基因組學，大數(shù)據(jù)，人工智能。這些屬于未來的關(guān)鍵詞，究竟意味著什么?在前強生創(chuàng)新全球負責人Robert Urban博士的主持下，多位聚焦未來的資深專家們共同探討了在工具的幫助下，如何結(jié)合真實世界證據(jù)，打造屬于未來的醫(yī)療健康行業(yè)。

How would the future of R&D and healthcare look like in a world involving real-world evidence and decision making informed by genomics, big data, and artificial intelligence?

 

 

主持人：Robert Urban博士，前強生創(chuàng)新全球負責人

嘉賓：

Blake Byers博士，Google Ventures普通合伙人

Daphne Koller博士，insitro創(chuàng)始人兼首席執(zhí)行官

Rob Brainin博士，藥明明碼首席執(zhí)行官

Ken Mulvany先生，BenevolentAI創(chuàng)始人兼總裁

Deborah Kilpatrick博士，Evidation Health首席執(zhí)行官

Robert Urban博士：歡迎大家來到“塑造醫(yī)療行業(yè)的未來”專題討論。我們將討論數(shù)據(jù)和技術(shù)如何聯(lián)動產(chǎn)生重大影響，并探討藥物研發(fā)、真實世界數(shù)據(jù)如何提升臨床結(jié)果可靠性、經(jīng)濟可及性、便捷性。我們將從數(shù)據(jù)本身出發(fā)，隨后討論數(shù)據(jù)分析趨勢及洞見�，F(xiàn)在請在座的各位向大家逐一分享，數(shù)據(jù)對于您和您所在的公司或組織意味著什么?

 

 

▲前強生創(chuàng)新全球負責人Robert Urban博士

Deborah Kilpatrick博士：我所在的Evidation Health是一家新型健康評估公司，專注于量化臨床環(huán)境外患者行為及其行為驅(qū)動的結(jié)果。我們使用的數(shù)據(jù)由個人控制，我們相信患者愿意為使用這些數(shù)據(jù)付費。對我來說數(shù)據(jù)可分為三個不同維度。首先是行為數(shù)據(jù)，包括睡眠數(shù)據(jù)、活動數(shù)據(jù)等，患者一周7天、每天24小時的所有動作都可以看作是行為數(shù)據(jù)。第二個方面是醫(yī)療數(shù)據(jù)，包括電子健康病例數(shù)據(jù)、醫(yī)療保險索賠數(shù)據(jù)、實驗室數(shù)據(jù)、基因組數(shù)據(jù)等。最后一個方面是情景數(shù)據(jù)，用來定義行為發(fā)生時的周圍場景。舉個例子，在研究慢性呼吸系統(tǒng)疾病時，我們使用的情景數(shù)據(jù)基于地理位置的海拔高度，因為在不同的海拔高度，患者使用的吸入器種類也不同。對于我們來說，想要量化臨床環(huán)境外的患者行為結(jié)果，這三種類型的數(shù)據(jù)缺一不可。

Daphne Koller博士：在insitro，我們正試圖圍繞一些核心問題建立預測模型，打造一個新型醫(yī)藥公司。我們知道，這些障礙會降低藥物研發(fā)的成功可能性。在過去的五年中，當我們擁有足夠多的正確數(shù)據(jù)來訓練算法，機器學習在為關(guān)鍵問題建立預測模型方面表現(xiàn)得非常好。但我認為，當人們試圖將這些技術(shù)應用于藥物研發(fā)時，會出現(xiàn)一個問題，那就是正確的數(shù)據(jù)往往并不存在。

因此，人們經(jīng)常采取的折中方案就是將大量的數(shù)據(jù)拼湊起來，并希望將機器學習應用到這些數(shù)據(jù)上。然而，機器學習的優(yōu)勢在于它們擅長獲取細微的信息，這包括真實的信號，也包括虛假的信號。所以上述這種方案只是“垃圾進，垃圾出”的擴大化。在insitro，我們致力于將尖端機器學習算法，與高質(zhì)量、大規(guī)模正確訓練數(shù)據(jù)結(jié)合起來，從而真正推動以數(shù)據(jù)數(shù)量和質(zhì)量為基礎(chǔ)的機器學習算法。

