2021/03/07 (日)【新藥開發系列】-藥毒理試驗在新藥開發扮演的角色與應用 🌟線上直播開放報名中🌟
✎主辦單位:台灣光鹽生物科技學苑
✎課程日期:110年3月7日 (日) 9:00至17:00 (8:30 開始報到)
✎課程地點:線上同步遠距教學
👨🏫授課師資:柯逢年 鑽石生技投資股份有限公司 副總裁
【授課大綱】
一、新藥研發流程簡介 (Introduction to the Process of New Drug Development)
二、藥/毒理在新藥研發中的角色與功能 (Role of Pharmacology/Toxicology in New Drug Development)
三、新藥探索階段藥/毒理試驗的角色與應用 (Role and Application of Pharmacology/Toxicology in Discovery Phase)
(1) 新藥標的研究/確效與案例分析 (Target Research/Validation and Case Study)
(2) 新藥標的選擇與策略 (Strategy for Drug Target Selection)
(3) 藥理活性篩選 (Pharmacological Screening)
(4) 體外模式與高效篩選 (In Vitro Model and High throughput Screening)
Hit-to-Lead ; Lead Optimization ; Candidate Generation
(5) 動物試驗模式的建立 (Establish an Animal Model)
動物模式介紹 (What’s an Animal Model)
動物模式的選擇及策略 (Selection of and Strategy for Animal Models)
動物模式的種類及應用實例分析 (Main Categories and Application Case Analysis of Animal Model)
(6) 抗體藥物的活性篩選 (Pharmacological Screening for Antibody)
四、新藥研發的藥/毒理試驗 (Non-clinical Studies)
五、新藥前臨床開發階段的藥理試驗 (Pre-clinical Pharmacological Studies)
(1) 主藥效學 (Primary Pharmacodynamics)
目的、項目、試驗設計及法規 (Objectives、Items Designs、Regulations)
(2) 次藥效學 (Secondary Pharmacodynamics)
目的、項目、試驗設計及法規 (Objectives、Items、
Designs、Regulations)
(3) 安全藥理 (Safety Pharmacology)
目的、項目、試驗設計及法規 (Objectives、Items、
Designs、Regulations)
(4) 藥政主管機關對藥理試驗的要求 (Authorities Expect)
六、新藥研發階段所需的毒理試驗 (Toxicology Studies)
(1) 新藥研發的毒理試驗介紹 (Introduction to Toxicology Study)
物種與選擇、人體關聯性及試驗設計 (Species and Species Selection、Concordance and Study Design)
(2) 基因毒 (Genotoxicity)
(3) 急毒 (Acute Toxicity)
(4) 重覆劑量毒性試驗 (Repeated Dose Toxicity)
人體起始劑量的計算與選擇 (Calculation and Selection of Human Recommended Starting Dose)
(5) 致癌性試驗 (Carcinogenicity)
(6) 生殖毒性試驗 (Reproductive Toxicity)
(7) 蛋白質藥物的毒理試驗與人體起始劑量 (Toxicology Studies and Human Recommended Starting Dose for Protein Drug)
(8) 藥政主管機關對毒理試驗的要求 (Authorities Expect)
(9) 毒理試驗對人體毒性的預測 (Prediction of Human Toxicity)
七、各研發階段所的各項藥毒理試驗 (Studies Should be Conducted in the IND and NDA Phases)
八、毒藥理試驗數據的解讀與使用 (Uses of Pharm/Tox Study Data)
九、藥/毒理學專家在藥物研發的角色 (Roles of Pharmacologist/Toxicologist in Drug Development)
十、總結 (Conclusion)
* 線上直播課程建議使用電腦觀看,因直播流量需求高,手機觀看不能保證上課品質,敬請見諒,謝謝!*
線上報名網址 👉 https://forms.gle/K9PRgcXUBG69hb9P8
🧑🎓學員對象:
(1)生命科學或毒藥理相關在學或在職者
(2)生技新藥公司/藥廠研發人員訓練
(3)從事新藥或臨床研發,需了解毒藥理試驗與臨床研究關聯性者
💸課程費用:每人2,100元;在學學生本學苑補助25%,每人1,600元 (在學學生報名時,需拍攝學生證或相關在學證明文件email至學苑)
*上課達滿時數六小時,核發本課程結業證書
同時也有1部Youtube影片,追蹤數超過8,540的網紅長谷川ろみの腸活研究所,也在其Youtube影片中提到,今日は菌の中でも一番有名なんじゃないかと思われる乳酸菌について少しお話してみたいと思います。 乳酸菌って私たち人間とすごーくかかわりが深いんですけど、なかなかそれを感じる機会ってないと思うんです。 むしろ乳酸菌ってヨーグルトにしか入ってないとか、サプリにしか入っていないと思っている人もいるんじゃ...
