加速生命科学组织的研发管道
背景与挑战
生命科学行业在药物研发过程中面临巨大的时间压力，平均耗时10到15年。这一过程包括从研究和发现、预临床测试、临床试验到监管审查和审批等多个阶段。尤其是在招募患者和生成治疗效果预测方面，时间消耗尤为严重。此外，生命科学行业往往较慢地采用新技术，但领先的组织正在采取前瞻性的方法，通过开发全面的数据战略、投资强大的数据基础架构并动员数据生态系统来加速药物交付过程。
数据与AI的作用
数据和AI在优化和加速各个研发阶段方面发挥着重要作用：
- 快速分析遗传、基因组和蛋白质组数据：利用AI算法可以更快地识别潜在疾病靶点和制定个性化治疗方案。
- 加快患者选择：AI可以分析大量数据集以预测患者的治疗反应，从而加速临床试验患者的选择。
- 提升研究洞察力并降低TCO：通过分析历史数据（如以往临床试验结果、分子化合物结构、患者基因特征、药代动力学和药效动力学数据）来预测试验结果，从而加快候选药物的选择过程。
- 快速响应监管查询：生成AI可以通过使用历史试验数据、真实世界证据、患者人口统计信息和研究设计来迅速响应监管机构的查询。
生物技术公司Ginkgo Bioworks的案例
Ginkgo Bioworks通过采用Snowflake的AI Data Cloud实现了实验数据的高效提取、联合和使用，从而提高了项目成功的可能性。这使得科学家能够更快地适应实验问题，并避免在分析期间占用化学仪器。实时实验数据帮助Ginkgo迅速确定项目的成功可能性，从而为客户提供更大的价值。将实验数据与其他数据集集中起来增强了科学研究能力，同时通过BI仪表板和Snowflake访问超过1,000名团队成员，改善了财务规划、仪器利用、质量保证和采购决策。
药品制造商Sanofi的案例
Sanofi正致力于构建一个企业级的数据处理平台，旨在帮助医疗专业人士更快地分析现实世界的临床数据，评估疗法的益处或风险。该平台通过生成关键的分析见解来支持医疗专业人员输入查询过滤器。然而，之前的架构依赖于Spark引擎，存在手动部署和维护复杂性、资源扩展问题、高峰使用期间并发问题以及多平台间的数据移动复杂性等问题。迁移至Snowpark后，性能提升了50%，解决了管理和配置难题，减少了延迟。
解决方案
- 加速成功的研发：通过提取、联合和使用多种格式的数据（如文本、图像、视频和音频），并从多个来源提取数据，实现高效的数据分析。
- 加快患者识别和临床数据分析：通过提供安全的数据共享功能，使得研究人员能够在不移动或复制数据的情况下与他人协作，同时通过Snowflake Marketplace增强科学分析能力。
结论
生命科学组织可以通过采用现代数据策略和基础架构，利用AI和数据云加速其研发过程，从而提高患者福祉并拯救生命。Snowflake通过其AI Data Cloud帮助这些组织更有效地访问、集中、分享和分析数据，实现更好的临床和商业成果。