因此，我們嘗試將兩種類型的數(shù)據(jù)結(jié)合：一種是人體內(nèi)數(shù)據(jù)和臨床數(shù)據(jù)，而另外一種則是來自細胞的數(shù)據(jù)集。通過對比體內(nèi)和體外數(shù)據(jù)，我們可以真正建立一個模型，去預測療法會對人類造成哪些影響。從某個角度看，這和新藥研發(fā)如出一轍，因為我們在做的，就是分析小分子、大分子、細胞療法在人體內(nèi)，具有哪些我們所期望的性質(zhì)。將細胞系統(tǒng)和人體系統(tǒng)中的數(shù)據(jù)結(jié)合起來，就可以預測藥物何時可能起作用。

 

 

▲insitro創(chuàng)始人兼首席執(zhí)行官Daphne Koller博士

Rob Brainin博士：我同意在藥物發(fā)現(xiàn)過程中，可能并不一定存在正確的數(shù)據(jù)集。藥明明碼致力于運用精準醫(yī)學大數(shù)據(jù)改善人類健康。我們在去年收購了愛爾蘭基因組醫(yī)學公司Genomics Medicine Ireland (GMI)，并開啟了愛爾蘭國家級別精準醫(yī)療計劃。通過這些行動，我們正致力于讓愛爾蘭40萬名病患接受測序，并且和醫(yī)療系統(tǒng)中的專家醫(yī)生合作，獲取與特定疾病相關(guān)的醫(yī)學信息。這不僅是DNA信息，還包括來自各個組學的信息。這樣我們不僅可獲得正確的數(shù)據(jù)集，還可從分子水平上縱向了解某種特定疾病。如今，越來越多的醫(yī)藥公司已認識到數(shù)據(jù)的重要性，并渴望從中尋找新的靶點，然而大部分企業(yè)在獲取正確數(shù)據(jù)方面具有挑戰(zhàn)。這正是我們可以大展身手的天地。

Ken Mulvany先生：在Benevolent AI，我們選擇覆蓋患者分層和目標識別等需求，原因在于如今正處于一個需要為特定人群研發(fā)藥物的時代，所以我們需要這些信息來找到合適的研發(fā)對象。作為一名曾經(jīng)接受過臨床訓練的醫(yī)生，我可以根據(jù)教育知識和實驗結(jié)果來進行診斷，但是我的知識范圍十分有限。在外界，僅從科學文獻的角度來說，每天都有大約一萬份新論文發(fā)表，還有無數(shù)未知的醫(yī)學健康檔案，以及基因組、蛋白質(zhì)、化學數(shù)據(jù)庫，這些都是非常豐富的知識。我們一直都站在巨人的肩膀上。在使用這些外界數(shù)據(jù)的基礎(chǔ)上，我們同時要使用自身的實驗數(shù)據(jù)，或一些來自大型醫(yī)藥企業(yè)的高質(zhì)量數(shù)據(jù)，來對研發(fā)過程進行補充。最重要的是，當你匯總各方面信息時，你必須具有一定的辨別能力，來分辨這些數(shù)據(jù)是否真實，這對于我們理解生物學和研發(fā)藥物至關(guān)重要。

Blake Byers博士：在Google Ventures，我們投資范圍非常廣泛，包括醫(yī)療設(shè)備、診斷、健康技術(shù)等初級醫(yī)療服務項目，以及insitro等藥物研發(fā)公司。我認為數(shù)據(jù)這個概念現(xiàn)在有一點被夸大了。我們從事的是科學相關(guān)的行業(yè)，而數(shù)據(jù)一直都是這個行業(yè)的核心發(fā)展部分。當我們成立公司時，我們更關(guān)心的不是他們擁有的數(shù)據(jù)類型，而是他們擁有的應對相關(guān)挑戰(zhàn)的團隊。我們真正要討論的應該是目前前所未有的數(shù)據(jù)規(guī)模。而如今的挑戰(zhàn)在于如何分析、管理數(shù)據(jù)，以及如何建立一個數(shù)據(jù)管理團隊。三十年前，我們面臨的核心挑戰(zhàn)是讓生物學家和化學家合作，而如今我們已經(jīng)看到了許多生物學家和化學家合作創(chuàng)立的新銳公司。但是換到生物學家和數(shù)據(jù)科學家身上就大不相同了。他們各自從事的領(lǐng)域可以說是南轅北轍，沒有任何共同語言。因此，同時擁有出色的生物科學家和數(shù)據(jù)科學家，且他們之間還能緊密合作，這對一個公司來說，是非常罕見的。當一個公司擁有這樣一支團隊時，即便還沒有產(chǎn)生數(shù)據(jù)，我也相信他們會做出一些非常特殊的工作。