「data model種類」的推薦目錄:
- 關於data model種類 在 台灣光鹽生物科技學苑 Facebook 的最讚貼文
- 關於data model種類 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文
- 關於data model種類 在 長谷川ろみの腸活研究所 Youtube 的最讚貼文
- 關於data model種類 在 [Database]Database 基礎概念 - MC Shih 的評價
- 關於data model種類 在 Chapter 1 資料模型(選擇題) · Ian-Liu-1990/DataBase-System ... 的評價
- 關於data model種類 在 Smart Data Institute Limited - Facebook 的評價
- 關於data model種類 在 計量遙測的Application Insights 資料模型- azure-docs.zh-tw 的評價
data model種類 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文
訓練AI模型,要多少數據?拆解企業人工智慧專案為何難落地
2020.12.09 by 若水AI Blog
企業導入AI似乎已成為一種趨勢,但是訓練AI模型,需要多少數據?其背後的商業命題與成本又該如何解決?帶你來一起窺探AI專案背後的秘密!
企業的AI專案在釐清問題本質、找到命題之後,首先會面臨到一個問題:收集數據(Data Collection)和建立AI模型(Model Establishing),該以什麼作為評估基準?
訓練一個AI數據模型,需要多少數據?
訓練AI數據模型時,其實有三個要素,彼此互相影響。分別是: 商業問題的複雜度 、 AI模型複雜度 (Model Complexity),以及 數據複雜度 (Data Complexity)。
因此,如果想知道需要多少訓練數據(Training Data),建議先釐清:這個AI專案到底要處理什麼問題,以及這個問題有多複雜?確定之後,再來判斷應該選用哪種程度的模型來做訓練。根據不同的商業命題複雜度,用不同複雜度的模型和精準數據彼此搭配,找出最佳平衡,才能讓AI專案順利落地。
但光憑想像,很難評估實際的AI數據量和成效,所以開始AI的第一步,需要先透過POC概念驗證(Proof of Concept)實驗來找答案。
簡單來說,就是針對不同複雜程度的商業問題,嘗試選用不同複雜度的模型搭配測試,直到模型跑出來的曲線,符合理想目標。
一般狀態下,假設商業問題本身的複雜度很高,我們會預期要選擇複雜度較高的模型。但是如果數據量不足,那麼選擇複雜度較高的AI模型,反而會比用簡單的AI模型效果還差。(上圖左上、右上,分別代表複雜度10和複雜度50的問題,可以明顯看出複雜的模型曲線比較接近學習數據集(Dataset),但是在測試數據集上的誤差 Eout,反而比簡單模型還差了許多。)
上圖的左下和右下,是以不同複雜度的模型去做POC,跑出來的結果曲線圖。藍色線代表的是學習數據(Training Data)成效,紅色線代表的是測試數據(Testing Data)成效。最理想的POC目標,應該是兩條曲線很貼近彼此,而且位置越低越好。
我們會發現,左下這張圖的兩條曲線雖然彼此貼近,但是就算增加數據,也無法降低誤差。這表示模型偏誤(Bias)高,效果不佳,應該要增加模型複雜度 (Model Complexity)。
增加模型複雜度之後,就會像右下這張圖,藍色曲線(學習數據)雖然數值很低,但在學習數據不足的情況下(灰色區塊),紅色曲線(測試數據)卻「飄」得太高。這表示模型變異誤差(Variance)高,應該要增加學習數據。最後在慢慢增加模型複雜度以及學習數據之後,我們就可以達到理想的結果(兩條曲線很貼近彼此,而且位置越低越好)。
數據哪裡來?發展AI人工智慧之前,先建立數據流
先前我在文章裡提到,很多企業會急著開發AI模型,但AI專案落地經驗的三大關鍵之一,其實是先確認:是否已經準備好數據了?如果沒有這樣的能力,談AI落地其實有點好高騖遠。
AI數據收集(Data Collection)最大的挑戰,在於針對不同型態的命題,會產生不同的AI數據需求,因此需要建立的「數據流」(Data Pipeline),AI數據處理 (Data Processing)和數據標註(Data Annotation)的模式及流程也會有所不同。
發展AI之前,如果能建立起從數據收集(Data Collection)、數據處理(Data Processing)到AI模型學習的數據流(Data Pipeline),並確保可以順暢運行,實際訓練AI模型時才會省力很多。
數據不夠或太多怎麼辦?
