在科技領域，跨界、融合帶來的新生事物具備的顛覆性競爭，而只是技術和經濟層面的競爭。

而在病毒領域，跨界、融合產生的新病毒往往意味著災難。一個天上飛的鳥落下的糞便不小心與地上某個禽類的食物結合被這個禽類所食，那么其上可能帶來的病毒與禽類體內病毒進行雜交進化一個新的病毒。而這個病毒獲得跨界傳播的能力，將對整個人類造成大的災難。最快速的了解新的病毒帶來的病例成因早日實現(xiàn)對癥下藥，成為打贏“抗疫”的關鍵。今天AI等新技術在積極發(fā)揮著作用。

目前新型冠狀病毒疫情進入了攻堅戰(zhàn)階段。除了一線醫(yī)務人員前赴后繼的戰(zhàn)斗之外，對于新冠病毒的疫苗研發(fā)和藥物篩中也在爭分奪秒的進行中。此次“抗疫”戰(zhàn)爭中，AI等科技技術在默默貢獻中。關注抗擊疫情中的科技公司的動向，就會發(fā)現(xiàn)包括阿里云、華為云、中科曙光、騰訊云、上海超算中心等積極主動并免費提供超算能力，AI算法來助力開展抗新冠病毒的疫苗研發(fā)和藥物篩選中。

要最快解決此次新型冠狀病毒疫情，目前來看除了全國動員在家“悶”死病毒之外，對于從早期對病毒基因組的數(shù)據(jù)分析及AI建模到如何對疑似患者的快速、精準臨床診斷，以及抗新冠病毒的疫苗研發(fā)和藥物篩選中也需要和時間賽跑。在其中AI正在發(fā)揮其作用。

AI技術能夠加速“疫情”中數(shù)據(jù)分析

AI作為一種工具，有三要素在支撐，算力、算法和數(shù)據(jù)。基于三個特點，目前AI等科技公司都是提供具備高性能、高可靠性、高性價比的計算、存儲、分析和AI能力支持的，能夠讓科研過程固化可執(zhí)行，提高效率的工具。

而讓AI在疾病基因的分析和診斷中發(fā)揮。首先要依靠醫(yī)學界的專家發(fā)現(xiàn)病毒。就像上海華山醫(yī)院張文宏就談到醫(yī)療專家要“要非常準確的知道現(xiàn)在搜索的病毒是什么，才能相應的病毒做相應的抗病毒治療?！?/p>

我們應讓人工智能與病理學家形成互補，提高人工診斷的效率與可靠度。依靠科技手段 “面對未知的病毒的時候，通過把其基因序列全部打碎，通過深度測序的平臺，把所有的序列全部恢復，然后通大數(shù)據(jù)開始拼接，通過組裝序列，經過大數(shù)據(jù)分析，分析出其演化關系，通過數(shù)據(jù)庫記錄分析獲得遺傳標志，來最終告訴你這是什么病毒。” 張文宏站在醫(yī)生的角度言簡意賅的闡述了AI的作用。

比如針對此次新冠病毒，AI等新技術的應用一個核心的作用就是讓醫(yī)學專家們不用把大量的時間放在海量的數(shù)據(jù)分析上，而是能夠將自己的時間、精力以及醫(yī)學經驗投入到應對傳染病風險之上。把數(shù)據(jù)分析、重復的信息的收集等任務，交給AI來處理。

目前集成了AI功能的基因組測序平臺能夠提供從基因組數(shù)據(jù)管理、生物信息分析流程、科研分析管理到知識圖譜整個流程的服務，快速實現(xiàn)基因組數(shù)據(jù)分析及AI建模，讓基因組分析更便捷。

