SuaraSekitar Terkini Kumpulan Berita dan Informasi dari berbagai sumber yang terpercaya
Kredit Gambar: kentoh/Shutterstock
Mendengar dari CIO, CTO, dan eksekutif tingkat C dan senior lainnya tentang data dan strategi AI di Future of Work Summit 12 Januari 2022 ini. Pelajari lebih lanjut
Artikel ini disumbangkan oleh Luis Voloch, salah satu pendiri dan chief technology officer di Immunai
Biologi digital berada pada tahap perkembangan yang sama (awal, menarik, dan transformatif) seperti internet di tahun 90-an. Pada saat itu, konsep alamat IP masih baru, dan menjadi “melek teknologi” berarti Anda tahu cara menggunakan internet. Maju cepat tiga dekade, dan hari ini kami menikmati komunikasi industri di internet tanpa harus tahu apa-apa tentang cara kerjanya. Internet memiliki infrastruktur matang yang dimanfaatkan oleh seluruh dunia.
Kita perlu membawa industrialisasi serupa ke biologi. Memanfaatkan sepenuhnya potensinya akan membantu kita melawan penyakit yang menghancurkan seperti kanker. A16z telah mengubah moto terkenalnya “Perangkat lunak memakan dunia” menjadi “Biologi memakan dunia.” Biologi bukan hanya ilmu; itu juga menjadi disiplin teknik. Kami semakin dekat untuk dapat ‘memprogram biologi’ untuk tujuan diagnostik dan pengobatan.
Mengintegrasikan teknologi canggih seperti pembelajaran mesin ke bidang seperti penemuan obat akan memungkinkan untuk mempercepat proses biologi digital. Namun, untuk mencapainya, ada tantangan besar yang harus diatasi.
Biologi digital: Berenang di lautan data
Tidak lama setelah gigabyte data biologis dianggap banyak, kami berharap data biologis yang dihasilkan selama tahun-tahun mendatang dihitung dalam exabyte. Bekerja dengan data pada skala ini merupakan tantangan besar. Untuk menghadapi tantangan ini, industri harus mengembangkan dan mengadopsi praktik pengelolaan dan pemrosesan data modern.
Industri biotek belum memiliki budaya pengelolaan data yang matang. Hasil eksperimen dikumpulkan dan disimpan di lokasi yang berbeda, dalam berbagai format yang berantakan. Ini merupakan kendala yang signifikan untuk mempersiapkan data untuk pelatihan machine learning dan melakukan analisis dengan cepat. Diperlukan waktu berbulan-bulan untuk menyiapkan data digital dan kumpulan data biologis untuk analisis.
Praktek pengelolaan data biologis yang maju juga akan standar untuk menggambarkan biologi digital dan data biologis, mirip dengan standar kami untuk protokol komunikasi.
Mengindeks kumpulan data dalam data pusat menyimpan dan mengikuti praktik manajemen data yang telah menjadi arus utama dalam industri perangkat lunak akan mempermudah persiapan dan penggunaan kumpulan data pada skala yang kita butuhkan bersama. Agar hal ini terjadi, perusahaan biofarmasi akan membutuhkan dukungan C-suite dan perubahan budaya dan operasional yang meluas.
Selamat datang ke dunia simulasi
Dapat memakan biaya jutaan dolar untuk menjalankan satu eksperimen biologis. Biaya sebesar ini membuatnya menjadi penghalang untuk menjalankan eksperimen pada skala yang kita perlukan, misalnya, untuk menghadirkan personalisasi sejati ke perawatan kesehatan — mulai dari penemuan obat hingga perencanaan perawatan. Satu-satunya cara untuk mengatasi tantangan ini adalah dengan menggunakan simulasi (eksperimen in-silico) untuk meningkatkan eksperimen biologis. Ini berarti bahwa kita perlu mengintegrasikan alur kerja machine learning (ML) ke dalam penelitian biologi sebagai prioritas utama.
Dengan industri kecerdasan buatan berkembang pesat dan dengan pengembangan chip komputer yang dirancang khusus untuk beban kerja pembelajaran mesin, kami akan segera dapat menjalankan jutaan eksperimen in-silico dalam hitungan hari dengan biaya yang sama dengan satu eksperimen langsung untuk menjalankannya jangka waktu berbulan-bulan.