Google開設的機器學習(Machine Learning)課程中,第一項原則就開宗明義地指出:「Don’t be afraid to launch a product without machine learning」。
如果你的產品或業務不一定需要用到機器學習(Machine Learning),那就別用,除非你有AI數據。有數據,再來談機器學習(Machine Learning)。但在業界的實際狀況,大家不是沒有數據,而是只有一些些,這時候該怎麼辦?我會建議,先從小地方開始做起,也就是從POC專案著手。
POC專案要有具體成效,除了要注意設計專案、實驗模型的指標(Metrics),企業最重要的是要先定義清楚:AI專案要達到什麼樣的指標,才算是成功?這樣最後做出來的成果,才會真正符合商業目標。
如果今天不是沒有AI數據,而是數據很多,又該從何下手呢?
我建議,嘗試減少訓練AI人工智慧時的「 數據大小 」和「 數據筆數 」。
過去曾經處理過一個AI專案,數據多達2億筆。第一次實驗,把數據全部餵進AI模型,取得結果。第二次,只拿其中有代表性的500萬筆出來訓練人工智慧。
猜猜結果如何?兩次實驗的表現,只差異不到1%。
所以,如果企業對於AI數據的品質和數量有一定程度的自信根據,其實不用把數據全部餵進AI模型訓練(Model Training),只用有代表性的AI數據來訓練就可以了。市面上很多常見的AI工具(Cluster),可以做到這點,幫助省時省力。
AI模型訓練,記得校準商業目標
企業發展AI人工智慧的最終目的,還是希望能 達到商業目標,創造價值 。
所以,訓練AI模型時,團隊如果不知道如何判斷哪個指標,對AI模型學習來說比較重要,建議回歸初心,重新釐清「 這個專案想達到的商業目標是什麼 」。
比方,趨勢科技(Trend Micro)要開發一個能夠判斷電腦病毒的AI,但是勒索病毒(denial-of-access attack)和廣告病毒對客戶的傷害程度大不相同。這時候,工程師就會針對這個命題,餵給AI模型不同病毒種類的數據,讓它學會判斷不同病毒的重要性,分辨出哪些病毒比較嚴重不能有判斷錯誤,而哪些病毒比較無害,不一定要做到一百分。
最常見的訓練方法,是用成本函數(Cost Function)的方式,訓練完再回去調整AI模型的評分(Rating),用加扣分的方式,告訴機器它的學習表現是好是壞,做對就加分,做錯就扣分。
上述評分原則的制定,和企業的商業價值考量息息相關,所以一般在組織分工,會由PM專案團隊負責判斷哪些項目重要,請資料科學家設計在上述Cost Function裡面。
很多人以為,AI人工智慧開發要做到很完美才行,但其實根據我們的經驗,只要AI開發成本符合預算、AI模型表現可接受(大約做到60–70分),而且結果有助於降低成本,就可以算是達到商業目標。反過來,即使AI模型表現非常好(高達90分),但成本卻遠超出預算,就不建議執行。
另外,因為POC階段會做很多的實驗,需要拿兩個穩定且可以互相比較的基準做A/B Test,所以做好基礎建設非常重要。
如果一個團隊裡面有三位工程師,但三個人做出來的結果都無法互相比較,那麼這個實驗就會變得霧裡看花,導致AI專案難以落地。
AI數據小學堂:模型指標(metrics)
在做模型實驗時,通常會用混淆矩陣(Confusion Matrix)的四種指標:TP(True Positive)、TN(True Negative)、FP(False Positive)、FN(False Negative),以及Count、Unique和Accuracy等等函數,來判斷這個模型的表現好不好。
P或TN值,代表模型辨識的答案正確,和預期結果一致。例如:模型正確判斷出「這是一隻貓」、「這不是一隻貓」。而FP或FN值,則代表模型的判斷錯誤,例如「明明是貓,模型卻說不是貓」、「明明不是貓,模型卻說它是貓」。
附圖:AI模型 若水國際
AI模型的POC概念驗證實驗怎麼做?
資料來源:https://www.bnext.com.tw/article/60440/ai-strategy-04?fbclid=IwAR1SOhjjGxypdGgOGfaBIl_a1IsZFJAQZ8J2aeDd98spbUfOdg7hiPQP7UA
data model種類 在 長谷川ろみの腸活研究所 Youtube 的最讚貼文
今日は菌の中でも一番有名なんじゃないかと思われる乳酸菌について少しお話してみたいと思います。
乳酸菌って私たち人間とすごーくかかわりが深いんですけど、なかなかそれを感じる機会ってないと思うんです。
むしろ乳酸菌ってヨーグルトにしか入ってないとか、サプリにしか入っていないと思っている人もいるんじゃないかな?
