投资公司和医学研究公司正在向基因组测序和分析投入大量资金和资源。如果你想想基因组测序和分析，它的核心是巨大的计算能力，也就是超级计算。IBM、英伟达(NVidia)等公司也在吸引大量投资来建造百亿亿次超级计算机。

仅仅是软件改变了医学研究行业吗?

马克•安德森(Mark Andreessen)曾说过一句名言:“软件正在吞噬世界”。一般来说，软件和高科技产业对生物技术产业产生了重大影响，就像对汽车、制造业和其他许多行业一样。但这不仅仅是软件的问题。它是软件和硬件的结合，协同工作，使百亿亿次计算成为可能。最近在《麻省理工学院技术评论》(MIT Technology Review)上，英伟达(NVidia)首席执行官黄延森(Jensen Huang)表示:“软件正在吞噬世界，但人工智能将吞噬软件。”科技公司和许多硅谷投资者现在正大举投资人工智能。但就我们今天的处境而言，人工智能在大多数情况下意味着机器学习或深度学习。

让我们确保自己明白人工智能和机器学习不是一回事的微妙之处。尽管人工智能和机器学习这两个术语经常互换使用，但机器学习只是人工智能的一种特定应用，通过这种应用，机器可以访问数据宝库，机器可以通过这些数据进行自我学习。

生物技术中的机器学习涉及合作

在生物医学研究方面，数据通常分布在全球许多不同的实体上。一些主要实体包括执行初级研究数据的大学、持有生物医学样本和样本数据的生物库、持有药物数据的制药公司和持有患者数据的生物技术公司等。它是一个由遍布全球的各种实体组成的复杂生态系统。这些实体之间的协作，包括创新的伙伴关系模型、客户参与和对数据的信任，至关重要。创造正确的平台和用户粘性模式意味着选择正确的技术。基于云的生物信息学和基于大数据的生物信息学是创建这样一个科学环境的必要成分，促进数据处理和数据访问所有利益相关者。

需要一个灵活和敏捷的平台

机器学习或深度学习不仅涉及了解复杂的基因组序列、细胞结构和器官结构，还涉及患者的人口统计学、药物与受影响细胞的相互作用、其他外部环境因素等，仅举几个例子。基于独立的大数据平台或云平台进行机器学习不仅困难，而且几乎不可能。一个真正的机器学习平台可以以正确的面料为基础来创建。数据虚拟化是这类平台的热门选择之一，并在最近开始流行起来。BioStorage ISIDOR平台就是这种以数据虚拟化为核心的架构的一个很好的例子。

188宝金博手机网址布鲁克斯生命科学公司收购了BioStorage公司及其依平台用于生物样本生命周期管理。ISIDOR平台由BioInventory，一个安全的基于云的、Web可访问的全球样本库存数据存储系统;BioConnect，对来自世界各地的样本库存和研究数据进行数据虚拟化/数据集成的定制方法;和BioInsight，一个智能可视化和报告工具，连接样本和研究数据，提供有价值的业务洞察力。用于数据虚拟化的Denodo平台是ISIDOR平台的BioConnect组件中的中间件。作为布鲁克斯生命科学的188宝金博手机网址一部分，该平台还提供BioStudies该公司为学术界和研究机构提供临床数据，以及监测存储单元温度的BioMonitor。

超越机器学习和人工智能的分离思想

随着生物技术的进步，我们正以光速向医疗保健领域更美好的未来迈进，但人们对隐私、数据保护和治理的担忧日益加剧，在可预见的未来可能会变得更糟。在创建自己的生物信息学平台时，您和您的组织应该牢记PII保护和基因组测序滥用的法律影响。有了适当的隐私、安全和治理，一个利用大数据、云、百亿亿次计算或其他现代数据平台创建的生物信息学平台可以为医疗保健系统带来一个新时代。