 

 

▲谷歌風投普通合伙人Blake Byers博士

Robert Urban博士：現(xiàn)在讓我們探討數(shù)據(jù)分析。如今我們已經(jīng)實現(xiàn)了將數(shù)據(jù)聚合到云端或者其他計算平臺，同時，我們也在基于圖像的數(shù)據(jù)分析上取得了很多成果。你們認為分析方面有哪些最新趨勢，能夠讓技術(shù)更上一個臺階?

Daphne Koller博士：我認為在過去五年，分析方面有了巨大的飛躍，其中的一部分原因是用于訓練模型的數(shù)據(jù)，可用性正在逐漸提高。但是，如果我們把相同的數(shù)據(jù)應用于五年前的標準方法，我們也不會得到和現(xiàn)在一樣的結(jié)果，因為簡單線性回歸，支持向量網(wǎng)絡、隨機森林算法等傳統(tǒng)的分析方法，在數(shù)據(jù)量增加之后的表現(xiàn)實際上不盡如人意。現(xiàn)在，我們開始應用了一些新方法，比如深度學習。使用的數(shù)據(jù)越多，其表現(xiàn)反而越來越好。

如果你在5年前問我，計算機何時在圖像分析等方面能超過人類水準，我的答案可能會是20年。然而，如今計算機在圖像分析方面已遠遠超過了人類水平，它甚至可以用自然語言段落描繪一個女孩正在用沙子建一座城堡，或者是三只狗正在玩飛盤游戲。在醫(yī)學成像領(lǐng)域也是如此，就在幾個星期前，有一篇論文闡述了計算機能夠復制和查看腫瘤樣本圖像，并且可以告訴我們該圖像具體展示了哪種癌癥，由何種突變導致，這已經(jīng)遠遠超出了人類病理學家力所能及的范圍，而這些成就都要歸功于算法在最近幾年呈現(xiàn)出的巨大飛躍。

Robert Urban博士：在當今世界中，有許多促進業(yè)績運營能力飛躍的因素。你是否覺得機器算法和其他因素一樣重要?

Ken Mulvany先生：當然。舉個例子，一個經(jīng)驗豐富的化學家能在藥物研發(fā)中同時對四到五個參數(shù)進行優(yōu)化。每個參數(shù)都帶有不同的特性，有的與吸收性相關(guān)，有的與選擇性相關(guān)。但是，這個優(yōu)化額度對于人類來講是有限的，如果對其中一個進行調(diào)整，就有可能失去另一個參數(shù)原有的特性。然而對于機器算法就不同了，機器算法可以同時對5到10個參數(shù)進行優(yōu)化，同時可以將篩選候選藥物的周期從3-4年降至1年左右。

 

 

▲BenevolentAI創(chuàng)始人兼總裁Ken Mulvany先生

Robert Urban博士：在基因組學方面也有類似的進步嗎?

Rob Brainin博士：是的。舉例來說，我們過去進行多組學分析需要從不同層面進行觀察比較，并且在每個層面的后端查看是否有重疊之處。然而，如今我們擁有一支由數(shù)據(jù)科學和微生物學專家組成的團隊，而正是這兩個專業(yè)領(lǐng)域的交融為我們帶來了分析方式上的突破。我們可以深入開發(fā)算法，將所有因素與算法集成到一起，這樣一來，就不用在后端完成所有的操作了。所以，算法在分析方面取得的飛躍是毋庸置疑的。

Robert Urban博士：分析方法的改變對實際成果的貢獻有多大?

