BAHNBRECHENDE ERGEBNISSE IM GESUNDHEITSWESEN UND IN DEN BIOWISSENSCHAFTEN

• Kimberly Powell, Vice President of Healthcare, NVIDIA.

Krankenhäuser, OP-Säle, Genomsequenzierungszentren und Pharmaunternehmen generieren riesige Datenmengen und schaffen so die Möglichkeit, KI-Modelle, Plattformen und Robotiksysteme zu generieren, die vorhersagen, verstehen, lernen und handeln können. Erfahren Sie, wie Forscher, Entwickler und Hersteller von medizinischen Geräten NVIDIA Clara™ einsetzen, um bahnbrechende Fortschritte in der Gesundheitsversorgung und Arzneimittelforschung zu erreichen.

• Ola Engkvist, Head of Molecular AI, AstraZeneca

Künstliche Intelligenz hat in den letzten Jahren in der Chemie und in den Biowissenschaften stark an Einfluss gewonnen und die Grenzen der Wissenschaft ausgeweitet, wie die neuesten Erfolge von AlphaFold2 zeigen. In dieser Präsentation gebe ich Ihnen einen Überblick darüber, wie sich KI in den letzten Jahren auf die Medikamentenentwicklung ausgewirkt hat, auf welchem Stand wir derzeit sind und welche Fortschritte wir in den kommenden Jahren erwarten können. Der Schwerpunkt der Präsentation liegt auf dem auf Deep Learning basierendem molekularen de novo-Design. Dabei werden jedoch auch Aspekte der Synthesevorhersage, der molekularen Eigenschaftenvorhersagen und der Chemieautomatisierung behandelt.

• Caroline Chung, Chief Data Officer, MD Anderson Cancer Center

Angesichts des exponentiell zunehmenden Volumens medizinischer Bildgebungsdaten steigt der Bedarf an KI, die klinischen Teams dabei hilft, die gesamte verfügbare Bildgebung optimal zu verarbeiten und zu nutzen. Die Entwicklung von KI-Tools, die erfolgreich in den klinischen Kontext übertragen wurden, erfolgte jedoch relativ langsam und zurückhaltend. Für die Herausforderungen bei der Entwicklung und klinischen Einführung können bildgebungsbezogene Metadaten Lösungen aufzeigen. Die Auswirkungen von Faktoren wie Bildqualität und Verallgemeinerbarkeit von KI-Modellen können sich nämlich in den reichhaltigen kontextabhängigen Informationen der Bildgebungsuntersuchung widerspiegeln.

• Euan Ashley, Professor of Medicine and Genetics, Stanford University

In dieser Sitzung geht es um ein kollaboratives Team, das kürzlich den Guinness-Weltrekord für die schnellste DNA-Sequenzierungstechnik aufgestellt hat. Es konnte durch Sequenzierung der Gesamtgenome von Intensivpatienten der Stanford-Krankenhäuser medizinische Diagnosen in weniger als acht Stunden stellen. Wir untersuchen, wie etwas, das früher Jahre in Anspruch nahm und Millionen von Dollar kostete, im modernen Krankenhauskontext jetzt in einigen Stunden realisiert werden kann, und beschreiben die Rechen- und Algorithmen-Infrastruktur, die diesen Fortschritt möglich gemacht hat.

• Mohammed AlQuraishi, Professor, Columbia University

Deep-Learning-Methoden, die Strukturen mit einer Genauigkeit vorhersagen, die mit experimentellen Methoden mithalten können, haben die Vorhersage von Proteinstrukturen revolutioniert. Solche Methoden erfordern allerdings erhebliche Mengen an Rechenleistung zum Trainieren sowie Code und Dateninfrastruktur, um neue Modelle für neue Aufgaben zu erlernen.

In dieser Session erfahren Sie mehr über OpenFold, eine neue Open-Source-Plattform zum Trainieren führender Proteinstrukturvorhersagemodelle. OpenFold stellt den Code und die Daten bereit, die erforderlich sind, um neue Modelle von Grund auf zu trainieren, sowie vorab trainierte Modelle im Rahmen einer freizügigen Lizenz, die eine breite Nutzung durch Wissenschaft und Industrie ermöglicht.