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.
Přehled
It matters because it tackles the biggest reason drugs fail — picking the wrong target — by grounding discovery in real human biology.
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.
Strategický dopad
Strategie dodavatelů
Plány dodavatelů ovlivňují, jaké funkce může váš tým dále vybudovat.
Cena a rozpočet
Komerční podmínky a možnosti nasazení ovlivňují dlouhodobé náklady a rizika.
Riziko a bezpečnost
Firemní pobídky utvářejí výchozí produkty, bezpečný postoj a otevřenost.
Budoucnost insitro biologie strojového učení
Insitro tlačí na prediktivní modely, které spojují genotyp s buněčným fenotypem a výsledkem pacienta, což umožňuje výběr cíle a stratifikaci pacienta před nákladnými studiemi. Očekávejte hlubší využití základních modelů napříč zobrazováním a omiky, více propojení biobank a postupující kandidáty na interní potrubí. Klíčovou výzvou je uzavření smyčky: dokázat, že cíle nominované umělou inteligencí a podporované genetikou se promítají do schválených léků, které fungují u správných pacientů.
Real-World Implementace
Trénink modelů na MRI skenech jater k 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.
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.
Před integrací si přečtěte podmínky ochrany soukromí, zabezpečení a právní podmínky.
Udržujte záložní plán napříč modely nebo dodavateli.
Sledujte poznámky k vydání, aby změny plánu nepřekvapily týmy.
Pokračujte v objevování
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
Další průvodce
Základy strojového učení
Často kladené otázky
What is Insitro Machine Learning Biology?
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.
Co spojuje název „Insitro“?
Název spojuje výpočty „in silico“ s laboratorní biologií „in vitro“ a zachycuje její přístup ML-plus-experiment.
Kdo založil Insitro?
Daphne Koller, počítačová bioložka a bývalá spoluzakladatelka Coursera, založila Insitro v roce 2018.
Proč Insitro při výběru cíle klade důraz na lidskou genetiku?
Cíle podporované lidskými genetickými důkazy jsou mnohem pravděpodobněji skutečně kauzální, což snižuje selhání léků.
Co je to „fenotyp strojového učení“, jak jej Insitro používá?
Insitro odvozuje kvantitativní znaky z obrázků pomocí ML a poté studuje jejich genetické asociace.
Která velká lidská kohorta se běžně používá pro genetické studie v biobankách, jako je Insitro?
Biobanka Spojeného království propojuje genetická, zobrazovací a zdravotní data pro stovky tisíc lidí.