Als nächstesNächster Leitfaden
Grundlagen des maschinellen Lernens
Grundlagen
Leitfaden für Unternehmen
Insitro Maschinelles Lernen Biologie
Insitro kombiniert umfangreiche menschliche genetische und zelluläre Daten mit maschinellem Lernen, um bessere Angriffspunkte für Medikamente und die Patienten zu finden, die am wahrscheinlichsten darauf ansprechen.
Auf dieser Seite2 Minuten gelesen
Übersicht
It matters because it tackles the biggest reason drugs fail — picking the wrong target — by grounding discovery in real human biology.
Tiefer Einblick
Insitro wurde 2018 von der Computerbiologin und ehemaligen Stanford- und Coursera-Leiterin Daphne Koller gegründet und entwickelte sich zu einem Arzneimittelforschungsunternehmen, bei dem maschinelles Lernen an erster Stelle steht. Die Kernidee besteht darin, intern riesige, speziell angefertigte Datensätze zu generieren – unter Verwendung von aus menschlichen Stammzellen gewonnenen („in vitro“) Krankheitsmodellen, High-Content-Bildgebung und „Omics“-Messungen – und sie mit riesigen menschlichen genetischen und klinischen Kohorten wie der britischen Biobank zu koppeln. Maschinelles Lernen verknüpft dann molekulare und zelluläre Signaturen mit Krankheiten und hilft dabei, Ziele zu identifizieren, von denen die Genetik vermuten lässt, dass sie tatsächlich Krankheiten verursachen, und Patienten in Untergruppen einzuteilen. Der Name selbst vermischt „in silico“ (Berechnung) und „in vitro“ (Laborbiologie). Insitro hat mit Gilead und Bristol Myers Squibb zusammengearbeitet und konzentriert sich auf Bereiche wie Stoffwechsel-, Leber- und neurodegenerative Erkrankungen.
Strategische Auswirkungen
Anbieterstrategie
Anbieter-Roadmaps beeinflussen, welche Funktionen Ihr Team als Nächstes entwickeln kann.
Kosten und Budget
Kommerzielle Bedingungen und Bereitstellungsoptionen wirken sich auf die langfristigen Kosten und Risiken aus.
Risiko und Sicherheit
Unternehmensanreize prägen Produktstandards, Sicherheitslage und Offenheit.
Die Zukunft der Insitro-Biologie des maschinellen Lernens
Insitro drängt auf Vorhersagemodelle, die den Genotyp mit dem zellulären Phänotyp und dem Patientenergebnis in Verbindung bringen und so eine Zielauswahl und Patientenstratifizierung vor kostspieligen Studien ermöglichen. Erwarten Sie eine umfassendere Nutzung von Grundlagenmodellen in den Bereichen Bildgebung und Omics, mehr Biobank-Verknüpfungen und die Weiterentwicklung interner Pipeline-Kandidaten. Die größte Herausforderung besteht darin, den Kreislauf zu schließen: zu beweisen, dass KI-nominierte, genetisch gestützte Ziele zu zugelassenen Medikamenten führen, die bei den richtigen Patienten wirken.
Reale Umsetzung
Trainieren Sie Modelle auf Leber-MRT-Scans, um quantitative Phänotypen zu erstellen, und führen Sie dann genetische Assoziationsstudien durch, um Wirkstoffziele für Lebererkrankungen zu finden.
Verwendung menschlicher Stammzellen-Neuronen zur Modellierung von ALS und anderen neurodegenerativen Erkrankungen für die ML-Analyse.
Partnerschaft mit Gilead zur Entdeckung von Angriffspunkten für nichtalkoholische Steatohepatitis (NASH) und Leberfibrose.
Einteilung der Patienten in genetische Untergruppen, um vorherzusagen, wer auf eine bestimmte Therapie ansprechen wird.
Risiken und Leitplanken
Markteinführungsankündigungen können die Stabilität realer Produktionsabläufe übertreffen.
API-Preise oder Richtlinienänderungen können Annahmen über Nacht zunichte machen.
Die Abhängigkeit von einem einzigen Anbieter erhöht die Bindungs- und Migrationskosten.
Implementierungs-Roadmap
Bewerten Sie Anbieter anhand Ihrer eigenen Aufgaben und Datensätze.
Lesen Sie vor der Integration Datenschutz, Sicherheit und rechtliche Bestimmungen.
Pflegen Sie einen Fallback-Plan für alle Modelle oder Anbieter.
Überwachen Sie die Versionshinweise, damit Roadmap-Änderungen die Teams nicht überraschen.
Entdecken Sie weiter
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
Häufig gestellte Fragen
What is Insitro Machine Learning Biology?
Insitro kombiniert umfangreiche menschliche genetische und zelluläre Daten mit maschinellem Lernen, um bessere Angriffspunkte für Medikamente und die Patienten zu finden, die am wahrscheinlichsten darauf ansprechen. Es ist wichtig, weil es den Hauptgrund für das Scheitern von Medikamenten bekämpft – die Auswahl des falschen Ziels –, indem es die Entdeckung auf der realen menschlichen Biologie gründet.
Was vereint der Name „Insitro“?
Der Name verbindet „in silico“-Berechnungen mit „in vitro“-Laborbiologie und spiegelt den ML-plus-Experiment-Ansatz wider.
Wer hat Insitro gegründet?
Daphne Koller, eine Computerbiologin und ehemalige Mitbegründerin von Coursera, gründete Insitro im Jahr 2018.
Warum legt Insitro bei der Zielauswahl Wert auf die Humangenetik?
Ziele, die durch humangenetische Beweise gestützt werden, sind mit weitaus größerer Wahrscheinlichkeit tatsächlich kausal, was das Versagen von Arzneimitteln verringert.
Was ist ein „Machine-Learning-Phänotyp“, wie Insitro ihn verwendet?
Insitro leitet mithilfe von ML quantitative Merkmale aus Bildern ab und untersucht dann deren genetische Zusammenhänge.
Welche große menschliche Kohorte wird üblicherweise für genetische Studien im Biobank-Maßstab wie die von Insitro verwendet?
Die britische Biobank verknüpft genetische, bildgebende und Gesundheitsdaten von Hunderttausenden Menschen.
Lerne weiter
Verwandte Leitfäden
Weitere Leitfäden zu diesem Thema ausgewählt