Преглед
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.
Биологията на машинното обучение на Insitro се разбира най-добре в контекста на стратегия, достъп до модели, решения за платформа и партньорства в екосистеми.
Дълбоко гмуркане
Основана през 2018 г. от изчислителния биолог и бивш лидер 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
Характерен 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 черти, получени от ИИ, 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.
Овладяване на биологията 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. 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. Биологията на машинното обучение на Insitro се разбира най-добре в контекста на стратегия, достъп до модели, решения за платформа и партньорства в екосистеми. За да изградите дълбоко разбиране, третирайте Insitro Machine Learning Biology като оперативен модел, а не като отделна функция: дефинирайте желаните резултати, изяснете предположенията и отделете това, което системата може да направи надеждно, от това, което все още изисква експертна преценка.
На практика силни екипи, използващи Insitro Machine Learning Biology, оценяват стратегията на доставчика, надеждността на пътната карта и риска от блокиране, преди да се ангажират. Те документират изрични критерии за успех, тестват срещу реалистични данни и работни потоци и повтарят въз основа на наблюдавани модели на неуспех, а не на еднократни победи в бенчмарка. Това е мястото, където теоретичното разбиране се превръща в трайна способност за продукти, политики и операции.
Пътните карти на доставчиците влияят на това какви функции вашият екип може да изгради по-нататък. В същото време съобщенията за стартиране може да изпреварят стабилността в реалните производствени работни процеси. Най-устойчивият подход е да се комбинира скоростта на експериментиране с дисциплината на управление: стартирайте пилотни проекти, събирайте доказателства, публикувайте регистрационни файлове за решения и непрекъснато актуализирайте предпазните мерки, докато поведението на модела, очакванията на потребителите и регулаторните изисквания се развиват.
Стратегическо въздействие
Пътните карти на доставчиците влияят на това какви функции вашият екип може да изгради по-нататък.
Пътните карти на доставчиците влияят на това какви функции вашият екип може да изгради по-нататък. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Търговските условия и опциите за внедряване влияят върху дългосрочните разходи и риск.
Търговските условия и опциите за внедряване влияят върху дългосрочните разходи и риск. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Стимулите на компанията оформят продуктовите стандарти, безопасността и откритостта.
Стимулите на компанията оформят продуктовите стандарти, безопасността и откритостта. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
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.
Модели на изпълнение
Insitro Machine Learning Biology на практика
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.
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. Екипите обикновено получават по-добри резултати, когато предварително определят праговете за качество, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Insitro Machine Learning Biology на практика
Използване на неврони, получени от човешки стволови клетки, за моделиране на ALS и други невродегенеративни заболявания за ML анализ.
Използване на неврони, получени от човешки стволови клетки, за моделиране на ALS и други невродегенеративни заболявания за ML анализ Екипите обикновено получават по-добри резултати, когато определят праговете на качеството предварително, поддържат човешки път на ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Insitro Machine Learning Biology на практика
Партньорство с Gilead за откриване на цели за неалкохолен стеатохепатит (NASH) и чернодробна фиброза.
Партньорство с Gilead за откриване на цели за неалкохолен стеатохепатит (NASH) и чернодробна фиброза Екипите обикновено получават по-добри резултати, когато предварително определят праговете за качество, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Insitro Machine Learning Biology на практика
Стратифициране на пациентите в генетични подгрупи, за да се предвиди кой ще отговори на дадена терапия.
Стратифициране на пациентите в генетични подгрупи, за да се предскаже кой ще отговори на дадена терапия. Екипите обикновено получават по-добри резултати, когато предварително определят прагове за качество, поддържат човешки път на ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
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.
Оценявайте доставчиците, като използвате вашите собствени задачи и набори от данни. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Прегледайте поверителността, сигурността и правните условия преди интегриране.
Прегледайте поверителността, сигурността и правните условия преди интегриране. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Поддържайте резервен план за модели или доставчици.
Поддържайте резервен план за модели или доставчици. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Наблюдавайте бележките по изданието, така че промените в пътната карта да не изненадват екипите.
Наблюдавайте бележките по изданието, така че промените в пътната карта да не изненадват екипите. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.