生物医学工程考研(生物医学工程考研考哪几科)--考研资料网

生物医学工程考研，生物医学工程考研考哪几科

来源：中国科协创新战略研究院《创新研究报告》

第6期（总第543期）2023-2-6

【按】

随着大数据、人工智能等技术的发展，生物医学研发正逐渐与之融合发展，麦肯锡公司研究员认为生物科学与数据、自动化、计算能力和人工智能进步的结合不仅将带来研发范式的转变，还将导致研发组织结构、研究者所需知识技能等一系列变革，并将大大促进医学研发的效率和精准度，最终改善对病患的治疗效果。

世界正接近药物研发的拐点，孕育着一场生物学革命。生物制药公司将需要新的数据和技术基础设施来提升整合能力。他们还需要考虑以不同的方式组织自己，因为新的研发范式需要更多的合作，不仅是研究人员和机器之间的合作，也包括研究人员自身和外部合作伙伴之间的合作。

这些显著进步的动力来源于生物学科学与大数据、自动化、计算科学和人工智能交叉融合所取得的巨大突破，并已渗透生物医学研发价值链各环节，从现象发现到临床测试再到实际应用。更重要的是，如果自动化与人工智能整合各阶段产生的数据与新见解能力获得进一步提升，很可能带来一场研究范式的革命。

还原主义方法将成为过去，即科学家们通过放大致病源的单一成分或功能，并通过试错仔细测试假说，最后开发和验证新疗法。而在新范式下，科学家们将借助研发价值链各阶段之间的数据反馈循环推动，系统设计出覆盖整个治疗周期的治疗方法。在某一阶段获得的数据将为价值链上下游的其他人提供信息，并加强他们对疾病的了解。这将使药物研发效率呈指数增长，大大降低临床候选药物筛选的失败率，新型、高效、安全的治疗方法将越来越多。相比之前主要针对疾病的晚期症状进行治疗，面向疾病早期信号的预防方法和干预措施将越来越多，治疗手段也将更精细化。

一、生物医学研发中的新兴解决方案和方法

面对新生物医学研发价值链新进展，我们确定了五个要素：

理解疾病

提出治疗假设

创新治疗模式

硅基和体外验证方法

临床和现实世界证据反馈

PART

理解疾病

在开发更多更好的疗法方面，阻碍取得更快进展的主要因素是对损害健康的机制和疾病的各种表现了解有限。20年前人类基因组的绘制是向前迈出的重要一步，为人类生物学研究开辟了许多新途径。然而，基因只是健康和疾病这一更广泛谜题的一部分，它们本身并不能提供足够完整的图像来解决大多数疾病。

今天的重要进展包括新的实验方法，如生成人工智能可分析的大量体外细胞数据、全人类的多组学测量（尤其是转录组学和蛋白质组学）以及匿名电子健康记录。这些可以帮助医疗行业在充分考虑到多症状、疾病情况和个体差异的同时，更准确模拟和更好定义人类健康和疾病状态。

PART

提出治疗假设

通过大数据获得对疾病更全面理解，为提出系统性和扩展性的治疗假设铺平了道路。过去，科学家们倾向在探索与特定疾病或生物标志物相关的单个细胞上寻求突破。在以下三个方面取得的进展可能会改变这一情况，有助于通过快速分析数据，发现与疾病相关的先前未知的生物关联，并快速生成假说。

更好地访问更多数据

访问获取更大量的疾病数据和更多种类的疾病数据，很大程度上归功于开放存取数据库的出现。例如，基因组数据、生物分子的结构和功能数据以及筛选数据都可在开放式数据库中获得。如果仔细使用这些数据，可帮助科学家检验“将现有药物重新用于已知靶点和设计新靶点”的假设。

技术引擎

廉价和丰富的计算能力、量子计算的出现以及机器学习方法，都是帮助解决生物医学中分析复杂系统任务的工具。

自动生成电子假设

自动生成电子假设有助于快速探索以前未考虑的相关性，不仅是疾病和症状之间的相关性，还包括疾病和许多其他因素（如基因、营养和行为）之间的相关性。它还可以帮助我们简化研究假设，并改进那些已使用的假设。