Tentu saja, eksperimen yang disimulasikan kurang akurat dibandingkan eksperimen biologis. Salah satu cara untuk mengatasinya adalah dengan menjalankan eksperimen in-silico secara in vitro atau in vivo untuk mendapatkan hasil yang paling menarik. Mengintegrasikan data in-silico dari eksperimen vitro/vivo mengarah ke loop umpan balik di mana hasil eksperimen in vitro/vivo menjadi data pelatihan untuk prediksi masa depan, yang mengarah pada peningkatan akurasi dan pengurangan biaya eksperimen dalam jangka panjang. Beberapa kelompok akademis dan perusahaan telah menggunakan pendekatan tersebut dan telah mengurangi biaya hingga 50 kali lipat.
Pendekatan penggunaan ini model pembelajaran mesin untuk memilih eksperimen dan secara konsisten memasukkan data eksperimen ke pelatihan ML harus menjadi standar industri.
Penguasa alam semesta
Seperti Steve Jobs dulu terkenal berkata, “Orang-orang yang cukup gila untuk berpikir bahwa mereka dapat mengubah dunia adalah orang-orang yang melakukannya.”
Dua dekade terakhir telah membawa kemajuan teknologi epik dalam pengurutan genom, pengembangan perangkat lunak, dan pembelajaran mesin. Semua kemajuan ini segera berlaku untuk bidang biologi. Kita semua memiliki kesempatan untuk berpartisipasi dan menciptakan produk yang secara signifikan dapat meningkatkan kondisi umat manusia secara keseluruhan.
Biologi membutuhkan insinyur perangkat lunak, lebih banyak insinyur infrastruktur, dan lebih banyak insinyur pembelajaran mesin. Tanpa bantuan mereka, diperlukan waktu puluhan tahun untuk mendigitalkan biologi. Tantangan utamanya adalah bahwa biologi sebagai domain begitu kompleks sehingga mengintimidasi orang. Dalam hal ini, biologi mengingatkan saya pada ilmu komputer di akhir tahun 80-an, di mana para pengembang perlu mengetahui teknik elektro untuk mengembangkan perangkat lunak.
Bagi siapa pun di industri perangkat lunak, mungkin saya dapat menyarankan cara lain untuk melihat kompleksitas ini: Pikirkan kompleksitas biologi sebagai peluang daripada tantangan yang tidak dapat diatasi. Komputasi dan perangkat lunak telah menjadi cukup kuat untuk mengubah kita menjadi perangkat pemahaman biologis yang sama sekali baru. Anda adalah programmer generasi pertama yang memiliki kesempatan ini. Pegang dengan kedua tangan.
Bawa keterampilan, kecerdasan, dan keahlian Anda ke biologi. Bantu ahli biologi untuk meningkatkan kapasitas teknologi seperti CRISPR, genomik sel tunggal, imunologi, dan rekayasa sel. Membantu menemukan pengobatan baru untuk kanker, Alzheimer, dan begitu banyak kondisi lain yang tidak berdaya selama ribuan tahun. Sampai sekarang.
Luis Voloch adalah salah satu pendiri dan Kepala Teknologi Petugas di Immunai
DataDecisionMakers
Selamat datang di komunitas VentureBeat!
DataDecisionMakers adalah tempat para ahli, termasuk orang teknis yang melakukan pekerjaan data, dapat berbagi wawasan dan inovasi terkait data.
Jika Anda ingin membaca tentang ide-ide mutakhir dan informasi terkini, praktik terbaik, dan masa depan teknologi data dan data, bergabunglah dengan kami di DataDecisionMakers.
Anda bahkan mungkin mempertimbangkan untuk menyumbangkan artikel Anda sendiri!
Baca Selengkapnya Dari DataDecisionMakers
Tidak lama setelah gigabyte data biologis dianggap banyak, kami berharap data biologis yang dihasilkan selama tahun-tahun mendatang dihitung dalam exabyte. Bekerja dengan data pada skala ini merupakan tantangan besar. Untuk menghadapi tantangan ini, industri harus mengembangkan dan mengadopsi praktik pengelolaan dan pemrosesan data modern.
Industri biotek belum memiliki budaya pengelolaan data yang matang. Hasil eksperimen dikumpulkan dan disimpan di lokasi yang berbeda, dalam berbagai format yang berantakan. Ini merupakan kendala yang signifikan untuk mempersiapkan data untuk pelatihan machine learning dan melakukan analisis dengan cepat. Diperlukan waktu berbulan-bulan untuk menyiapkan data digital dan kumpulan data biologis untuk analisis.
