Přehled
Insitro spojuje rozsáhlá lidská genetická a buněčná data se strojovým učením, aby nalezla lepší cíle pro léky a pacienty, kteří s největší pravděpodobností zareagují. Záleží na tom, protože řeší největší důvod selhání léků – výběr špatného cíle – tím, že zakládá objevy ve skutečné lidské biologii.
Insitro Machine Learning Biology lze nejlépe pochopit v kontextu strategie, přístupu k modelu, rozhodnutí o platformě a ekosystémových partnerství.
Hluboký ponor
Společnost Insitro, kterou v roce 2018 založila počítačová bioložka a bývalá vedoucí Stanford a Coursera Daphne Kollerová, se vybudovala jako společnost zabývající se objevováním léků „první strojovým učením“. Jeho hlavní myšlenkou je vytvářet obrovské, účelově vytvořené datové soubory interně – pomocí modelů nemocí odvozených z lidských kmenových buněk („in vitro“), zobrazování s vysokým obsahem a „omických měření – a spárovat je s masivními lidskými genetickými a klinickými kohortami, jako je britská Biobanka. Strojové učení pak spojuje molekulární a buněčné signatury s nemocí, což pomáhá identifikovat cíle, které podle genetiky skutečně způsobují nemoc, a rozdělit pacienty do podskupin. Samotný název se mísí „in silico“ (výpočet) a „in vitro“ (laboratorní biologie). Společnost Insitro navázala partnerství s Gilead a Bristol Myers Squibb a zaměřuje se na oblasti jako metabolická, jaterní a neurodegenerativní onemocnění.
Technický přehled
Charakteristická metoda Insitro využívá strojové učení na lékařských snímcích – například hloubkové modely čtoucí MRI jater nebo histopatologii – k odvození kvantitativních „fenotypů strojového učení“. Provádění celogenomových asociačních studií proti těmto vlastnostem odvozeným od AI napříč populacemi v biobankách může odhalit genetické varianty, a tedy kauzální cíle, které hrubé klinické značky postrádají. To spojuje lidskou genetiku, nejsilnější důkaz, že na cíli záleží, s bohatým fenotypovým rozlišením od AI.
Zvládnutí insitro biologie strojového učení
Insitro spojuje rozsáhlá lidská genetická a buněčná data se strojovým učením, aby nalezla lepší cíle pro léky a pacienty, kteří s největší pravděpodobností zareagují. Záleží na tom, protože řeší největší důvod selhání léků – výběr špatného cíle – tím, že zakládá objevy ve skutečné lidské biologii. Insitro Machine Learning Biology lze nejlépe pochopit v kontextu strategie, přístupu k modelu, rozhodnutí o platformě a ekosystémových partnerství. Chcete-li vybudovat hluboké porozumění, zacházejte s biologií strojového učení Insitro jako s provozním modelem, nikoli s jedinou funkcí: definujte požadované výsledky, vyjasněte předpoklady a oddělte to, co systém dokáže spolehlivě, od toho, co stále vyžaduje odborný úsudek.
V praxi silné týmy využívající Insitro Machine Learning Biology vyhodnotí strategii dodavatele, spolehlivost plánu a riziko zablokování, než se zavázaly. Dokumentují explicitní kritéria úspěšnosti, testují s realistickými daty a pracovními postupy a opakují se na základě pozorovaných vzorců selhání spíše než jednorázových výher v benchmarku. Zde se teoretické porozumění mění v trvalé schopnosti napříč produktem, politikou a provozem.
Plány dodavatelů ovlivňují, jaké funkce může váš tým dále vybudovat. Zároveň mohou oznámení o spuštění předstihnout stabilitu v reálných produkčních pracovních tocích. Nejodolnějším přístupem je kombinovat rychlost experimentování s disciplínou správy: spouštějte pilotní projekty, zachycujte důkazy, publikujte protokoly rozhodnutí a průběžně aktualizujte zabezpečení podle toho, jak se vyvíjí chování modelu, očekávání uživatelů a regulační požadavky.
Strategický dopad
Plány dodavatelů ovlivňují, jaké funkce může váš tým dále vybudovat.
Plány dodavatelů ovlivňují, jaké funkce může váš tým dále vybudovat. Ve vysoce kvalitních nasazeních se to promítá do měřitelných provozních pravidel, hranic vlastnictví a opakujících se rituálů kontroly, takže týmy mohou škálovat důvěru namísto škálování nejednoznačnosti.
Komerční podmínky a možnosti nasazení ovlivňují dlouhodobé náklady a rizika.
Komerční podmínky a možnosti nasazení ovlivňují dlouhodobé náklady a rizika. Ve vysoce kvalitních nasazeních se to promítá do měřitelných provozních pravidel, hranic vlastnictví a opakujících se rituálů kontroly, takže týmy mohou škálovat důvěru namísto škálování nejednoznačnosti.