PART

创新治疗模式

伴随对疾病理解的深入和科学技术的进步，专门为某种疾病或某一患者量身定制类似代码的治疗方法成为可能。这些类型的治疗方法具有附加的优点，即能够快速将生物问题转化为生物模型或药物候选，从而加速启动组织开展有效治疗。

由于信使核糖核酸（mRNA）是线性的、类似代码的序列，设计和合成mRNA用于测试其对癌症的影响比识别和合成靶向抗体或小分子抑制剂更容易。模态创新并不局限于生物学，例如，改进的计算方法可以产生更精确设计的小分子。

同时，材料科学和合成生物学等领域的进展将进一步改善现有的模式或帮助开发新的模式。在不久的将来，可能会设计、开发和测试个性化的干预措施组合，这是当今医生通常只在患者对标准治疗反应不佳时才会使用的方法。这样的组合——可能包括人工智能辅助手术，然后是处方药、数字治疗、微生物组移植，以及连接到可穿戴设备上监测病情的应用程序，它们将被精心设计，以最大限度发挥它们之间的协同作用。

PART

硅基和体外验证方法

今天科学家可生成快速、高通量的硅基细胞或硅基器官测试模型，这些模型可复制患者的基因组成或代表疾病的细胞环境，重建人体器官的三维环境，可得出比使用动物模型更准确的结果，而动物模型无法考虑物种之间的所有生物差异，且标准化细胞不考虑器官的背景环境。

科学家通过体外模型了解到的疾病越多，就越容易设计出反映疾病的预测硅基模型。很快，科学家将有足够数据来训练硅基模型，不仅能用来预测分子特性（如毒性、吸收、分布、代谢和排泄），还能预测免疫原和药物微生物组之间的相互作用。随着时间的推移，临床前筛选候选药物可以越来越多地在计算机模型中进行，而不是在动物或体外模型中进行，这提高了药物生产效率，并降低了与治疗开发风险。

PART

临床和真实世界证据反馈

科技促进海量数据的生成和收集。通过候选药物临床试验积累的疾病数据越多，未来对假设的生成和验证就可能越集中和精确。电子健康记录和其他真实世界数据中捕获的数据也是如此，例如，可全天候生成数据的生物指标和可穿戴设备的广泛应用。这种应用可获得更健全的患者特征，从而得出更精细的疾病模型。计算方法（如自然语言处理）的成熟，确保了可从文献中非结构化患者数据中挖掘出有价值的信息。

二、一种新的生物医学研发范式

新范式的目标是将收集到的每一个数据和获得的每一个见解反馈并连接到单个数据库中。这个数据库中的算法分析可提高对许多不同疾病的理解和治疗能力。

对疾病更好的理解，即使不是对特定疾病状态的重新定义，也会产生更准确、更可扩展的治疗假设，从而带来更多高度量身定制的治疗模式。这些假设的大部分初始测试可在计算机和体外实现自动化测试。同时从测试每一步中吸取的教训可直接改进之前的所有步骤。在体外和现实世界中生成大量数据以及在计算机中分析大量数据能迅速为理解疾病提供信息，生成新假设，并帮助开发新平台。

人工智能对数据的评估可能会自动建议进行另一轮体外测试，并采用精确的实验参数或优化治疗候选方案。人工智能甚至可能启动这些测试执行。例如，如果体外测试显示候选药物对靶点的结合亲和力较弱，人工智能可能会将候选药物的结构与靶点结构进行比较，并提出几种改进候选药物的方法，然后选择最有希望的改进方法合成药物，并在由真实世界数据支持的模拟临床试验中进行测试。人工智能和自动化的广泛应用将加速医学突破。

三、适应新生物医学研发范式的新研发组织模式

已有公司启动一些项目，致力于将新生物医学研发价值链的一些不同元素与生物技术进步、人工智能和自动化相结合。然而，据我们所知，尚没有一家公司掌握系统化整合并能在任何地方找到和使用相关数据的能力。掌握这种能力需要新的技术基础设施，以确保数据相互连接，机器可读，并存在质量改进机制（如误报识别）。当然，也需要进行相应的组织变革。