Deborah Kilpatrick博士：我認為這種貢獻在于，先進算法可以讓我們同時操作或處理數(shù)百萬人口的數(shù)據(jù)，這在以前是根本不可能實現(xiàn)的。另外，應用機器學習可以生成一些新型數(shù)據(jù)庫，在某些情況下可將某些人群里不是很直觀的行為模式和行為表型，與治療的預后效果進行關(guān)聯(lián)，但我們不知道關(guān)聯(lián)背后的原因。所以我認為這帶來了數(shù)據(jù)規(guī)模、時間和數(shù)據(jù)保真度方面的機遇。這在當今應用數(shù)字療法的世界中是相當具有革命性的，這些數(shù)據(jù)信號將展現(xiàn)治療中的不同節(jié)點。在患者知情同意的前提下，我們可以遠程觀察患者對治療作出的反應。

 

 

▲Evidation Health首席執(zhí)行官Deborah Kilpatrick博士

Robert Urban博士：我們在這里談論的都是相當有價值的命題，它們讓事情變得更快、更便宜、更有效�，F(xiàn)在我想回到藥物研發(fā)問題上來，我們目前遇到的問題可以通過一些新產(chǎn)生的洞見來解決。Daphne，你認為藥物研發(fā)中有哪些關(guān)鍵的可能性?

Daphne Koller博士：機器學習技術(shù)為藥物研發(fā)創(chuàng)造了巨大的機會。藥物發(fā)現(xiàn)的一個關(guān)鍵是構(gòu)建一個在人體中具有效應的化學實體，能夠讓人們從病理狀態(tài)恢復健康，或是預防疾病。而這實際上是一個預測方面的問題，即預測將某種藥物或干預措施引入人體后的影響。這涉及到對干預措施進行預測的能力，同時也需要有設(shè)計的成分在里面。例如，你如何設(shè)計一種細胞療法，使其以某種特定的方式表現(xiàn)，并能夠應用到人體內(nèi)。我認為我們需要擁有快速迭代和預測能力，然后設(shè)計一個能在多方面得到優(yōu)化的化學實體。它能達成某種表型特征，卻不產(chǎn)生毒性。通過快速迭代，并避免那些在后期出現(xiàn)的失敗結(jié)果，將為加速藥物研發(fā)過程帶來重大利好。

Blake Byers博士：接下來數(shù)十年間，機器學習可能還較難以大范圍應用于新藥研發(fā)。目前機器學習的一大挑戰(zhàn)，在于建立一個能預測人類疾病具體分子機制的模型。我們?nèi)绻�在一個不可靠的系統(tǒng)中訓練模型，這個模型是沒有任何用處的。解決這個問題的一個辦法是研究人類自身的數(shù)據(jù)，從中發(fā)現(xiàn)許多新的通路和功能。目前很多公司都在進行這個工作，比如23andMe。全世界有70多億個基因組信息，如果能找到其中有趣的gain-of-function和loss-of-function變異，并整合這些通路信息，就有望模擬人體內(nèi)同樣的化學反應，就有機會發(fā)現(xiàn)很多新的知識去助力新藥研發(fā)。

但很遺憾，只有1%-2%的臨床數(shù)據(jù)得到了有效利用。我們可以在現(xiàn)有的電子病歷系統(tǒng)基礎(chǔ)上，去提取這些信息，并且利用這些信息提升現(xiàn)有藥物和產(chǎn)品的質(zhì)量。這個過程可以在臨床試驗階段完成，也可以在臨床試驗結(jié)束后繼續(xù)進行。醫(yī)藥行業(yè)發(fā)展很快，10年后的CAR-T療法和今天的CAR-T療法肯定不一樣。只有不斷加速迭代，醫(yī)藥公司才能保持其競爭力。只有能夠存在于未來的公司，才能從當下走向未來。

Robert Urban博士：您剛剛提到了機器學習有時會被濫用，這讓我想到了區(qū)塊鏈技術(shù)。那么您覺得區(qū)塊鏈技術(shù)在醫(yī)療健康領(lǐng)域的發(fā)展前景如何呢?

Blake Byers博士：區(qū)塊鏈在醫(yī)療領(lǐng)域中的應用還不是很多。區(qū)塊鏈技術(shù)提供了一個可靠的儲存和傳輸?shù)墓ぞ�，它的特點是可信任。但在醫(yī)療健康領(lǐng)域，我們已經(jīng)有很多可信任的實體，比如我們前往就醫(yī)的醫(yī)療機構(gòu)。在這些實體里，區(qū)塊鏈儲存數(shù)據(jù)的效率并不高。所以區(qū)塊鏈在醫(yī)療健康領(lǐng)域的用處可能不大。