Praktek pengelolaan data biologis yang maju juga akan standar untuk menggambarkan biologi digital dan data biologis, mirip dengan standar kami untuk protokol komunikasi.
Mengindeks kumpulan data dalam data pusat menyimpan dan mengikuti praktik manajemen data yang telah menjadi arus utama dalam industri perangkat lunak akan mempermudah persiapan dan penggunaan kumpulan data pada skala yang kita butuhkan bersama. Agar hal ini terjadi, perusahaan biofarmasi akan membutuhkan dukungan C-suite dan perubahan budaya dan operasional yang meluas.
Selamat datang ke dunia simulasi
Dapat memakan biaya jutaan dolar untuk menjalankan satu eksperimen biologis. Biaya sebesar ini membuatnya menjadi penghalang untuk menjalankan eksperimen pada skala yang kita perlukan, misalnya, untuk menghadirkan personalisasi sejati ke perawatan kesehatan — mulai dari penemuan obat hingga perencanaan perawatan. Satu-satunya cara untuk mengatasi tantangan ini adalah dengan menggunakan simulasi (eksperimen in-silico) untuk meningkatkan eksperimen biologis. Ini berarti bahwa kita perlu mengintegrasikan alur kerja machine learning (ML) ke dalam penelitian biologi sebagai prioritas utama.
Dengan industri kecerdasan buatan berkembang pesat dan dengan pengembangan chip komputer yang dirancang khusus untuk beban kerja pembelajaran mesin, kami akan segera dapat menjalankan jutaan eksperimen in-silico dalam hitungan hari dengan biaya yang sama dengan satu eksperimen langsung untuk menjalankannya jangka waktu berbulan-bulan.
Tentu saja, eksperimen yang disimulasikan kurang akurat dibandingkan eksperimen biologis. Salah satu cara untuk mengatasinya adalah dengan menjalankan eksperimen in-silico secara in vitro atau in vivo untuk mendapatkan hasil yang paling menarik. Mengintegrasikan data in-silico dari eksperimen vitro/vivo mengarah ke loop umpan balik di mana hasil eksperimen in vitro/vivo menjadi data pelatihan untuk prediksi masa depan, yang mengarah pada peningkatan akurasi dan pengurangan biaya eksperimen dalam jangka panjang. Beberapa kelompok akademis dan perusahaan telah menggunakan pendekatan tersebut dan telah mengurangi biaya hingga 50 kali lipat.
Pendekatan penggunaan ini model pembelajaran mesin untuk memilih eksperimen dan secara konsisten memasukkan data eksperimen ke pelatihan ML harus menjadi standar industri.
Penguasa alam semesta
Seperti Steve Jobs dulu terkenal berkata, “Orang-orang yang cukup gila untuk berpikir bahwa mereka dapat mengubah dunia adalah orang-orang yang melakukannya.”
Dua dekade terakhir telah membawa kemajuan teknologi epik dalam pengurutan genom, pengembangan perangkat lunak, dan pembelajaran mesin. Semua kemajuan ini segera berlaku untuk bidang biologi. Kita semua memiliki kesempatan untuk berpartisipasi dan menciptakan produk yang secara signifikan dapat meningkatkan kondisi umat manusia secara keseluruhan.
Biologi membutuhkan insinyur perangkat lunak, lebih banyak insinyur infrastruktur, dan lebih banyak insinyur pembelajaran mesin. Tanpa bantuan mereka, diperlukan waktu puluhan tahun untuk mendigitalkan biologi. Tantangan utamanya adalah bahwa biologi sebagai domain begitu kompleks sehingga mengintimidasi orang. Dalam hal ini, biologi mengingatkan saya pada ilmu komputer di akhir tahun 80-an, di mana para pengembang perlu mengetahui teknik elektro untuk mengembangkan perangkat lunak.
Bagi siapa pun di industri perangkat lunak, mungkin saya dapat menyarankan cara lain untuk melihat kompleksitas ini: Pikirkan kompleksitas biologi sebagai peluang daripada tantangan yang tidak dapat diatasi. Komputasi dan perangkat lunak telah menjadi cukup kuat untuk mengubah kita menjadi perangkat pemahaman biologis yang sama sekali baru. Anda adalah programmer generasi pertama yang memiliki kesempatan ini. Pegang dengan kedua tangan.
