Huvudmeny
Ernst Ahlberg, Thierry Kogej och Ruben Buendia Lopez.

Säkrare, snabbare, bättre – prognoser med stor effekt

Nya dataanalytiska modeller ska hjälpa bland annat läkemedelsindustrin att bättre förutse sina utvecklingsmöjligheter.
– I det här projektet har vi bytt laboratoriet mot data, säger Ruben Buendia Lopez, forskare vid Högskolan i Borås.

Han arbetar sedan 2017 på plats hos läkemedelstillverkaren AstraZeneca i Mölndal för att applicera nya modeller. Modellerna, som är utvecklade på högskolan, ska ge säkrare prognoser i företagets forsknings- och utvecklingsverksamhet.

Ruben Buendia Lopez.– Det är ett forskningsinriktat företag som lever på att forska fram och utveckla läkemedel, det är en lång process men det kräver mycket resurser, säger Ruben Buendia Lopez.

Ger bättre bild över sannolikhet

Integrerad i en forskargrupp jobbar han med att identifiera molekyler som kan bekämpa specifika sjukdomar – något som i slutändan kan resultera i nya mediciner. Ett arbete som tidigare genomfördes i laboratorier, men som nu kompletteras med dataanalyser och -prognoser, vilket möjliggör en bättre bild över sannolikheten för nya lösningar.

– Det finns stora förhoppningar på att maskininlärning och AI kan effektivisera processen. Jag är väldigt glad över att få vara på plats här på företaget och behandla materialet direkt, datainfrastrukturen är imponerande, säger Ruben Buendia Lopez.

Data finns överallt i dag. Välanvänd data kan driva på utvecklingen i ett företag, och förutse framtida lösningar och innovationer. Men prognoserna kan vara osäkra, samtidigt som de ligger till grund för industrins riskanalyser och ekonomiska strategier.

Baserade på algoritmer

Projektet ”DASTARD” på Högskolan i Borås är initierat för att förbättra prognoserna, framför allt genom att avgöra hur sannolika de är. Genom så kallade Venn-prediktorer, baserade på algoritmer, kan forskarna göra matematiskt korrekta bedömningar av sannolikheter. Där prognoserna tidigare kunde ses som kvalificerade gissningar – utan verktyg att kvantifiera osäkerheten – ger den nya modellen en utsaga om garanterad sannolikhet.

Det vetenskapliga ramverket är utarbetat av forskartrion Vladimir Vovk, Alex Gammerman och Glenn Shafer i boken ”Algoritmic learning in a random world” (2005). På högskolan har idéerna anpassats till projektets syfte. Metoden provseglas hos AstraZeneca, där forskarna använder datorsimulering för att förutse egenskaper hos läkemedelssubstanser. Och det ser lovande ut, enligt Ruben Buendia Lopez.

Kapar tid inom forskningen

– I dagsläget kanske det tar tio år att få fram en ny medicin, kan man kapa ett halvår där är det resurser som kan komma till nytta för alla. Men forskning går alltid långsamt, nu handlar det om att få resultaten publicerade och accepterade inom forskarsamfundet, säger han.

Intresset för den här typen av prediktiva dataanalyser växer snabbt. När den första stora konferensen på området – COPA – hölls 2012 inkom totalt sex vetenskapliga artiklar. Förra året var det över 50.

Projektet ”DASTARD”, och Ruben Buendia Lopez tid hos AstraZeneca, avslutas vid årsskiftet 2018/2019. Han ser det dock bara som början på utforskningen av ett område med enorm potential, där säkrare prognoser kan göra stor skillnad.

– Framför allt inom fält där du inte har råd att göra våghalsiga misstag – som inom medicinområdet, säger han.

DASTARD

(Data Analytics for Research and  Development)

  • Treårigt forskningsprojekt på Högskolan i Borås, i samarbete med AstraZeneca och Scania, som tar slut vid årsskiftet 2018/2019. Totalt är ett tiotal forskare från akademin och företagen involverade.
  • Det övergripande syftet med projektet är att stödja forsknings- och utvecklingsprocesser med maskininlärning och data-  analys.
  • En stor del av arbetet har ägnats åt ”pre-diction with confidence” – att komplettera prognoser med mått på sannolikhet.
  • Hos läkemedelstillverkaren AstraZeneca kan bättre dataprognoser stödja snabbare och bättre läkemedelsutveckling genom in silico-modellering (datorsimulering).
  • Hos lastbilstillverkaren Scania kan bättre användning av insamlad data minska bränsleförbrukningen och ge positiva miljöeffekter, genom exempelvis datadriven coachning av föraren.

Text: Christian Naumanen
Foto: Anna Sigge