着爸爸

众所周知，新类型药物的发现、开发和商业化可能需要10-15年的时间，研发投资超过50亿美元，但只有不到5%的药物能够进入市场。

阿斯利康是一家以创新为驱动的全球性生物制药企业，专注于发现、开发和商业化治疗世界上一些最严重疾病的处方药。在过去的5年里，我们的科学家通过转向数据驱动的方法(“5R”)来帮助更快地开发更好的药物，为患者选择正确的治疗方法，并进行更安全的临床试验，从而提高了我们的成功率。

然而，我们的科学家仍然无法在掌握所有可用科学信息的情况下做出这些决定。在我们公司和外部公共数据库中，数据是稀疏的，每一项新技术都需要不同的数据处理管道，新数据以越来越快的速度出现。人们经常重复说，每30秒就会出现一篇新的科学论文，这使得任何专家都不可能跟上科学发现的最新步伐。

为了帮助我们的科学家整合所有这些信息并做出有针对性的决策，我们在Azure Databricks上使用Spark构建了一个生物学见解和事实的知识图谱。该图表为推荐系统提供了动力，使任何阿斯利康的科学家都能利用我们所有的数据，为任何疾病生成新的目标假设。

在这次演讲中，我将描述我们的知识图谱的应用，并重点介绍我们构建的Spark管道，用于从100多个来源快速组装和创建图谱的投影。我还将描述我们已经构建的NLP管道——利用spacy、bioBERT或snorkel——可靠地提取实体之间有意义的关系，并将它们添加到我们的知识图谱中。