基因检测公司主要以测序技术驱动，在产品设计思路上主要是基于明星基因的解读。这种方式的好处是数据产生量不用那么大，成本较低。当然也有不足的地方，疾病是系统性的，一些marker对一些病人是有效的，但是也有一些marker在某些病人身上是不准的，还有一些病人是无明星基因的。那计算医学是数据解读的一个体系。所以检测环节的技术发展的越好，其实就越需要计算医学的技术体系的参与，去更深入地挖掘数据中蕴藏的价值。发现有marker的病人，就用相应的方案去诊治，对于检测不到marker或者有marker不适用的病人，就用计算模型来系统的解读，给出新的洞见，再反馈给医学专家，为病人制定诊疗方案。

疾病是复杂的，是系统性的。所以，要首先定义关注疾病发生发展的问题是什么，再准备相应维度的数据，数据里面一定蕴藏着生命规律和医生智慧，当两者匹配上后，通过系统性的分析就能够大概率的发现其中的规律。

计算医学发展得好，必须要形成工程技术平台，是用户摸得着、看得见，方便易用的系统。从技术边界上看，医院和药企自己建设起来有难度的。医院里有大量尚未被解决的医学问题，这些问题提出来后，我们提供面向生命医学数据的计算机系统，屏蔽海量数据的管理、理解和计算等方面的技术细节，让医学专家能够便捷地利用平台，通过计算的视角去理解并解决这些问题。

另一方面，病人资源是非常宝贵的，医院和药企会一起开展很多临床试验。现在临床试验的分组条件，患者可能被分配到正确的组，也有可能分到了错误的组。我们在提出计算医学技术体系时，也提出了一个目标“让天下没有失败的临床三期”。计算医学的介入，既从marker的角度也从model的视角来系统的认识人的特征、生命的特征、药的属性，让正确的人进入正确的组，在一定程度上，就能够提高医院资源的产出效率，也会加快药物研发的进程。

另外，计算医学还可以帮助药企来，建立计算机世界的药物生产线，配合物理世界的研发线，来促进靶点的发现和老药新用。通过系统建模来发现新的marker，新的marker也许是传统的基因、蛋白，也许是更高维度的信号通路事件。

随着科学技术的发展，整个学科发展正迈入一个大融合发展的阶段。交叉是新的科学发现，产业发展的新机会点。交叉最麻烦的是人才，大交叉意味着在特定的学科领域不会走的特别的高深，在学科评价体系上很难找到对标，科研人员就需要耐得住寂寞，坐得住冷板凳，踏踏实实的做交叉。

医学与信息科学的交叉更加复杂，这需要信息科学的从业人员能够理解生物医学领域的知识，还需要医学工作者能够利用计算思维进行思考。

比如针对癌症晚期的治疗有没有新的方法这个问题，从数据上怎么理解，就集合两个领域的专家一起去研究，从数据模型上发现的新发现，还需要生物医学专家通过生物医学的知识去验证发现，然后模型再去继续修正迭代，更加逼近生命本质，疾病的机理，这样一个合作的模式就为复合型人才的培养提供了实践的机会。

我们采用大数据的方法，基于每一个患者的基因组信息，在有预后数据的真实临床数据库里为每一个患者进行建模和检索，就能够评估每一个患者的预后情况。

数据对生命的刻画越来越精准。从早期的人眼观察，到通过CT设备、测序设备等观测到了多尺度的数据。数据当中一定蕴藏着生命的规律。通过数据发现的新洞见，还需要经过生物实验的验证。这种验证方法就从原来的假设驱动转到了数据驱动。原来需要经过上千次实验验证才能有新的发现，数据驱动的发现就可以降低验证的次数。这也是我们呼吁计算医学需要生物学家、医学专家和计算科学家携起手共同丰富计算医学的内涵，将疾病的预防、诊断和治疗推向精准。

我们已经建立了一种基于胚系基因组病因学的人工智能方法，能够评估每个女性自身罹患各种乳腺肿瘤的风险和抵抗力。这个方法能够给每一位女性进行一个评分，可以精确地定量评估出每个女性的乳腺癌风险是“坏运气”，“坏习惯”，还是“天注定”，也能够评估出乳腺癌的不同病理型。