<mark id="oztn4"></mark>
0
近日，權威機構IDC發布報告《IDC PeerScape: 中國新藥研發中新興信息化技術應用實踐與案例》。
其中，華為云聯合高校進行的計算機輔助藥研案例，被該報告列為新藥研發機構與專業的生物計算技術企業合作開展新藥研發的最佳實踐之一，成為了所有新藥研發項目的參考范本。
至此，華為云的AI藥物研發布局也逐漸展露雄心。
更早之前，其還就得到中科院上海藥物研究所的青睞，將AI能力和計算藥物、藥物研發進行結合，推出了基于 ModelArts平臺的藥物聯邦學習服務。
此外，在2020年4月，華為云還發布了迄今為止全球最大的免費公開新冠藥物虛擬篩選數據庫——“神農項目”。
云+AI技術出身的華為云業務，為何頻頻在傳統的生物醫藥行業出招，在市場規模遠超消費行業的制藥產業，其又在籌劃著多大的戰略意圖。
近日，雷鋒網《醫健AI掘金志》以“AI制藥·下一個現象級賽道”為主題，邀請燧坤智能、英飛智藥、宇道生物、西湖歐米、華為云，五家先鋒企業，舉辦了一場線上論壇分享。
作為此次論壇的嘉賓，華為云醫療智能體產品總監孟鑫，以《華為云人工智能在生命科學領域的探索和實踐》為題，進行了演講。
孟鑫表示：藥物研發非常復雜，包含很多環節，從最開始藥物發現到臨床前，到后續藥物流通，包含著很多復雜環節。
以AI新藥研發為例，不只要關注藥物分子設計和篩選，背后需要藥物研究、基因臨床和醫學影像等等的支撐。
其中，華為云只聚焦在幾個點：藥物設計、藥物大規模虛擬篩選、藥物協同性、藥物重定向維度，集合云計算的能力，在云上做智能分析和結構預測，能讓這些準確度提升一個新水平。
目前，華為云和國內單細胞測序平臺合作，提供數據算法和算力，協作做單細胞測序數據云上開發和邊緣計算。在原來模型基礎上，做了大量空間搜索和運算，大概能提高2~3倍分析速度。以前需要使用100個算力，現在只需要20個算力就可以實現單個樣本分析，對10萬個、100萬個樣本同樣也能夠提升效率。
以下是演講全部內容，《醫健AI掘金志》做了不改變原意的整理和編輯：
大家好，我是華為云醫療智能體產品總監孟鑫。今天給大家分享華為云人工智能在生命科學領域的探索和實踐。
演講主要從三個方面來進行：
第一個方面，華為云在人工智能方面的技術研究。
第二個方面，華為云在人工智能的發展趨勢。
第三個方面，華為云在生命科學領域的一些探索和實踐。
華為云長期扎根于AI基礎研究，覆蓋計算機視覺、語音語義和決策優化三大AI方向。
在華為云的未來規劃中，AI的發展主要聚焦在模型高效、數據高效、知識高效、算力高效思維的重點。
此外，針對產業中的一些核心問題，我們又提出6大基礎研究計劃。
1. 面向大模型的模型摸高的計劃；2. 面向小模型的模型瘦身的計劃；3. 面向多模態學習的數據魔方計劃；4. 面向小樣本學習的數據冰山計劃；5. 面向通用知識抽取的萬物預示計劃；6. 面向新學習范式的敘事合一計劃。
這些計劃產生許多研究成果，包括自動化學習與訓練模型等，而將來這些成果也會采用即插即用的方式部署在華為云。
首先介紹一下這張圖片，也就是目前華為云的AI能力，可以看到左邊，國際大賽上的最佳論文上有很多提名，論文數量上已經進入世界第一梯隊。
圍繞剛才提到的幾個創新和計劃，我們在計算機視覺上的很多比賽都得到第一名，在語音、語義識別上和決策優化上拿到了很好的成績。
整體來看，目前華為云的AI戰略，主要圍繞著感知、認知和決策三大方面進行，像感知圖像分類、目標檢測、預訓練模型、實力分割都已經集成在ModelArts平臺。
此外，華為云在去年還提出了知識計算，AI在認知之后，就需要做相應的決策，也就是運籌優化過程，中間的技術主要涵蓋強化學習和智能控制。