Rob Brainin博士：我同意Byers博士的說法，把醫(yī)療健康數(shù)據(jù)儲存在區(qū)塊鏈的意義可能不會很大。我認為醫(yī)療行業(yè)未來很大程度在于多樣數(shù)據(jù)來源的整合，比如可穿戴設(shè)備、各式傳感器。這些數(shù)據(jù)可以來自個人，也可能直接來自于他們的基因組。但是這又帶來了一個新的問題：數(shù)據(jù)來源的個體是否同意這些公司機構(gòu)去使用他們的健康數(shù)據(jù)進行研究?數(shù)據(jù)來源多樣化的背景下，人們可能更希望清楚自己的健康數(shù)據(jù)流向了哪里。但我確實同意，未來的健康數(shù)據(jù)來源會更加多樣化，并且會有一個更好的整合，無論它們是儲存在現(xiàn)有的系統(tǒng)中，還是區(qū)塊鏈之類的新型技術(shù)平臺上。

 

 

▲藥明明碼首席執(zhí)行官Rob Brainin博士

Daphne Koller博士：我非常贊同Byers博士剛剛的說法，區(qū)塊鏈未必是解決現(xiàn)在最緊迫問題的有效方案。我們現(xiàn)在的醫(yī)療數(shù)據(jù)儲存比較混亂，比如說電子病歷系統(tǒng)。所以現(xiàn)在有公司在統(tǒng)一病歷記錄上花費巨大精力：他們要求使用者在電子系統(tǒng)中輸入患者的關(guān)鍵信息，而不是識讀掃描版紙質(zhì)病歷后錄入關(guān)鍵信息的陳舊方式。在醫(yī)療領(lǐng)域有很多基礎(chǔ)的問題尚需解決，而區(qū)塊鏈技術(shù)的方向和這些問題相去甚遠。

Rob Brainin博士：沒錯，在短時間內(nèi)，區(qū)塊鏈不太可能解決醫(yī)療領(lǐng)域的關(guān)鍵問題。但是在未來健康數(shù)據(jù)高度整合之后，我們也許會需要一個安全儲存和傳輸健康數(shù)據(jù)的解決方案。比如說，可穿戴設(shè)備用戶在上傳數(shù)據(jù)之前需要簽署同意書，而這時候區(qū)塊鏈或許能成為傳遞知情書的一種工具。

 

 

Robert Urban博士：讓我們把時間交給Deborah Kilpatrick博士，您是我們之中對個人數(shù)據(jù)處理最有發(fā)言權(quán)的人，我想聽聽您的看法。

Deborah Kilpatrick博士：是的，Evidation的數(shù)據(jù)處理平臺可以處理我們合作伙伴的多種數(shù)據(jù)，并且調(diào)整數(shù)據(jù)處理的強度。這里面包含兩部分，一部分是原始數(shù)據(jù)，另一部分則是和行為表現(xiàn)緊密相關(guān)的推斷數(shù)據(jù)。推斷數(shù)據(jù)從原始數(shù)據(jù)中提煉而來，在絕大多數(shù)情況下要比原始數(shù)據(jù)更有價值。在Evidation，我們一直都在思考這些資訊會在基因組時代如何演變，以及如何更好地管理這些數(shù)據(jù)。

其中一個重要的節(jié)點就是GINA(Genetic Information Nondiscrimination Act，遺傳信息非歧視法)。我們必須考慮GINA在多種場景下的深遠影響，比如說涉及到患者行為表現(xiàn)時的影響。此外，在這個數(shù)字時代，日常生活中收集到的數(shù)據(jù)和基因組數(shù)據(jù)一樣，對新產(chǎn)品的研發(fā)也十分重要。與此同時，這些數(shù)據(jù)都來自于個人，是非常隱私的信息。我們不僅僅要在使用數(shù)據(jù)時對患者進行告知、獲得同意，還需要通過嚴肅的政策來保護患者，防止他們因基因和相關(guān)表現(xiàn)而遭到歧視。隨著商業(yè)生態(tài)的人口變化和數(shù)據(jù)樣本增大，我們必須在政策制定上達成共識，規(guī)范在美國、全世界范圍下能做什么。

Robert Urban博士：現(xiàn)在讓我們再次回到對未來的預測的話題上，有什么樣的發(fā)展是在座各位想要實現(xiàn)或希望在未來能看到的呢?

