Επισκόπηση
Το Insitro συνδυάζει μεγάλης κλίμακας ανθρώπινα γενετικά και κυτταρικά δεδομένα με μηχανική μάθηση για να βρει καλύτερους στόχους φαρμάκων και τους ασθενείς που είναι πιο πιθανό να ανταποκριθούν. Έχει σημασία γιατί αντιμετωπίζει τον μεγαλύτερο λόγο για τον οποίο αποτυγχάνουν τα φάρμακα - επιλέγοντας τον λάθος στόχο - θεμελιώνοντας την ανακάλυψη στην πραγματική ανθρώπινη βιολογία.
Η Insitro Machine Learning Biology γίνεται καλύτερα κατανοητή στο πλαίσιο της στρατηγικής, της πρόσβασης μοντέλων, των αποφάσεων πλατφόρμας και των συνεργασιών οικοσυστήματος.
Βαθιά κατάδυση
Ιδρύθηκε το 2018 από την υπολογιστική βιολόγο και πρώην ηγέτη των Stanford και Coursera, Daphne Koller, η Insitro χτίστηκε ως εταιρεία ανακάλυψης φαρμάκων «πρώτα από τη μηχανή εκμάθησης». Η βασική του ιδέα είναι να δημιουργήσει τεράστια, ειδικά κατασκευασμένα σύνολα δεδομένων εσωτερικά — χρησιμοποιώντας μοντέλα ασθενειών που προέρχονται από ανθρώπινα βλαστοκύτταρα («in vitro»), απεικόνιση υψηλού περιεχομένου και «μετρήσεις ωμικής» — και να τα συνδυάσει με τεράστιες ανθρώπινες γενετικές και κλινικές κοόρτες όπως η UK Biobank. Στη συνέχεια, η μηχανική μάθηση συνδέει τις μοριακές και κυτταρικές υπογραφές με τις ασθένειες, βοηθώντας στον εντοπισμό στόχων που η γενετική υποδεικνύει ότι προκαλούν πραγματικά ασθένεια και στη διαστρωμάτωση των ασθενών σε υποομάδες. Το ίδιο το όνομα συνδυάζει «in silico» (υπολογισμός) και «in vitro» (εργαστηριακή βιολογία). Η Insitro έχει συνεργαστεί με τη Gilead και το Bristol Myers Squibb και εστιάζει σε τομείς όπως οι μεταβολικές, το ήπαρ και οι νευροεκφυλιστικές ασθένειες.
Τεχνική διορατικότητα
Μια μέθοδος Insitro με υπογραφή χρησιμοποιεί μηχανική μάθηση σε ιατρικές εικόνες — για παράδειγμα, βαθιά μοντέλα που διαβάζουν μαγνητική τομογραφία ήπατος ή ιστοπαθολογία — για να εξαγάγει ποσοτικούς «φαινότυπους μηχανικής μάθησης». Η εκτέλεση μελετών συσχέτισης σε όλο το γονιδίωμα εναντίον αυτών των χαρακτηριστικών που προέρχονται από την τεχνητή νοημοσύνη σε πληθυσμούς κλίμακας βιοτράπεζων μπορεί να εμφανίσει γενετικές παραλλαγές, και επομένως αιτιακούς στόχους, που χάνουν οι ακατέργαστες κλινικές ετικέτες. Αυτό συνδυάζει την ανθρώπινη γενετική, την ισχυρότερη απόδειξη ότι ένας στόχος έχει σημασία, με πλούσια φαινοτυπική ανάλυση από την τεχνητή νοημοσύνη.
Mastering Insitro Machine Learning Biology
Το Insitro συνδυάζει μεγάλης κλίμακας ανθρώπινα γενετικά και κυτταρικά δεδομένα με μηχανική μάθηση για να βρει καλύτερους στόχους φαρμάκων και τους ασθενείς που είναι πιο πιθανό να ανταποκριθούν. Έχει σημασία γιατί αντιμετωπίζει τον μεγαλύτερο λόγο για τον οποίο αποτυγχάνουν τα φάρμακα - επιλέγοντας τον λάθος στόχο - θεμελιώνοντας την ανακάλυψη στην πραγματική ανθρώπινη βιολογία. Η Insitro Machine Learning Biology γίνεται καλύτερα κατανοητή στο πλαίσιο της στρατηγικής, της πρόσβασης μοντέλων, των αποφάσεων πλατφόρμας και των συνεργασιών οικοσυστήματος. Για να αποκτήσετε βαθιά κατανόηση, αντιμετωπίστε το Insitro Machine Learning Biology ως λειτουργικό μοντέλο, όχι ως ένα μεμονωμένο χαρακτηριστικό: ορίστε τα επιθυμητά αποτελέσματα, διευκρινίστε τις υποθέσεις και διαχωρίστε τι μπορεί να κάνει το σύστημα με αξιοπιστία από αυτό που απαιτεί ακόμα την κρίση των ειδικών.