這里首先介紹一下，華為云的ModelArts平臺，該平臺沉淀了華為云的頂尖AI技術，目前主要分為兩層：
基礎層是ModelArts平臺，提供數據和數據處理，以及模型訓練、管理、推理、部署等服務。
此外，我們還在ModelArts平臺上，提供了很多的行業套件，幫助各個企業開發更適用自己的AI算法和模型，此外還有一些行業頂尖的算法，可以很方便開發相應模型，針對訓練數據做相應部署。
ModelArts目前適用的芯片也是，華為自主的AI芯片，計算能力非常高，在很多大規模作業可以做到40096卡單任務并行。
介紹完ModelArts平臺之后，我再分享一下近些年人工智能大概發展趨勢。
第一，從小模型到大模型，過去10年內，AI算法對算力需求提升了40萬倍左右；
第二，從全監督學習到自監督學習10年內，自監督學習全年度差距縮小了90%以上；
第三，人工智能與科學計算進行交匯，從模型、算法、軟件和硬件，4個層面上都有一個交匯點。
而這些變化，也在生物醫學、工業、氣象、能源等眾多領域制造深刻影響。在AI建模、AI求解、AI框架、AI視頻、AI芯片適配上，也增加了許多的人工智能可解釋性。
首先，分子動力學層面可以進行大規模分子模擬；物理學上，可以通過神經網絡求解確定方程；在蛋白質三維結構預測中，AI可以預測蛋白質三維結構。
根據我們的總結，這些數據中心和生產力迭代過程主要分為幾個階段：
第一，技術應用做局部探索；
第二，技術發展與社會環境相互碰撞；
第三，技術發展與社會環境相互促進。
現在正處于人工智能進入核心生產系統的過程，目前，華為在人工智能行業大約落地超過600個項目，進入核心業務的系統也超過30%。
接下來重點介紹：華為云人工智能在生命科學領域的探索，其中主要包含三個方面：智能基因組分析、智能藥物研發、智能醫學影像研發。
首先介紹基因組分析，基因組分析數據量和計算量非常大，后期解讀基因組數據也非常困難，里面包含基因/蛋白質組學等等，這都屬于智能基因分析范疇。
因為一個基因組數據就有幾百個G大小，而如果涉及到超過1萬人，乃至10萬人，數據量就會更大，這種情況就需要大數據能力。
所以我們希望結合華為云大數據能力，加上智能分析算法，幫助基因組領域做分析和研究。
第二點，新藥研發。
大家知道藥物研發非常復雜，包含很多環節，從最開始藥物發現到臨床前，到后續藥物流通，包含著很多復雜環節。
其中，華為云只聚焦在幾個點：藥物設計、藥物大規模虛擬篩選、藥物協同性、藥物重定向維度。
集合云計算的能力，在云上做智能分析和結構預測，能讓這些準確度提升一個新水平。
最后醫學影像，這是AI技術應用最早領域，今年審批了十幾個AI醫療器械三類證。
這個領域之所以非常火爆，就在于數據的標準化，因為人工智能是80%數據+20%運算，數據量越大，AI準確度就會越好，如果能夠提升智能醫學影像研發平臺和算法，降低人工操作復雜度，同樣也可以提升醫學影像的準確性。
接下來詳細談談基因組領域。
我們目前開發了一套自動建模的工具，利用這套工具可以在很少的代碼開發情況下，就能做多組學分析。
此外，像癌癥亞型分類、靶基因預測、細胞發育預測等多種場景，我們的自動建模工具也都有做過相應的案例。
而在基因測序里，除了測序以外，更重要還要對數據分析，也就是解析mRNA，把電信號轉成基因序列信號。
特別是三代測序，以前的工具速度和精準度都比較有限，而現在Fast-Bonito工具使檢測精度有了大幅提升，但檢測速度很慢，華為云也基于自己的研發力量，將這個速度提升到5倍以上。
還有新藥研發方面。
從去年2月開始，我們做了一個新項目：全球最大的新冠藥物篩選數據庫及可視化平臺。
