生物制药领域AI应用进展与数据就绪挑战调查

某机构最新针对科学家和信息学专家的调查显示，虽然人工智能（AI）和机器学习（ML）在研发、制造和临床价值链上的投资正在快速加速，但持续存在的数据孤岛和集成难题正在阻碍进展——这引发了以科学为重点的公司是否真正准备好充分利用AI潜力的关键问题。

这项数据就绪调查由某技术公司开展，调研了来自30多家科学驱动型公司的科学家和信息学专家，既揭示了对AI变革潜力的热情，也暴露了数据管理和集成方面的持续挑战。

尽管近三分之二的组织已开始在整个价值链中投资AI和ML，但只有32%的受访者对其公司有效利用科学数据推进AI计划的能力表示高度信心。

惊人的70%受访者表示，获取AI项目所需数据"困难"或"有些困难"，突显了数据可访问性方面的普遍困境。报告指出，数据在存储或元数据方面缺乏统一，强调了标准化实践的缺失正在阻碍进展。

数据孤岛、互操作性和自动化差距成为主要障碍。近半数组织认为从实验室仪器传输和集成数据"有些困难"或更糟，老化的基础设施和缺乏通用标准使无缝数据交换复杂化。数据捕获自动化正在增长，但26%仍主要依赖手动流程，10%完全未使用自动化。标准化数据格式和本体的采用情况参差不齐，39%同意其组织已采用，同等比例则不确定或不同意。

报告还指出，当前高性能计算（HPC）环境的数据管理解决方案存在关键缺口。大多数系统（如电子实验室笔记本ELNs）并非设计用于处理复杂分析过程中产生的PB级非结构化数据。虽然仪器数据的初始捕获和分析后数据产品的最终存储已很好实现自动化，但HPC系统上关键的中途处理阶段仍然支持不足。

正如某机构首席科学官所言：“数据管理对于确保数据重用和检索至关重要，因为这是实现FAIR（可查找、可访问、可互操作、可重用）数据的命脉。”

尽管存在这些障碍，AI在研发中的采用仍在推进，39%的组织报告中等采用度，另有26%表示最低采用度。

AI应用的重点最集中在研究（32%）和开发（27%）领域，临床、制造和精准医疗也显示出日益增长的兴趣。组织正在优先考虑有针对性的渐进式AI干预，而非大规模颠覆性部署。“真正价值日益体现在将AI和机器学习整合到整个价值链的常规工作流程中，“该官员表示。

确定的主要挑战包括数据质量问题（27%）、数据隐私担忧（23%）以及与实验室仪器的集成困难（21%）。生成式AI的兴起放大了隐私焦虑，促使许多组织开发内部解决方案以保持对专有数据的控制。

报告还指出，由于组织往往庞大而多样，每个部门都专注于利用现有技术产出成果，因此难以衡量每个部门使用AI驱动程序提升生产力和效率的能力。

当被问及AI的最大潜在好处时，受访者强调了加速发现、提高效率和节约成本以及增强科学洞察力。“虽然改善患者结局理应是最终目标，但调查结果表明受访者也高度关注AI的其他切实好处，“该官员指出。这些中间收益——更快的研究周期、优化流程和更深的数据驱动洞察——被视为更好产品的垫脚石，并最终改善患者和消费者的结局。

展望未来，某机构强调数据标准化和不同实验室仪器之间的无缝数据交换对于科学驱动行业充分实现AI承诺至关重要。“当前时代可称为’数据管理时代’，最终将导向’AI时代’，“报告总结道。投资于强大数据基础设施、跨职能协作和针对性AI应用的公司将最有可能将数据转化为发现——将创新转化为影响。