Στην πράξη, ισχυρές ομάδες που χρησιμοποιούν Insitro Machine Learning Biology αξιολογούν τη στρατηγική του προμηθευτή, την αξιοπιστία του οδικού χάρτη και τον κίνδυνο κλειδώματος πριν από τη δέσμευση. Τεκμηριώνουν ρητά κριτήρια επιτυχίας, δοκιμάζουν με ρεαλιστικά δεδομένα και ροές εργασίας και επαναλαμβάνουν με βάση τα παρατηρούμενα μοτίβα αποτυχίας και όχι τις εφάπαξ νίκες αναφοράς. Αυτό είναι όπου η θεωρητική κατανόηση μετατρέπεται σε ανθεκτική ικανότητα σε όλα τα προϊόντα, την πολιτική και τις λειτουργίες.
Οι χάρτες πορείας προμηθευτών επηρεάζουν τα χαρακτηριστικά που μπορεί να δημιουργήσει η ομάδα σας στη συνέχεια. Ταυτόχρονα, οι ανακοινώσεις εκκίνησης ενδέχεται να ξεπεράσουν τη σταθερότητα στις πραγματικές ροές εργασιών παραγωγής. Η πιο ανθεκτική προσέγγιση είναι ο συνδυασμός της ταχύτητας πειραματισμού με την πειθαρχία διακυβέρνησης: εκτέλεση πιλότων, λήψη στοιχείων, δημοσίευση αρχείων καταγραφής αποφάσεων και συνεχής ενημέρωση των διασφαλίσεων καθώς εξελίσσονται η συμπεριφορά του μοντέλου, οι προσδοκίες των χρηστών και οι ρυθμιστικές απαιτήσεις.
Στρατηγικός αντίκτυπος
Οι χάρτες πορείας προμηθευτών επηρεάζουν τα χαρακτηριστικά που μπορεί να δημιουργήσει η ομάδα σας στη συνέχεια.
Οι χάρτες πορείας προμηθευτών επηρεάζουν τα χαρακτηριστικά που μπορεί να δημιουργήσει η ομάδα σας στη συνέχεια. Σε αναπτύξεις υψηλής ποιότητας, αυτό μεταφράζεται σε μετρήσιμους κανόνες λειτουργίας, όρια ιδιοκτησίας και επαναλαμβανόμενα τελετουργικά ελέγχου, ώστε οι ομάδες να μπορούν να κλιμακώνουν την εμπιστοσύνη αντί να κλιμακώνουν την ασάφεια.
Οι εμπορικοί όροι και οι επιλογές ανάπτυξης επηρεάζουν το μακροπρόθεσμο κόστος και τον κίνδυνο.
Οι εμπορικοί όροι και οι επιλογές ανάπτυξης επηρεάζουν το μακροπρόθεσμο κόστος και τον κίνδυνο. Σε αναπτύξεις υψηλής ποιότητας, αυτό μεταφράζεται σε μετρήσιμους κανόνες λειτουργίας, όρια ιδιοκτησίας και επαναλαμβανόμενα τελετουργικά ελέγχου, ώστε οι ομάδες να μπορούν να κλιμακώνουν την εμπιστοσύνη αντί να κλιμακώνουν την ασάφεια.
Τα κίνητρα της εταιρείας διαμορφώνουν τις προεπιλογές προϊόντων, τη στάση ασφαλείας και τη διαφάνεια.
Τα κίνητρα της εταιρείας διαμορφώνουν τις προεπιλογές προϊόντων, τη στάση ασφαλείας και τη διαφάνεια. Σε αναπτύξεις υψηλής ποιότητας, αυτό μεταφράζεται σε μετρήσιμους κανόνες λειτουργίας, όρια ιδιοκτησίας και επαναλαμβανόμενα τελετουργικά ελέγχου, ώστε οι ομάδες να μπορούν να κλιμακώνουν την εμπιστοσύνη αντί να κλιμακώνουν την ασάφεια.
Υλοποίηση σε πραγματικό κόσμο
Εκπαιδεύστε μοντέλα σε σαρώσεις μαγνητικής τομογραφίας ήπατος για τη δημιουργία ποσοτικών φαινοτύπων και στη συνέχεια διεξαγωγή μελετών γενετικής συσχέτισης για εύρεση στόχων φαρμάκων για ηπατική νόσο.
Χρήση νευρώνων που προέρχονται από ανθρώπινα βλαστοκύτταρα για τη μοντελοποίηση του ALS και άλλων νευροεκφυλιστικών ασθενειών για ανάλυση ML.
Συνεργασία με τη Gilead για την ανακάλυψη στόχων για τη μη αλκοολική στεατοηπατίτιδα (NASH) και την ηπατική ίνωση.
Διαστρωμάτωση ασθενών σε γενετικές υποομάδες για την πρόβλεψη του ποιος θα ανταποκριθεί σε μια δεδομένη θεραπεία.
Πρότυπα Υλοποίησης
Insitro Machine Learning Biology στην πράξη
Εκπαιδεύστε μοντέλα σε σαρώσεις μαγνητικής τομογραφίας ήπατος για τη δημιουργία ποσοτικών φαινοτύπων και στη συνέχεια διεξαγωγή μελετών γενετικής συσχέτισης για εύρεση στόχων φαρμάκων για ηπατική νόσο.