此外，新冠肺炎也可以通過醫學影像方式去檢測這種病灶，推動決策，華為云可以做到三維病灶空間量化展示，在幾十秒就會有結果，提升檢測速度。
人工智能和云計算上，剛才已經做了大量的介紹，目前我們的AutoGenome工具，已經可以做到數據的自動增長、自動的套餐選擇和神經網絡架構搜索。
所以在新藥研發可以提供很多的幫助，例如生信工作人員就不用再學習大量的底層技術，可以很方便用這個框架去做一些科研的發現。
針對單細胞組學的研究，研究配套組織和分子在結構和空間上的關系，通過我們的框架把數據整理標準的訓練數據，然后再做各種訓練。
這就像根據單細胞陽性分離的精度，按照細胞的發育周期進行分類，分類的精度相比于傳統方法有一個比較大的提升，至少達到20%以上。
第二個案例是人工智能和單細胞測序，以及云計算的結合。現在單細胞也比較火，以前大家習慣所有的細胞一起去測序，現在隨著越來越精準。
在國內就有一家單細胞測序平臺，我們通過和他們一起合作，他們提供線下技術和服務，我們在線上也用華為云平臺來提供數據算法和算力，一起協作，做單細胞測序數據在云上開發，和邊緣計算。
剛才有介紹Fast-Bonito這個工具，那么為什么三代測序的結果要比人工智能方式比較好，因為它本身就是一個一個電信號波形圖。
這樣就可以用AI方式去學習他們之間的關系，例如AA、TT、ATP的波形就很不一樣，波谷和波峰有很大差異。
那么通過對原來序列，做了很多標準的referenc之后，也就可以把模型訓練的更精準。
同時，華為云還在原來模型的基礎上，做了大量的空間搜索和運算，用華為云芯片，大概能提高2~3倍分析速度。
目前這個案例主要是一個樣本的情況，以前是需要使用100個算力，現在只需要20個算力就可以實現一個樣本的分析。
同樣當我們面對10萬個、100萬個樣本同樣也能夠提升效率，節省費用和時間。
然后是藥物篩選方面。
從去年2月，國內疫情爆發沒多久，我們就和國內幾所高校一起進行新冠肺炎藥物篩選工作。
當時我們在云上主要運用超過15000個GPU進行藥物篩選，將原來需要兩個月時間，21個新冠靶點，8500個上市藥物的篩選工作縮短到兩天，篩選工作效率提升了30倍。
當時我們在2月初找到了5個候選藥物，有兩個進入了臨床實驗過程，后來因為國內疫情得到了很好的控制，所以臨床試驗也就逐步放緩了一些，而我們的研究后來也得到了紅點獎，發表在JCIM期刊。
我們主要給這個項目命名為神農計劃，主要是尋找和篩選大量的已知藥物分子，因為這些分子的物理和化學性質都已經比較穩定，相當于老藥新用的過程。
下面再介紹一下，華為云在醫學影像方面的工作。
這方面主要介紹一個腦部神經元鏈接的案例，也就是腦科學
這個研究過程非常復雜，小如斑馬魚這么大的生物，個體非常小，大腦尺度只有0.5毫米左右。
但它的神經元突觸數目卻非常多，達到108，如果把這些神經元都鏈接起來，就需要大量的數據標注工作。
大家知道人類基因組數據大概有109左右，兩者做類比，就相當于要把人類的每一根細胞都要鏈接起來。這個過程中完成一個大腦的神經元重建，一般一個標注員大概需要125年的時間。
而利用我們的AI算法和ModelArts平臺可以實現集群和大規模分布訓練，將原來的需要125年的工作量，縮短到10天內完成，而且利用的資源也非常少。整個神經元重構費用減少為原來的1/77 ，準確度和召回率都在95%以上，是一個非常大的突破。
目前，我們還只是研究一個斑馬魚腦部神經元這樣小范圍的數據，以后如果要研究像老鼠，像人腦這樣更復雜的數據，都會有一定的借鑒意義。
