СледваСледващо ръководство
Основи на машинното обучение
Основи
Фирми РЪКОВОДСТВО
Биология на машинното обучение Insitro
Insitro обединява широкомащабни човешки генетични и клетъчни данни с машинно обучение, за да намери по-добри лекарствени цели и пациентите, които е най-вероятно да отговорят.
Чуйте това ръководствоAI-разказан · ~2 min
На тази страница2 минути четене
Преглед
Има значение, защото се справя с най-голямата причина, поради която лекарствата се провалят – избирането на грешната цел – чрез основаване на откритието в реалната човешка биология.
Дълбоко гмуркане
Основана през 2018 г. от изчислителния биолог и бивш ръководител на Станфорд и Coursera Дафне Колър, Insitro се изгради като компания за откриване на лекарства „на първо място с машинно обучение“. Неговата основна идея е да генерира огромни, специално изградени набори от данни в компанията — като използва модели на заболявания, получени от човешки стволови клетки („ин витро“), изображения с високо съдържание и „омични измервания“ – и да ги сдвоява с масивни човешки генетични и клинични кохорти като Биобанката на Обединеното кралство. След това машинното обучение свързва молекулярните и клетъчните сигнатури с болестта, като помага за идентифицирането на цели, които генетиката предполага, че наистина причиняват заболяване, и стратифициране на пациентите в подгрупи. Самото име съчетава „in silico“ (изчисление) и „in vitro“ (лабораторна биология). Insitro си партнира с Gilead и Bristol Myers Squibb и се фокусира върху области като метаболитни, чернодробни и невродегенеративни заболявания.
Внедряване в реалния свят
Обучение на модели за MRI сканиране на черния дроб за създаване на количествени фенотипове, след което провеждане на проучвания за генетични асоциации за намиране на лекарствени цели за чернодробно заболяване.
Използване на неврони, получени от човешки стволови клетки, за моделиране на ALS и други невродегенеративни заболявания за ML анализ.
Партньорство с Gilead за откриване на цели за неалкохолен стеатохепатит (NASH) и чернодробна фиброза.
Стратифициране на пациентите в генетични подгрупи, за да се предвиди кой ще отговори на дадена терапия.
Бъдещето на биологията на машинното обучение Insitro
Insitro се стреми към предсказуеми модели, които свързват генотипа с клетъчния фенотип с изхода на пациента, позволявайки избор на цел и стратификация на пациентите преди скъпи изпитания. Очаквайте по-задълбочено използване на базовите модели в изображенията и omics, повече връзки с биобанки и напредващи кандидати за вътрешни тръбопроводи. Ключовото предизвикателство е затварянето на цикъла: доказване, че номинираните от AI, подкрепени от генетиката цели се превръщат в одобрени лекарства, които работят при правилните пациенти.
Прилагайки го на практика
Защо има значение
- Стратегия на доставчика. Пътните карти на доставчиците влияят на това какви функции вашият екип може да изгради по-нататък.
- Разходи и бюджет. Търговските условия и опциите за внедряване влияят върху дългосрочните разходи и риск.
- Риск и безопасност. Стимулите на компанията оформят продуктовите стандарти, безопасността и откритостта.
Внимавайте за
- Съобщенията за стартиране може да изпреварят стабилността в реалните производствени работни процеси.
- Ценообразуването на API или промените в политиката могат да разбият предположенията за една нощ.
- Зависимостта от един доставчик увеличава разходите за заключване и миграция.
Следващи стъпки
- Оценявайте доставчиците, като използвате вашите собствени задачи и набори от данни.
- Прегледайте поверителността, сигурността и правните условия преди интегриране.
- Поддържайте резервен план за модели или доставчици.
- Наблюдавайте бележките по изданието, така че промените в пътната карта да не изненадват екипите.
Продължете да изследвате
Безплатен бюлетин
Получавайте дневния AI бюлетин
Три проверени AI истории всяка делнична сутрин, написани на достъпен език. Безплатно завинаги, без реклами.
Един имейл всеки делничен ден. Отписване с едно кликване. Никога не продаваме и не споделяме вашия имейл адрес.
Тествайте себе си
Take the Insitro Machine Learning Biology quiz
Незабавна обратна връзка за всеки отговор и сертификат за споделяне с подлежащ на проверка идентификационен номер, след като преминете курс.
Подкрепете безплатното AI образование. AI Understanding е 501(c)(3) с нестопанска цел — без реклами, без платен достъп, никога. Направете дарение
Често задавани въпроси
Какво представлява Insitro Machine Learning Biology?
Insitro обединява широкомащабни човешки генетични и клетъчни данни с машинно обучение, за да намери по-добри лекарствени цели и пациентите, които е най-вероятно да отговорят. Има значение, защото се справя с най-голямата причина, поради която лекарствата се провалят – избирането на грешната цел – чрез основаване на откритието в реалната човешка биология.
Какво съчетава името "Insitro"?
Името съчетава изчисленията „in silico“ с „in vitro“ лабораторната биология, улавяйки неговия подход ML-plus-experiment.
Кой основа Insitro?
Дафне Колер, изчислителен биолог и бивш съосновател на Coursera, основава Insitro през 2018 г.
Защо Insitro набляга на човешката генетика при целевия избор?
Целите, подкрепени от човешки генетични доказателства, са много по-склонни да бъдат наистина причинно-следствени, намалявайки неуспеха на лекарствата.
Какво е „фенотип на машинно обучение“, както го използва Insitro?
Insitro извлича количествени характеристики от изображения с помощта на ML, след което изучава техните генетични асоциации.
Коя голяма човешка кохорта обикновено се използва за генетични изследвания в мащаб на биобанка като тези на Insitro?
Биобанката на Обединеното кралство свързва генетични, образни и здравни данни за стотици хиляди хора.
Продължавай да учиш
Свързани ръководства
Още ръководства, избрани за тази тема