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.
Преглед
It matters because it tackles the biggest reason drugs fail — picking the wrong target — by grounding discovery in real human biology.
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.
Техническа информация
Характерният метод Insitro използва машинно обучение върху медицински изображения – например дълбоки модели, разчитащи чернодробен MRI или хистопатология – за извличане на количествени „фенотипове на машинно обучение“. Провеждането на проучвания за асоцииране в целия геном срещу тези получени от ИИ черти в популации от биобанка може да изведе на повърхността генетични варианти и следователно причинно-следствени цели, които грубите клинични етикети пропускат. Това съчетава човешката генетика, най-силното доказателство, че целта има значение, с богата фенотипна резолюция от AI.
Стратегическо въздействие
Vendor strategy
Пътните карти на доставчиците влияят на това какви функции вашият екип може да изгради по-нататък.
Cost and budget
Търговските условия и опциите за внедряване влияят върху дългосрочните разходи и риск.
Risk and safety
Стимулите на компанията оформят продуктовите стандарти, безопасността и откритостта.
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.
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.
Рискове и предпазни огради
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.
Пътна карта за изпълнение
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
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Insitro Machine Learning Biology quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
Основи на машинното обучение
Frequently asked questions
What is 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.