在许多组织中，研发的上下游是被分开的，门诊部和现实世界的证据只能缓慢反馈给研究人员。研究人员通常被孤立在专注于单一治疗领域的业务部门中，并且对于不同的生物学模型有许多并行的系统分类法。在新的范式中，需要打破这种僵化的划分，以反映更紧密的研发过程，从而对团队构建方式、能力水平以及公司创新模式产生影响。

团队可能需要更广泛的合作才能从快速的信息交换中获益。它们将是无国界的，具有跨越研发过程各个要素的能力。虽然团队将包括具备深厚专业知识的学科专家，但他们也需要能够理解整个价值链并能够利用生物学和技术潜力的多学科专家，这样他们就可以选择最可靠的科学方法，并确保高质量的数据。

可能需要新的治理机制来支持研发团队迅速行动。团队需要权力，将有希望的候选治疗方案推进到下一阶段（如果不是自动完成的话），确定且优先考虑有最高突破潜力的想法，并确定预算分配。效率低下的决策过程可能会抵消自动化和人工智能带来的收益。团队还需要利用外部专业知识和能力的权力，因为成功不仅取决于专有药物、技术和模式平台，还取决于算法、数据集和数字解决方案。

一些必要的元素将是开源资产，诸如AlphaFold蛋白质结构数据库和各种数据集等可广泛访问的算法是开源趋势的早期例子。但也有不少数据资产为健康技术、数据和分析公司所有，这将迫使双方加强合作和伙伴关系。需要如此多领域专业知识表明，任何一家制药公司都不可能拥有满足全部所需数据资产的能力和技术。

考虑到这种情况和研发中的快速变化，公司可能会发现，最有效的方式是开放式架构的生物医学研发创新模型，其中数据、算法和验证方法等组件可根据需要无缝衔接。这将是一种创造性的创新模式，使公司能够灵活地在研发过程中的正确时间点投资和部署最佳方法和最佳解决方案。

四、结语

当前的技术进步正形成一个更具确定性的循环生物医学研发价值链，该价值链由数据反馈回路快速推动。新的范式仍在演变，最终的结局尚不明朗。我们所描述的只是一种潜在的前进方式。然而，很明显，生物科学与数据、自动化、计算能力和人工智能进步的结合，将优化传统生物医学研发方法，从而改善对患者的治疗效果。

五、思考与启示

PART

组建国家医学研究院

面对生物医学领域的新发展趋势，面向人民健康，丰富国家战略科技力量，建议组建独立于医学院校和医疗机构的国家级医学研究院，统筹人工智能、大数据、计算机等多学科资源，汇聚各类各级医疗机构诊断数据，加快推进新技术融合和新研究范式创新发展。

PART

鼓励生物医学数据共享

在依法保障个人隐私和尊重数据权属的条件下，建议由卫生健康委员会牵头，构建全国统一、来源明确、权属清晰的国民健康医学数据库，对企业间科研数据交易给与补贴，并对企业数据交易的指标、值、单位等信息进行登记监管。面向科研院所、医药企业有序开放和共享医学健康数据资源，支持科研机构和企业立足数据基础上，在医学、药物、诊疗、器械等领域开发新应用。

PART

完善生物医学数据治理法律法规

建议由全国人大牵头对生物医学数据收集、修改、读取、使用、交易等行为进行立法。对相关数据的使用应在保障隐私、最小范围原则下进行资格审查，确保仅用于科研用途和被使用者的知情权等。

文章来源

https://www.mckinsey.com/industries/life-sciences/our-insights/self-learning-the-dawn-of-a-new-biomedical-r-and-d-paradigm

编译：赵云波、林书羽；责任编辑：黄诗愉

产业 | 工业化 | 数字化 | 人才 | 创新创业 | 颠覆性技术 | 科技指标 | 科技政策 | 前沿技术 | 知识产权 | 智库 |

获取方法如下：