正如《Molecular Therapeutics》的一篇文章中所描述的：“这些任务所需要的学习类型是表征学习；即输入原始数据后，机器能够检测或分类模式或表征信息。”

　　这使得人工智能及其子集，机器学习和深度学习很适合用于挖掘大量的基因型和表型数据，这些数据来源于全球公私有数据库，医院和医生办公室，学术研究期刊和个人可穿戴健康监测设备。

　　Andreessen Horowitz的Pande博士说：“我认为生物学家近几十年甚至近几个世纪已经认识到的一件重要的事情是——生物学非常复杂。生物学如此复杂，以至于人类的大脑无解所有这一切；我们在理解生物学方面的局限性导致了晚期临床试验结果的复杂性。”

　　人工智能在模式识别和表征学习方面的熟练程度不断进化，可以更准确地预测结果，因此在疾病通的基因水平的复杂性，设计治疗干预措施以及确定将从中受益的患者等方面，人工智能是最有前途的研究工具。

　　Pande博士说：“生物学可能对于人类大脑来说太复杂了，但对于某些类型的AI可能不是太复杂；AI可以用人脑无法实现的方法整合数据，然后能够将研究人员引导到有趣的新地方。”

　　药明明码（WuXi NextCODE）的首席执行官Hannes Smarason先生观察到，AI将药物研究从假设驱动转变为数据驱动的过程。他解释说：例如“一个科学家需要做一个实验，在他意识到这点之前，知识系统对他说：‘你应该做三件事情。’或者，‘你为什么不看一下这四个结果？我已经为你做了实验。’”

　　Exscientia的首席执行官Andrew Hopkins博士补充说，人工智能“把目前需要手动，依赖于技术人员水平的研发工作系统化”。

　　对于NuMedii公司的Deshpandi博士来说，AI可以让研究人员找到“想要寻找的模式，或者是未知或想不到的模式”。

　　Numerate首席执行官Guido Lanza博士说，AI把“真正的学习环”的概念引入业界，“所有的决策都可以从以前所有成功和失败的经验推倒出来，这个想人印象深刻” 。

上一页  [1] [2] [3] [4] [5]  下一页