生物产业
生物制造大数据:共享模型提升药物预测力
2026-10-07 11:00  浏览:28

你的数据是预测性资产,还是仅仅占用存储空间?答案很可能是后者。然而,来自研发、技术转移、设施运营、供应链运营和质量优化的数据集,蕴含着可用于当前及未来生物制造、产品开发和供应链运营的预测性资产细节。

美国国家生物制药制造创新研究所(NIIMBL)大数据项目负责人、高级研究员Roger Hart博士与特拉华大学(University of Delaware)教授Kelvin Lee博士领导的研究人员提出,不仅要在公司内部利用大数据,还要在不损害专有信息的前提下,将关键洞察在行业范围内标准化并共享。

MELLODDY联盟的实践

这一观点基于MELLODDY联盟(成员包括安进、安斯泰来、阿斯利康、拜耳、勃林格殷格翰、GSK、杨森、默克、诺华和施维雅)开发的大数据模型结果。Hart、Lee及其同事在近期论文中报告,该联盟利用安全计算平台,汇集了数十年的专有数据——约26亿个数据点,涵盖超过2100万个分子和超过4万项靶向及次要药效学和药代动力学试验——共同训练了一个预测性药物活性模型。该共享定量构效关系模型“利用潜在药物化合物的化学结构来预测其功能”。

他们表示,结果显著优于任何单个成员的表现。联盟牵头方杨森制药的机器学习科学家Wouter Heyndrickx博士在另一篇文章中详细介绍了这些结果,报告称该模型在“大多数分类或回归任务”中带来益处,通常能增强预测能力,有时提升幅度相当大。值得注意的是,保形效率的接近完美相对改进中位数超过12%,其中一项超过20%。

共享前的准备

Lee告诉GEN:“许多组织已在寻求内部解决方案。好处是能够根据自身具体情况定制方案。但通过参与更大规模的努力,可以从共享学习和加速数字化转型的举措中受益。生态系统层面的努力能够以单个组织可能无法察觉的方式,推动整个行业在数字工具和效益方面取得进步。”

研究人员承认,要实现这样的结果需要大量数据管理准备工作。他们必须:标准化本体、模式和整体数据集成,打破企业范围内的数据孤岛;启用预测策略来优化流程,例如由数字孪生、计算机过程设计和混合机理/AI模型支持的那些;开发安全的共享数据集,使数据能够汇集,同时保护敏感和专有数据;确保来自多个供应商的传感器之间的互操作性和实时数据连接,以便它们能够准确、实时或近实时地通信;提供行业指导和认可,包括监管明确性、劳动力发展和降低采用障碍的共享商业案例。

一言以蔽之,这极具挑战性。Hart表示,重新设计遗留数据基础设施既昂贵又耗时,而多供应商互操作性对设备开发商而言优先级较低。此外还有其他障碍:监管机构尚未确定如何在数据提交中评估此类模型;最后,兼具生物制造和数据科学专业知识的工人稀缺。

然而,标准化大数据并利用其填充共享模型具有明显优势。Lee说:“许多组织在开发和制造方面面临类似的挑战和机遇。支持一套行业范围的解决方案可以加速单个组织的学习,促进技术转移……培养更大的灵活性和互操作性,并支持联邦学习。”

正如团队所强调的:“不采用这些能力的公司,将在生物制药制造市场中处于竞争劣势,无法充分实现其大数据的全部效益。”

来源:GEN(英文原文,生物航编译,内容以原文为准)

发表评论
0评