Bawa keterampilan, kecerdasan, dan keahlian Anda ke biologi. Bantu ahli biologi untuk meningkatkan kapasitas teknologi seperti CRISPR, genomik sel tunggal, imunologi, dan rekayasa sel. Membantu menemukan pengobatan baru untuk kanker, Alzheimer, dan begitu banyak kondisi lain yang tidak berdaya selama ribuan tahun. Sampai sekarang.
Luis Voloch adalah salah satu pendiri dan Kepala Teknologi Petugas di Immunai
DataDecisionMakers
Selamat datang di komunitas VentureBeat!
DataDecisionMakers adalah tempat para ahli, termasuk orang teknis yang melakukan pekerjaan data, dapat berbagi wawasan dan inovasi terkait data.
Jika Anda ingin membaca tentang ide-ide mutakhir dan informasi terkini, praktik terbaik, dan masa depan teknologi data dan data, bergabunglah dengan kami di DataDecisionMakers.
Anda bahkan mungkin mempertimbangkan untuk menyumbangkan artikel Anda sendiri!
Baca Selengkapnya Dari DataDecisionMakers
Dapat memakan biaya jutaan dolar untuk menjalankan satu eksperimen biologis. Biaya sebesar ini membuatnya menjadi penghalang untuk menjalankan eksperimen pada skala yang kita perlukan, misalnya, untuk menghadirkan personalisasi sejati ke perawatan kesehatan — mulai dari penemuan obat hingga perencanaan perawatan. Satu-satunya cara untuk mengatasi tantangan ini adalah dengan menggunakan simulasi (eksperimen in-silico) untuk meningkatkan eksperimen biologis. Ini berarti bahwa kita perlu mengintegrasikan alur kerja machine learning (ML) ke dalam penelitian biologi sebagai prioritas utama.
Dengan industri kecerdasan buatan berkembang pesat dan dengan pengembangan chip komputer yang dirancang khusus untuk beban kerja pembelajaran mesin, kami akan segera dapat menjalankan jutaan eksperimen in-silico dalam hitungan hari dengan biaya yang sama dengan satu eksperimen langsung untuk menjalankannya jangka waktu berbulan-bulan.
Tentu saja, eksperimen yang disimulasikan kurang akurat dibandingkan eksperimen biologis. Salah satu cara untuk mengatasinya adalah dengan menjalankan eksperimen in-silico secara in vitro atau in vivo untuk mendapatkan hasil yang paling menarik. Mengintegrasikan data in-silico dari eksperimen vitro/vivo mengarah ke loop umpan balik di mana hasil eksperimen in vitro/vivo menjadi data pelatihan untuk prediksi masa depan, yang mengarah pada peningkatan akurasi dan pengurangan biaya eksperimen dalam jangka panjang. Beberapa kelompok akademis dan perusahaan telah menggunakan pendekatan tersebut dan telah mengurangi biaya hingga 50 kali lipat.
Pendekatan penggunaan ini model pembelajaran mesin untuk memilih eksperimen dan secara konsisten memasukkan data eksperimen ke pelatihan ML harus menjadi standar industri.
Penguasa alam semesta
Seperti Steve Jobs dulu terkenal berkata, “Orang-orang yang cukup gila untuk berpikir bahwa mereka dapat mengubah dunia adalah orang-orang yang melakukannya.”
Dua dekade terakhir telah membawa kemajuan teknologi epik dalam pengurutan genom, pengembangan perangkat lunak, dan pembelajaran mesin. Semua kemajuan ini segera berlaku untuk bidang biologi. Kita semua memiliki kesempatan untuk berpartisipasi dan menciptakan produk yang secara signifikan dapat meningkatkan kondisi umat manusia secara keseluruhan.
Biologi membutuhkan insinyur perangkat lunak, lebih banyak insinyur infrastruktur, dan lebih banyak insinyur pembelajaran mesin. Tanpa bantuan mereka, diperlukan waktu puluhan tahun untuk mendigitalkan biologi. Tantangan utamanya adalah bahwa biologi sebagai domain begitu kompleks sehingga mengintimidasi orang. Dalam hal ini, biologi mengingatkan saya pada ilmu komputer di akhir tahun 80-an, di mana para pengembang perlu mengetahui teknik elektro untuk mengembangkan perangkat lunak.