比如將深度學習算法及藥物分析服務融入藥物研發(fā)過程，令藥企能更快速高效地完成藥物研發(fā)，節(jié)約研發(fā)成本，讓研發(fā)更快速。

具備醫(yī)療影像標注、影像分析服務及AI模型預測服務，全方位滿足醫(yī)療影像研發(fā)需求，讓影像分析更方便。很大程度上幫助了醫(yī)生提高閱片效率、減少漏診誤診的情況。一個醫(yī)生可能一天看一百個病人，一個月看了兩千個病人，一年可能看幾萬個病人，他通過這樣的方式去累計經驗。一個15年經驗的醫(yī)生，和一個剛出來做3個月的醫(yī)生，他們兩個的經驗不同，在對一些影像圖片上面的判斷就不是一樣的級別

深度學習會提取圖像特征。然后影像專家先把上面做一個標注，等到標注有更大的樣本的時候，就可以做到輔助醫(yī)學診斷。比如通過AI對疑似患者肺部CT影像進行病灶的自動檢出、定位、彌漫性程度的多維分析并生成自動報告，幫助醫(yī)護人員快速篩查疑似新冠病例并進行隔離與進一步確診，從而減少交叉感染的風險，同時產品的隨訪功能還可幫助醫(yī)生對患者的治療效果進行精準量化評估，用AI為一線醫(yī)務工作者提供有跡可循、有據(jù)可依的智能輔助。

聯(lián)合科研成為AI技術應用在疾病領域的主要形式

在整個“抗疫”過程中，包括分離毒株、藥物篩選、意思病例檢測、新藥研發(fā)等需要基于AI技術進行大量的數(shù)據(jù)分析。目前科技公司在病毒基因組計算分析、抗病毒藥物研發(fā)和抗疫醫(yī)療影像分析領域，將提供海量AI算力和算法的強有力支持。這就需要具有強大的CPU及GPU算力調度能力，能夠為基因測序、醫(yī)療工程提供穩(wěn)定高效的算力支持的平臺。

最近關于“抗疫”的戰(zhàn)役中，我們看到科技公司聯(lián)合醫(yī)療機構、科研機構成為最高效的一種模式。比如華中科技大學同濟醫(yī)學院基礎醫(yī)學院、華中科技大學同濟醫(yī)學院附屬武漢兒童醫(yī)院、西安交通大學第一附屬醫(yī)院、中科院北京基因組研究所、華為云聯(lián)合科研團隊宣布，篩選出五種可能對2019新型冠狀病毒（2019－nCoV）有效的抗病毒藥物。

其中華為云EI醫(yī)療智能體平臺（EIHealth）集成了醫(yī)藥領域眾多算法、工具、AI模型和自動化流水線提供大規(guī)模計算機輔助。

在幾位教授的指導下，針對數(shù)十個靶向蛋白和上億小分子化合物，通過醫(yī)療智能體平臺完成了蛋白質同源模建，分子動力學模擬計算，和大規(guī)模虛擬藥物篩選，短時間內完成了上千萬次的模擬計算，讓以往耗時數(shù)月的計算機輔助藥物篩選在數(shù)小時內完成。

比如在新冠肺炎疫情上，疑似患者的快速、精準臨床診斷仍是挑戰(zhàn)。2月1日，由浙江省疾控中心、阿里達摩院和杰毅生物聯(lián)合研發(fā)上線的自動化全基因組檢測分析平臺，讓原來數(shù)小時的疑似病例基因分析縮短至半小時。重點在“全基因組”這幾個字，全基因組以為著海量的基因數(shù)據(jù)，需要對平臺的算力、AI算法、數(shù)據(jù)處理和分更高的要求。阿里達摩院創(chuàng)新的采用分布式設計的分析算法，并基于蛋白質數(shù)據(jù)庫（PDB）等公共數(shù)據(jù)集的數(shù)據(jù)進行算法的優(yōu)化訓練。這樣的AI突破，對于有效提升疑似病例確診效率，及時阻斷病毒的傳播，必然會有極大助益。

我們也看到為助力研究機構加速新藥篩查和疫苗研發(fā)，騰訊云組建了應急工作小組，免費開放云超算等能力。目前，已向中山大學藥學院羅海彬教授團隊提供了批量GPU云服務器免費使用權，幫助該團隊推進病毒藥物的篩選工作；向北京生命科學研究所／清華大學生物醫(yī)學交叉研究院的黃牛教授實驗室提供了大量標準的CPU算力以及對象儲存能力，幫助他們進行基于結構的藥物分子設計的離線計算任務。

