由于数据的可用性增强以及数据量相较以前明显增多，计算能力的提升使得人工智能和机器学习在技术创业公司中的应用变得非常普遍。 如今，配备机器学习和AI功能已经成为初创公司进入行业的“最低门槛”。大型制药公司也积极与生物技术初创公司接触，以期利用

　　由于数据的可用性增强以及数据量相较以前明显增多，计算能力的提升使得人工智能和机器学习在技术创业公司中的应用变得非常普遍。

　　如今，配备机器学习和AI功能已经成为初创公司进入行业的“最低门槛”。大型制药公司也积极与生物技术初创公司接触，以期利用AI和机器学习去做点什么。

　　那么，AI和机器学习对于生物医疗领域来说到底有何功用？未来会应用于哪些模块？基于此，本文将详细介绍未来AI应用于生物医疗领域的三大方向。

　　实验室“助理”传统实验室中有很多枯燥的任务，包括编辑基因序列或分析数据结构等，而这些工作以后都可以移交给人工智能。

　　桌面遗传学（公司名）开发了一个新的平台“DeskGen”，它利用CRISPR来编辑基因结构，CRISPR（Clustered Regularly Interspaced Short Palindromic Repeats）是最近几年出现的一种由RNA指导Cas核酸酶对靶向基因进行特定DNA修饰的技术。它是细菌和古细菌为应对病毒和质粒不断攻击而演化来的获得性免疫防御机制。

　　雷锋网（公众号：雷锋网）了解到，该平台能让生命科学家熟练地设计、优化基因组。

　　它包含两个模块：一是用于实验设计；二是用于管理DNA库存、部件列表和功能注释。实验设计模块改进了很多CRISPR元素，它由领先的学术实验室开发优质算法，为用户提供更深层次的分析；存储模块将用于管理用户的DNA库存、特性注释和序列信息。桌面平台智能地在用户的存储库中找到CRISPR向量，并进行自动批注，从而创建一个“基因组编辑向量”。

　　另外，对于想要更快或更简单地获得数据的科学家来说，也有一些创业公司专注于使用AI来研究多种类型的数据。

　　H2O.ai是一个开源平台，人们可以利用其数千种不同的统计分析模型来分析数据。尽管H2O.ai与行业无关，但为了减轻医疗服务商的数据分析负担，一些初创公司还是会把这项工作交由平台处理。

　　医疗诊断诊断性化验通常是在身体感觉有重大不适时才会进行一次全身体检，正因为如此，当诊断结果确定之后，就错过了最佳的治疗时间。

　　而用于诊断的机器学习技术就可以很好地避免此类事情的发生。

　　2011年创立于瑞士的Sophia Genetics就完美体现了该技术的价值，他们从患者身上吸取活组织或血液样本，然后用强大的AI算法去分析数据。

　　该过程（需要两天而不是现有技术的几个月）提取患者的DNA进行处理，然后将该数据输入Sophia DDM平台，该平台使用AI技术来挖掘并识别患者基因组中的突变基因，从而在早期就识别出相关症状。Sophia Genetics首席执行官Jurgi Camblong说：“医院使用分析平台越多、分析的基因组谱越多、人工智能就越准确。

　　另外，位于美国旧金山的Enlitic还将深度学习运用到了癌症等恶性肿瘤的检测中。

　　Enlitic要挑战的难题是：从X光、CT扫描、超声波检查、MRI等的图像中找出癌症等恶性肿瘤。X光照片的分辨率为纵3000像素×横2000像素。其中的恶性肿瘤的尺寸为纵3像素×横3像素左右。从非常大的图像上判断一个很小的阴影状物体是不是恶性肿瘤，是非常难的任务。而目前该公司开发的系统的癌症检出率已经远远高于医护人员。

　　从X光照片及CT扫描图像中找出恶性肿瘤的图像识别软件是利用深度学习的方法之一“ConvolutionalNeural Network（ConvNet，卷积神经网络）”开发的。ConvNet对医护人员检查过有无恶性肿瘤及肿瘤位置等的大量医疗图像数据进行机器学习，自动总结出代表恶性肿瘤形状等的“特征”以及重视哪些特征能够判断有无恶性肿瘤等“模式”。ConvNet将找出的模式应用于新的医疗图像，便可知道图像中是否存在恶性肿瘤。

　　同样来自旧金山的初创公司3ScanInc则希望利用机器人(行情300024,诊股)显微镜技术和计算机可视化系统帮助从事药物探索行业的科学家实现自动化人体病理组织分析工作。

　　3Scan可以帮助药物研究人员减轻很多繁琐的工作――特别是在人体病理组织分析中，大量涉及手工操作的工作。不过更重要的是，相比于科学家对某个特定病理组织所进行的传统研究方法，3Scan提供了更好的视觉辅助功能，以及更丰富的研究数据集合。

　　过去，如果研究人员需要检查某个病变组织，他们通常需要获得厚度为1厘米的组织块，然后把它嵌入到石蜡之中，再浸泡在水里进行截面切片，之后拿到不同类型的显微镜下分析这些病变组织。科学家很少会制作大量切片，通常在12个切片以内，然后根据这些有限的数据推断病变组织的病理原因。相对而言，3Scan的机器人显微镜则可以非常精确地操作病变组织样本切片，该系统可以从每个病变组织样本上得到1万个切片，之后机器人显微镜会使用机器视觉技术生成一个数字化的三维立体图（看上去有些像地球的地形图片），研究人员可以在电脑上查看、分析这些切片照片。

　　除此之外，AI和机器学习技术还可以用于其他数字化的诊断，包括帮助诊断类风湿关节炎等等。

　　药物研发可以说，使用AI和机器学习技术在生物医疗研究中的最大进展就是用于研发药物。目前，研发一种药物的平均成本为2.5亿美元，临床试验则需要12年。而利用新技术将大大减少研发时间和费用。

　　如美国的Atomwise公司，该公司设计了一套名为AtomNet的系统，运用超级计算机、AI和复杂的算法模拟制药过程，来预测新药品的效果，加快新药研发进度并最大限度降低成本。

　　Atomwise是一家利用超级计算机进行药品研发的前沿医学公司，总部位于美国旧金山。据悉，Atomwise公司用超级计算机分析已有数据库，并用AI和复杂的算法来模拟药品研发的过程，在研发的早期评估新药研发风险，让药物研究的成本降至数千美元，并且该评估可以在几天内完成。Atomwise为制药公司、创业公司和研究机构提供候选药物预测服务，可以预测哪些新药品真的有效，哪些无效。值得一提的是，Atomwise最近就利用了AI技术为寻找埃博拉病毒治疗方案做出了贡献。据该公司统计，该系统在不到24小时的时间内就成功地对7000多种药物进行了分析测试。该项目负责人透露，如果利用传统方法，这项分析至少需要花费数月甚至数年才能完成。

　　英国的初创公司BenevolentAI也是其中的一头“独角兽”。据雷锋网了解，BenevolentAI目前是欧洲最大的AI初创公司之一，在全球排名前五。BenevolentAI的技术平台应用人工智能技术，它可从海量的散乱无章的信息中提取出能够推动药物研发的知识，提出新的可以被验证的假说，从而加速药物研发的过程。