Ken Mulvany先生：在新藥研發(fā)中，我們長期面臨著一個挑戰(zhàn)：大約有30%-50%的處方藥在患者身上效果并不顯著。不是說藥物不夠安全，只是其作用機理并沒有太大效果。這是醫(yī)藥行業(yè)面臨的巨大挑戰(zhàn)。我也相信今天在論壇的各位嘉賓都會為解決這個問題做出自己的貢獻，讓后來人站在巨人的肩膀上進行研究。同時，我也認為現(xiàn)在是一個信息爆炸的時代。目前，醫(yī)藥行業(yè)里有著太多信息，但我們無法完全吸收所有的信息。這個專題討論環(huán)節(jié)的嘉賓鼓舞了我，大家都在努力地解決這個問題。

在研發(fā)崗位工作多年的人應該知道，這個領(lǐng)域的高產(chǎn)科學家每年會閱讀至少400篇論文。即便如此，這個科學家也只是專攻某一領(lǐng)域，他們可能對于其他領(lǐng)域知之甚少。我們需要明白自己知道什么，并找到其中缺失的環(huán)節(jié)。這需要我們離開自己的舒適區(qū)，承認自己還有哪些不足，才能吸收更多的新知識。這對整個醫(yī)藥行業(yè)來說都很重要。

Robert Urban博士：想要新藥研發(fā)更快、更容易，確實需要一個完整的行業(yè)生態(tài)圈來助力。美國FDA這周也剛剛宣布其引入了新數(shù)據(jù)科學團隊，來應對當前科技發(fā)展潮流，這也印證了剛剛各位的說法。對于當代醫(yī)藥行業(yè)的發(fā)展，大家認為有哪些需要注意的問題?或者是任何你們認為特別令人滿意的進展?

Blake Byers博士：我認為醫(yī)療健康領(lǐng)域應該思考如何采取更合理的方式和流程，與患者溝通隱私相關(guān)的問題。我相信大多數(shù)患者愿意醫(yī)療機構(gòu)利用他們的數(shù)據(jù)，來幫助其他有同樣健康問題的人，但是我們應該確保用合理的方式來服務他們。

Robert Urban博士：患者信任一旦缺失很難重構(gòu)。說到知情權(quán)，我想問Deborah，關(guān)于知情權(quán)我們應該如何理解呢?在知情權(quán)問題上，你是如何處理和用戶之間的關(guān)系呢?

Deborah Kilpatrick博士：我個人的一大擔憂是：在使用患者數(shù)據(jù)的議題上，知情告知應該是默認選項，不應該有例外。但是我們有太多時候都忘記向患者獲取知情同意，了解他們的真實想法。

Robert Urban博士：那么回到基因組學，Brainin博士，在越來越需要國際合作的當下，您認為目前有什么需要思考的問題呢?

Rob Brainin博士：為了治療人類的疾病，我們需要收集人類的數(shù)據(jù)，建立基因組的數(shù)據(jù)庫。在研究基因組學數(shù)據(jù)的時候，我們能發(fā)現(xiàn)很多信息。但是這些信息我們未必能在一開始就了解，因為現(xiàn)在人們沒有處理這些數(shù)據(jù)的方法。但10-20年后，回過頭來看，可能就會很有用。同時，我也一直在思考：如何負責任地獲取、分析基因組學數(shù)據(jù);如何正確地分享相關(guān)信息和研究成果。作為一家在基因組學領(lǐng)域的公司，這一直是我們在嚴肅思考的問題。

Robert Urban博士：今天最后的一個問題是，在這個人工智能時代，通過數(shù)據(jù)，我們能不做什么?我們能擺脫現(xiàn)有的臨床前模型嗎?

Ken Mulvany先生：很多新藥研發(fā)項目，只有到了人體臨床試驗階段才能真正地檢測新藥的效果。大多數(shù)情況下，動物模型檢驗新藥效果并不完善。在新藥安全性的問題上，我認為有很多發(fā)展都值得期待。利用工程學，檢驗藥物相互作用、藥代動力學都有可能變得更容易。用電子科技的方式，可以減少新藥志愿者招募的需求。

Robert Urban博士：感謝今天參與本節(jié)討論的嘉賓，讓我們?yōu)樗麄兊姆窒砉恼啤?/p>

標簽： Google 安全 大數(shù)據(jù) 谷歌 數(shù)據(jù)分析 數(shù)據(jù)庫 網(wǎng)絡 學大數(shù)據(jù)

版權(quán)申明：本站文章部分自網(wǎng)絡，如有侵權(quán)，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。