でもそんなことはなくて、乳酸菌は私たちの身の回りにうようよしているし、もちろん腸内環境にいる菌の一員でもあります。
乳酸菌に関しては、結構質問をもらうことも多いので、今回は乳酸菌の概要について説明しながら、質問にもお答えしてみました。
・胃酸に負けないで腸まで届く乳酸菌はどれですか?とか
・そもそも乳酸菌は腸まで届ける必要があるんですか?とか
免疫力アップや便秘解消にご興味がある方は見ていただけると嬉しいです。
#乳酸菌
#善玉菌
#ヨーグルト
-----------
腸内環境を整える方法や発酵食品の活用方法など、腸や菌にまつわる情報を毎週配信中!
このチャンネルは、微生物のおかげで、おデブ・吐き気・イライラ・ネガティブから救われた元おデブのアラフォー腸活研究家である長谷川ろみが、アクティブな100歳を目指して、「菌のこと」「発酵のこと」「腸のこと」を日々研究するチャンネルです。
下記のURLより「共同研究員さん(チャンネル登録者さん)」募集中!
▼チャンネル登録はこちらから
https://www.youtube.com/channel/UCyya...
▼活動概要
・元おデブ-20kg/アラフォー
・腸活メディア「腸内革命」編集長 & 講師
・発酵ライフ推進協会 通信校 校長 & 発酵ライフプロフェッショナル
・特定非営利活動法人 日本レホルム連盟 講師 & 腸内環境アドバイザー
・東京商工会議所認定 健康経営アドバイザー
・著書「発酵菌早わかりマニュアル」
・2019/6~腸活youtuber始めました!
▼メディア
腸活WEBメディア「腸内革命」
https://www.chounaikankyou.club/
▼オンラインショップ
「腸内革命」限定ショップ
https://chokatsu.theshop.jp/
▼発酵資格通信校プロデュース
発酵ライフアンバサダー養成講座
https://hakkolife.com/page-seminar_de...
▼Twitter/Instagramもやっているのでよかったらみてみてください!
Twitter: https://twitter.com/haseromi
Instagram: https://www.instagram.com/hasegawaromi/
LINE@:bea9895u
↓お仕事の依頼は下記メールアドレスまでお願いします↓
hasegawaromi63@gmail.com
▼関連動画
【女医が勧める】乳酸菌って効果あるの?【ダイエット】
https://youtu.be/HmmaU8EL1R4
腸活/菌活で乳酸菌をとる時、実はヨーグルトよりももっと良いものがある
https://youtu.be/llPAWZUuaho
【腸活】乳酸菌サプリ6種類を飲み比べた結果・・【腸内環境】
https://youtu.be/svOSs34HL5U
その乳酸菌、、、腸内環境荒らしてます
https://youtu.be/K5yY_nKZYlw
【奇跡】レタスが乳酸菌飲料30本は余裕だと申しておりました
https://youtu.be/iIjsatUP5y8
▼参考:研究結果&論文等
A dynamic model that simulates the human upper gastrointestinal tract for the study of probiotics.
https://www.ncbi.nlm.nih.gov/pubmed/1...
P.Velga(2010) Bifidobacterium animalis subsp. lactis fermented milk product reduces inflammation by altering a niche for colitogenic microbes
http://www.pnas.org/content/107/42/18...
LC1乳酸菌の自律神経を介する血圧低下作用
http://www.jasso.or.jp/data/topic/top...
※この動画は、診断・治療または医療アドバイスを提供しているわけではありません。あくまで情報提供のみを目的としています。
※診断や治療に関する医療については、医師または医療専門家に相談してください。この動画は医療専門家からのアドバイスに代わるものでもありません。
data model種類 在 Chapter 1 資料模型(選擇題) · Ian-Liu-1990/DataBase-System ... 的推薦與評價
3階段資料模型(Data Model)種類與設計. 1. 概念資料模型. 定義: 使用幾何圖形符號描述使用者資料庫需求並塑模成資料模型的過程,還未針對任何特定資料模型或DBMS做 ... ... <看更多>
data model種類 在 Smart Data Institute Limited - Facebook 的推薦與評價
... 信息和過程的演進,將如何重新創建數據模型格局。 每種類型的數據模型都有不同的目的和受眾,因此每個人在當今信息和過程技術環境中的用途和前景都必須單獨考慮。... ... <看更多>
data model種類 在 [Database]Database 基礎概念 - MC Shih 的推薦與評價
Database Design(資料庫設計)/ Data Modeling(資料塑模) ... 邏輯結構的模型,過程不涉及任何資料庫管理系統、資料庫種類、軟體和實際儲存結構。 ... <看更多>