Bagi siapa pun di industri perangkat lunak, mungkin saya dapat menyarankan cara lain untuk melihat kompleksitas ini: Pikirkan kompleksitas biologi sebagai peluang daripada tantangan yang tidak dapat diatasi. Komputasi dan perangkat lunak telah menjadi cukup kuat untuk mengubah kita menjadi perangkat pemahaman biologis yang sama sekali baru. Anda adalah programmer generasi pertama yang memiliki kesempatan ini. Pegang dengan kedua tangan.
Bawa keterampilan, kecerdasan, dan keahlian Anda ke biologi. Bantu ahli biologi untuk meningkatkan kapasitas teknologi seperti CRISPR, genomik sel tunggal, imunologi, dan rekayasa sel. Membantu menemukan pengobatan baru untuk kanker, Alzheimer, dan begitu banyak kondisi lain yang tidak berdaya selama ribuan tahun. Sampai sekarang.
Luis Voloch adalah salah satu pendiri dan Kepala Teknologi Petugas di Immunai
DataDecisionMakers
Selamat datang di komunitas VentureBeat!
DataDecisionMakers adalah tempat para ahli, termasuk orang teknis yang melakukan pekerjaan data, dapat berbagi wawasan dan inovasi terkait data.
Jika Anda ingin membaca tentang ide-ide mutakhir dan informasi terkini, praktik terbaik, dan masa depan teknologi data dan data, bergabunglah dengan kami di DataDecisionMakers.
Anda bahkan mungkin mempertimbangkan untuk menyumbangkan artikel Anda sendiri!
Baca Selengkapnya Dari DataDecisionMakers
Seperti Steve Jobs dulu terkenal berkata, “Orang-orang yang cukup gila untuk berpikir bahwa mereka dapat mengubah dunia adalah orang-orang yang melakukannya.”
Dua dekade terakhir telah membawa kemajuan teknologi epik dalam pengurutan genom, pengembangan perangkat lunak, dan pembelajaran mesin. Semua kemajuan ini segera berlaku untuk bidang biologi. Kita semua memiliki kesempatan untuk berpartisipasi dan menciptakan produk yang secara signifikan dapat meningkatkan kondisi umat manusia secara keseluruhan.
Biologi membutuhkan insinyur perangkat lunak, lebih banyak insinyur infrastruktur, dan lebih banyak insinyur pembelajaran mesin. Tanpa bantuan mereka, diperlukan waktu puluhan tahun untuk mendigitalkan biologi. Tantangan utamanya adalah bahwa biologi sebagai domain begitu kompleks sehingga mengintimidasi orang. Dalam hal ini, biologi mengingatkan saya pada ilmu komputer di akhir tahun 80-an, di mana para pengembang perlu mengetahui teknik elektro untuk mengembangkan perangkat lunak.
Bagi siapa pun di industri perangkat lunak, mungkin saya dapat menyarankan cara lain untuk melihat kompleksitas ini: Pikirkan kompleksitas biologi sebagai peluang daripada tantangan yang tidak dapat diatasi. Komputasi dan perangkat lunak telah menjadi cukup kuat untuk mengubah kita menjadi perangkat pemahaman biologis yang sama sekali baru. Anda adalah programmer generasi pertama yang memiliki kesempatan ini. Pegang dengan kedua tangan.
Bawa keterampilan, kecerdasan, dan keahlian Anda ke biologi. Bantu ahli biologi untuk meningkatkan kapasitas teknologi seperti CRISPR, genomik sel tunggal, imunologi, dan rekayasa sel. Membantu menemukan pengobatan baru untuk kanker, Alzheimer, dan begitu banyak kondisi lain yang tidak berdaya selama ribuan tahun. Sampai sekarang.
Luis Voloch adalah salah satu pendiri dan Kepala Teknologi Petugas di Immunai
DataDecisionMakers
Selamat datang di komunitas VentureBeat!
DataDecisionMakers adalah tempat para ahli, termasuk orang teknis yang melakukan pekerjaan data, dapat berbagi wawasan dan inovasi terkait data.
Jika Anda ingin membaca tentang ide-ide mutakhir dan informasi terkini, praktik terbaik, dan masa depan teknologi data dan data, bergabunglah dengan kami di DataDecisionMakers.
Anda bahkan mungkin mempertimbangkan untuk menyumbangkan artikel Anda sendiri!
Baca Selengkapnya Dari DataDecisionMakers