那回到我們為什么要研究這樣的數據，未來的智能究竟是什么樣子，就是來源于像人腦這樣的研究，怎樣實現控制，怎樣實現反饋，我們的神經網絡研究，其實也就是模仿腦部神經元的構建，回歸生物學的本質。
這里列舉一個和醫療器械公司合作的案例。
華為云和微清醫療的合作案例，微清本身就有眼底診斷系統，可以通過光學做青光眼識別，以及糖尿病疾病的診斷。
這其中，主要是利用華為云平臺，做數據標注管理和病人應用，幫助醫生更方便做診斷，以前可能需要用半小時，現在也就幾分鐘時間，就能完成青光眼疾病診斷。
總結與展望
首先，大算力將是AI成功的基石。
以前神經網絡做到三層就很厲害，現在往往可以做到幾十層或幾百層，模型也變得很大，對于算力要求也非常大。
我們猜測AI系統發展程度是可以利用數據和消耗算力來衡量，與卡達爾肖夫指數類似，AI智能化程度對算力需求會呈指數級增長。
近些年，我們國家也在建設AI計算中心，AI算力作為一種基礎資源需求，開始被社會所需要。
其次，軟硬件一體化將是大勢所趨。
軟件發展一定程度會受限于技術的瓶頸，隨后就需要依賴硬件進一步發展，而硬件達到一定水平后也需要更好軟件架構。
之后，AI與科學計算會深度融合。
AlphaFold2將人類98.5%的蛋白質做了預測，大家越來越認識到人工智能跟科學研究密切相關。
最后，深度整合醫療資源，全面賦能行業創新。
以AI新藥研發為例，不只是要關注藥物分子設計和篩選，背后需要藥物研究、基因臨床和醫學影像等等的支撐。
Deepmind就表示，如果一個臨床試驗能夠得到基因組學支撐，它的成功率就會提升兩倍。
受益于基因組學、藥物靶點發現和基準研究，AI技術已經開始在基因、藥物、臨床等更多方面做分析工作。
這其中加速各方融合，促進數據資源的轉化使用也非常重要，在國家管控越來越明確之后，大家能夠更深入的合作，一同探討數據方面的聯合創新，加速應用落地。
Q1：1.在AI制藥浪潮中，華為更側重怎樣的角色，是算法提供方，還是算力提供方，具體深入到pcc和臨床試驗，又有哪些合作點？
孟鑫：華為云作為基礎設施的算力提供方，安全培訓這塊做的非常好，也拿到了2799認證，同時標志著我們在醫療領域有非常大的決心。
但華為云并不是所有的算法都做，我們希望把這個領域打開，做一些案例被大家看到，大家可以在我們的運營商開發自己的算法，或者也可以用我們的算力和算法。
華為云也只是提供了非常少量的算法，希望大家合作一起做一些算法，我們也愿意和大家一起去探索。
對于專門做醫療AI公司來說，華為云整個體量相對來說還是大一些，我們更希望去做一些大規模的事情或者基礎方面的服務。
例如，有一些公司想做模型開發，但是沒有很好的基底模型，大模型需要做1萬億級別參數的訓練，訓練需要幾個月的時間，小公司肯定負擔不起，華為云可以把基礎部分做了。
華為云今年也發布了大模型，訓練了幾個月的時間之后做出來，大家可以去華為云運營的公眾號可以搜到相關介紹。
有了大模型想要針對某一個積分領域去做出自己的優質、特點和數據，再做一些訓練可能會更容易，可以用少量的幾塊算力，就得到好的結果，站在更高的級別。
我給到大家一個提前消息，華為云在今年9月份會有更多的基礎服務發布，實驗這一塊就是收費者招募、培訓、加速的AI研究，都可以通過這樣方式去做。
華為云和國內一些頂尖的醫院有合作，在臨床試驗的數據有很多的發現，而且有相應的文章發表，大家有興趣可以去看看。
Q2:請問計算服務如何收費？目前的價格水平如何？下降趨勢如何？
孟鑫：大家可以用CPU的算力或者NGO算力，目前來看收費比較貴，只有大企業才有實力做出來，但是AI算力費用會逐漸降低，再加上國內芯片受到一些限制，國際上短缺，技術發展持續的迭代和更新，大部分會持續下降。
