综述：在药物研发中实施数据科学与人工智能战略：挑战与解决方案

《Drug Discovery Today》：Implementation of a data science and artificial intelligence strategy across pharmaceutical R&D: challenges and solutions

本综述系统阐述了制药企业如何通过建立数据科学（DS）与人工智能（AI）战略框架应对研发挑战。作者基于阿斯利康（AZ）的实践经验，提出了涵盖战略优先级、数据基础、组织模型、技能获取与价值评估的五大解决方案，为行业实现DS&AI驱动的效率提升与科学创新提供了可借鉴的路径。

　　

引言

在当今制药行业，运用数据科学（DS）和人工智能（AI）技术已成为提升竞争力的关键。面对日益复杂的监管环境、不断上升的研发成本以及向个性化医疗的转变，DS&AI被寄予厚望，旨在提高药物研发效率、支持决策、推动科学创新，从而更快地将新药带给患者。数据科学涉及利用编程、统计/数学方法及领域知识来分析和总结结构化和非结构化数据，以解决研究或业务问题。人工智能则专注于机器学习（ML）和符号推理等计算机技术，以模仿或替代人类智能，利用数据改进决策过程。尽管潜力巨大，但在制药研发中成功设计和执行数据与人工智能战略仍面临诸多挑战。

挑战一：战略优先排序

在药物研发价值链中，DS应用场景广泛，如何对其进行战略优先排序是一大挑战。为解决此问题，我们采用了源自Rumelt的战略制定方法¹⁴，识别关键挑战领域，并制定了转变研发模式的四大战略支柱。这些支柱与研发目标紧密结合，确保资源投入到最具影响力的领域，从而系统化地推动DS&AI解决方案的实施。

挑战二：基础数据需求

健全的数据与人工智能政策、治理和标准能力对于核心数据活动至关重要。在监管环境日益复杂的背景下，这种能力使公司能够积极释放数据和AI的价值，在确保负责任地使用数据与AI的同时，推动潜在获益和创新。建立统一、高质量的数据基础是所有高级分析应用的前提。

挑战三：组织模型

行业文献中常提倡用于制药研发中数据与AI的“中心-辐射”（Hub & Spoke）组织模型，但关于其成果的同行评审定量研究较少。报告指出，这种模型虽可能加快ML项目周转，但也存在中心瓶颈和区域灵活性降低等风险。我们的实践表明，精心设计的组织模型需要在集中化效率与业务单元敏捷性之间取得平衡。

挑战四：技能获取

在整个研发领域采用DS和AI解决方案的趋势，使得获取新技能成为必然要求。现有高等教育课程难以培养出具备所需技术、非技术及领域知识混合技能的人才。为了克服这一挑战，需要对现有员工进行再培训，并吸引具备相关技能的新人才，确保研发队伍能够利用新技术、做出明智决策并从DS中创造价值。

挑战五：价值报告

集中的DS&AI能力能够加速研发决策并提升效率，但如何衡量和证明对这些能力及战略工作流的投资合理性，构成了价值报告的挑战。为此，我们开发了一个严格的衡量价值框架，旨在确保这些能力既具有影响力又与战略保持一致，并将投资直接引导到价值最高的机会上。

展望未来：整合DS&AI解决方案于研发全过程

我们持续识别利用技术和工具解决关键业务问题的机会。例如，投资计算机视觉和深度学习技术以自动化放射学任务，探索多模态数据整合以增强情境理解，以及工业化ML应用以实现规模化和可持续性，从而带来更高的价值和收益。未来的方向是更深入地将DS&AI整合到研发流程的各个环节。

结论

我们提出的DS&AI框架使研究人员能够更快速、更经济且以更高成功率系统地将科学转化为药物。通过应用“中心-辐射”组织设计¹⁵和Rumelt的方法论¹⁴，我们在创造效率的同时产生了显著的管线影响。该框架强调了可解释AI（XAI）、数据治理和道德AI原则的重要性，为制药研发领域的DS&AI战略实施提供了实践指南。