Firemní pobídky utvářejí výchozí produkty, bezpečný postoj a otevřenost.
Firemní pobídky utvářejí výchozí produkty, bezpečný postoj a otevřenost. Ve vysoce kvalitních nasazeních se to promítá do měřitelných provozních pravidel, hranic vlastnictví a opakujících se rituálů kontroly, takže týmy mohou škálovat důvěru namísto škálování nejednoznačnosti.
Real-World Implementace
Trénink modelů na skenech MRI jater pro vytvoření kvantitativních fenotypů, pak provádění studií genetické asociace k nalezení cílů léků pro onemocnění jater.
Použití neuronů pocházejících z lidských kmenových buněk k modelování ALS a dalších neurodegenerativních onemocnění pro analýzu ML.
Spolupráce se společností Gilead s cílem objevit cíle pro nealkoholickou steatohepatitidu (NASH) a jaterní fibrózu.
Rozdělení pacientů do genetických podskupin za účelem predikce, kdo bude reagovat na danou terapii.
Implementační vzory
Insitro Machine Learning Biology v praxi
Trénink modelů na skenech MRI jater pro vytvoření kvantitativních fenotypů, pak provádění studií genetické asociace k nalezení cílů léků pro onemocnění jater.
Tréninkové modely na skenech MRI jater za účelem vytvoření kvantitativních fenotypů, pak provádění studií genetické asociace za účelem nalezení cílů léků pro onemocnění jater Týmy obvykle dosáhnou lepších výsledků, když předem definují prahy kvality, udržují cestu lidské eskalace pro okrajové případy a sledují jak zisky produktivity, tak náklady na chyby v průběhu času.
Insitro Machine Learning Biology v praxi
Použití neuronů pocházejících z lidských kmenových buněk k modelování ALS a dalších neurodegenerativních onemocnění pro analýzu ML.
Použití neuronů pocházejících z lidských kmenových buněk k modelování ALS a dalších neurodegenerativních onemocnění pro analýzu ML Týmy obvykle dosahují lepších výsledků, když předem definují prahové hodnoty kvality, udržují cestu lidské eskalace pro okrajové případy a sledují jak zisky z produktivity, tak náklady na chyby v průběhu času.
Insitro Machine Learning Biology v praxi
Spolupráce se společností Gilead s cílem objevit cíle pro nealkoholickou steatohepatitidu (NASH) a jaterní fibrózu.
Partnerství se společností Gilead za účelem objevování cílů pro nealkoholickou steatohepatitidu (NASH) a jaterní fibrózu Týmy obvykle dosahují lepších výsledků, když předem definují prahové hodnoty kvality, udržují cestu lidské eskalace pro okrajové případy a sledují jak zisky z produktivity, tak náklady na chyby v průběhu času.
Insitro Machine Learning Biology v praxi
Rozdělení pacientů do genetických podskupin za účelem predikce, kdo bude reagovat na danou terapii.
Rozdělení pacientů do genetických podskupin za účelem předpovědi, kdo bude reagovat na danou terapii Týmy obvykle dosáhnou lepších výsledků, když předem definují prahové hodnoty kvality, udržují cestu lidské eskalace pro okrajové případy a sledují jak zisky z produktivity, tak náklady na chyby v průběhu času.
Rizika a zábradlí
Oznámení o uvedení mohou předstihnout stabilitu v reálných výrobních pracovních postupech.
Změny cen API nebo politik mohou přes noc narušit předpoklady.
Závislost na jediném dodavateli zvyšuje náklady na uzamčení a migraci.
Plán implementace
Vyhodnoťte poskytovatele pomocí vlastních úkolů a datových sad.
Vyhodnoťte poskytovatele pomocí vlastních úkolů a datových sad. Považujte každý krok za důkazní bránu: pokud nejsou splněna kritéria, pozastavte zavádění, uzavřete mezeru a teprve poté rozšiřte využití.
Před integrací si přečtěte podmínky ochrany soukromí, zabezpečení a právní podmínky.
Před integrací si přečtěte podmínky ochrany soukromí, zabezpečení a právní podmínky. Považujte každý krok za důkazní bránu: pokud nejsou splněna kritéria, pozastavte zavádění, uzavřete mezeru a teprve poté rozšiřte využití.
Udržujte záložní plán napříč modely nebo dodavateli.
Udržujte záložní plán napříč modely nebo dodavateli. Považujte každý krok za důkazní bránu: pokud nejsou splněna kritéria, pozastavte zavádění, uzavřete mezeru a teprve poté rozšiřte využití.
Sledujte poznámky k vydání, aby změny plánu nepřekvapily týmy.
Sledujte poznámky k vydání, aby změny plánu nepřekvapily týmy. Považujte každý krok za důkazní bránu: pokud nejsou splněna kritéria, pozastavte zavádění, uzavřete mezeru a teprve poté rozšiřte využití.