同時，意味著人工智能技術受益于成本的下降，會越來越普及被大家所接受，每一個人都能夠用得起，都能做AI。
Q3：看到AI新藥研發企業，也在賣藥物篩選服務收費模式，這和咱們的計算服務有沒有合作點，配合起來幫助藥企加速新藥研發？
孟鑫：國內和國際上有很多AI藥物研發企業和華為云都有比較深入的合作。
一方面是華為云基礎的云資源，在本地區構建這種集群很難達到大規模的訴求，還需要花費很大的精力去運營資源，在云上可以很好的來解決這個問題，想用的時候就用，不想用的時候就關掉。
另外，云上有各種各樣的AI模型，對AI新藥研發企業來說有很多好處，因為可以幫助他們去做對外提供服務。
我們內部也在開會研討，在華為云上有很多這樣的案例，我們自己做或者有一些藥企會找到我們想一起合作，我們愿意幫助他們把新藥做出來。
華為云與其他藥物研發企業不太一樣，有些藥物研發企業有自己的定位，只提供相應的研究服務。
華為云從現在定位來看更傾向于做平臺，希望能夠幫助大家更好的去服務企業，也可以配合大家去做一些創新。
Q4：請問系統架構中有哪些方面是為生物計算專門設計或優化的？
孟鑫：剛才我舉了一個例子，利用AI來加速三代測序過程，在模型空間搜索上做了相應的優化，讓模型會更小一些，在計算時間上速度有提升。
另外提到過的一系列工具，也是專門針對經營組織和多組學的特點去研發，有基因調控的關系，并不會因為兩個名字比較相近就導致基因功能一樣，或者就能夠發揮作用，看似沒有關系的兩個名字實際上是有一些意義的。同時，華為云在神經網絡上也有自己的設計。
Q5：華為云AI在慢病早篩領域是否有相應的案例？
孟鑫：有的，和北京技術所教授其實有一個合作，利用AI方式去研究食管癌案例，大家感興趣可以去搜一下。
Q6：人工智能可以對早期診斷疾病、有效開出藥物、監測患者對處方的依從性做出判斷嗎？
孟鑫：可以的，臨床輔助決策AI也發揮了很大的作用，國家衛健委也在臨床輔助決策上面有一個全國性的試點項目正在開展中。
利用人工智能對電子病歷做相應分析，進行學習和檢查疾病診斷的病變，可以給出藥物治療的方案。
需要做很多診斷工作，包括現在醫保上面提到病案首頁，我們的合作伙伴也有一些聯合方案。
Q7：人工智能生物學中有什么核心難點？
孟鑫：用人工智能方式去解答生物學方面問題，就需要大量數據，如果數據量比較小，那學習出來的模型就不具有代表性，結果不會太好。
以前做統計模型或者記錄模型重要的是保持準確，現在越多數據才能把問題表述的更加有特征。
把人類當成一個嬰兒而言，從小就對他進行培養，如果只培養某一方面技能的話，他另外一方面肯定是失衡的，所以全面的數據是最核心的。
另外，智能模型和人工智能模型融合起來，就是計算和人工智能來到了一個歷史性的交匯點。希望這種模型的機制，物理、化學或者數學方面，能更容易理解得到的結果，把兩個技術聯系起來。
知識圖譜也有很多難點，特別是針對我們生命科學領域的知識本身，要用一個圖去標記所有數據，同時還要把他們的依賴條件表述出來。
Q8：和藥研所合作現在是什么情況？
孟鑫：上海藥物所在這個領域算是國內的Number one，專門做藥物研究的，所以我們和國內的院校是有合作的，同北大、深圳和上海的一些高校進行科研合作，非常歡迎院校的老師同我們進一步合作。
在華為云有專門針對高校扶持計劃，能夠讓大家去做相應的研究和資源。
Q9：目前在AI新藥研發上，看到咱們大多數進展都在新冠領域上，有沒有其他案例介紹一下？
孟鑫：有的，現在還不太方便說，后續也會跟大家再分享我們的一些進展。后續也會跟大家再分享我們的一些進展。我就回答到這里，謝謝雷鋒網。雷鋒網
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