與此同時，基于新型冠狀病毒靶標結構的化合物虛擬篩選工作正在北京生命科學研究所／清華大學生物醫(yī)學交叉研究院黃牛教授實驗室推進。從原理上講，藥物通過與體內的生物靶標相互作用而發(fā)揮藥效，若能夠根據(jù)藥物靶標結構來計算篩選和設計小分子配體，將可大大降低創(chuàng)新藥前期研發(fā)的成本與周期。針對新型冠狀病毒的多個靶點，黃牛教授實驗室通過騰訊云秒級交付的海量高性能計算、存儲資源，快速計算篩選數(shù)億級別的化合物數(shù)據(jù)庫，結合實驗驗證，來尋找新型結構類型的先導化合物，為下一步新藥研發(fā)工作提供依據(jù)。

總結，AI對于基因組的分析和診斷，有幾個關鍵點。首先數(shù)據(jù)庫的檢索功能，在獲取到病毒基因信息后，通常需要與已知數(shù)據(jù)庫的基因組匹配來找出可能存在的突變。而突變與疾病的對應關系的判斷大部分依靠海量的數(shù)據(jù)庫資源，因此如果人工來完成這些工作是不現(xiàn)實的，這個時候便體現(xiàn)出了人工智能的價值。

其次算法的優(yōu)化，我們看到包括華為云、阿里達摩院都是采用了最新的AI算法和分布式數(shù)據(jù)庫，來優(yōu)化人工智能的技術路徑，能夠更有效的對大量非結構化數(shù)據(jù)進行學習和整合，挖掘并計算其中的關聯(lián)?？s短人工智能可以持續(xù)不斷的挖掘并更新突變位點和疾病的潛在聯(lián)系。

再次海量的數(shù)據(jù)喂養(yǎng)，與在Google AI實踐中曾有關于診斷乳腺癌的人工智能的報道。它只需幾秒鐘，就能取得比人類醫(yī)生花上幾十個小時還要準確的診斷。在基于醫(yī)學圖像的診斷上，結合人工智能的效率可以說是大大增加了癌病的診斷。這需要基于大量患者的成百上千張醫(yī)療影像，基于深度學習算法的訓練。經歷了大量迭代訓練后，實現(xiàn)算法的精準度越來越高，實現(xiàn)在疾病分析豐富臨床經驗的專家的診斷結果與AI工具的診斷結果是否一致來判斷AI分析的價值。

除此之外，業(yè)內專家對至頂網表示目前基于“深度學習”的AI技術要發(fā)揮作用，一個好的云數(shù)據(jù)庫其實是非常關鍵的一個點，因為如果醫(yī)院里面每個科室的數(shù)字是零散的，那么很難做這個工作。基于云數(shù)據(jù)庫，不管是從公有云還是從私有云，幫助醫(yī)院把這些數(shù)據(jù)規(guī)范起來。從數(shù)據(jù)的采集，到它的存儲，到預處理，形成一套規(guī)范的AI服務。這樣的話，數(shù)據(jù)即使在有些單位是分散的，需要的時候還是可以復合起來使用。

同時在深度學習的技術上面，對這些數(shù)據(jù)做訓練的時候，不僅僅是把數(shù)據(jù)丟到深度學習里面去訓練就好了，而且我們還要對這些數(shù)據(jù)做一些特征提取。我們把數(shù)據(jù)的維度降低了以后，再去訓練就可以得到一個相對比較好的效果。當然，這個數(shù)據(jù)積累以后，越來越多的數(shù)據(jù)積累以后，準確率會越來越高。

最后，醫(yī)療過程是一個復雜，周期長的過程，AI輔助只是其中一個環(huán)節(jié)，我們希望能夠通過AI等科技技術幫助到醫(yī)藥領域的專家，加速疾病基因檢測和相關藥物研發(fā)過程。