Εκπαίδευση μοντέλων σε σαρώσεις μαγνητικής τομογραφίας ήπατος για τη δημιουργία ποσοτικών φαινοτύπων και στη συνέχεια εκτέλεση μελετών γενετικής συσχέτισης για εύρεση στόχων φαρμάκων για ηπατική νόσο.
Insitro Machine Learning Biology στην πράξη
Χρήση νευρώνων που προέρχονται από ανθρώπινα βλαστοκύτταρα για τη μοντελοποίηση του ALS και άλλων νευροεκφυλιστικών ασθενειών για ανάλυση ML.
Χρήση νευρώνων προερχόμενων από ανθρώπινα βλαστοκύτταρα για τη μοντελοποίηση του ALS και άλλων νευροεκφυλιστικών ασθενειών για ανάλυση ML Οι ομάδες συνήθως έχουν καλύτερα αποτελέσματα όταν ορίζουν κατώφλια ποιότητας εκ των προτέρων, διατηρούν μια ανθρώπινη πορεία κλιμάκωσης για περιπτώσεις αιχμής και παρακολουθούν τόσο τα κέρδη παραγωγικότητας όσο και το κόστος σφαλμάτων με την πάροδο του χρόνου.
Insitro Machine Learning Biology στην πράξη
Συνεργασία με τη Gilead για την ανακάλυψη στόχων για τη μη αλκοολική στεατοηπατίτιδα (NASH) και την ηπατική ίνωση.
Συνεργασία με τη Gilead για την ανακάλυψη στόχων για τη μη αλκοολική στεατοηπατίτιδα (NASH) και την ηπατική ίνωση Οι ομάδες συνήθως έχουν καλύτερα αποτελέσματα όταν καθορίζουν τα όρια ποιότητας εκ των προτέρων, διατηρούν μια ανθρώπινη πορεία κλιμάκωσης για περιπτώσεις αιχμής και παρακολουθούν τόσο τα κέρδη παραγωγικότητας όσο και το κόστος σφαλμάτων με την πάροδο του χρόνου.
Insitro Machine Learning Biology στην πράξη
Διαστρωμάτωση ασθενών σε γενετικές υποομάδες για την πρόβλεψη του ποιος θα ανταποκριθεί σε μια δεδομένη θεραπεία.
Διαστρωμάτωση ασθενών σε γενετικές υποομάδες για να προβλέψουν ποιος θα ανταποκριθεί σε μια δεδομένη θεραπεία Οι ομάδες συνήθως λαμβάνουν καλύτερα αποτελέσματα όταν ορίζουν κατώφλια ποιότητας εκ των προτέρων, διατηρούν μια ανθρώπινη πορεία κλιμάκωσης για τις ακραίες περιπτώσεις και παρακολουθούν τόσο τα κέρδη παραγωγικότητας όσο και το κόστος σφαλμάτων με την πάροδο του χρόνου.
Κίνδυνοι & προστατευτικά κιγκλιδώματα
Οι ανακοινώσεις κυκλοφορίας ενδέχεται να ξεπεράσουν τη σταθερότητα στις πραγματικές ροές εργασιών παραγωγής.
Η τιμολόγηση API ή οι αλλαγές πολιτικής μπορούν να σπάσουν τις υποθέσεις από τη μια μέρα στην άλλη.
Η εξάρτηση από έναν προμηθευτή αυξάνει το κόστος κλειδώματος και μετεγκατάστασης.
Οδικός Χάρτης Εφαρμογής
Αξιολογήστε τους παρόχους χρησιμοποιώντας τις δικές σας εργασίες και σύνολα δεδομένων.
Αξιολογήστε τους παρόχους χρησιμοποιώντας τις δικές σας εργασίες και σύνολα δεδομένων. Αντιμετωπίστε κάθε βήμα ως πύλη αποδείξεων: εάν δεν πληρούνται τα κριτήρια, σταματήστε την κυκλοφορία, κλείστε το κενό και μόνο τότε επεκτείνετε τη χρήση.
Ελέγξτε το απόρρητο, την ασφάλεια και τους νομικούς όρους πριν από την ενσωμάτωση.
Ελέγξτε το απόρρητο, την ασφάλεια και τους νομικούς όρους πριν από την ενσωμάτωση. Αντιμετωπίστε κάθε βήμα ως πύλη αποδείξεων: εάν δεν πληρούνται τα κριτήρια, σταματήστε την κυκλοφορία, κλείστε το κενό και μόνο τότε επεκτείνετε τη χρήση.
Διατηρήστε ένα εναλλακτικό σχέδιο σε μοντέλα ή προμηθευτές.
Διατηρήστε ένα εναλλακτικό σχέδιο σε μοντέλα ή προμηθευτές. Αντιμετωπίστε κάθε βήμα ως πύλη αποδείξεων: εάν δεν πληρούνται τα κριτήρια, σταματήστε την κυκλοφορία, κλείστε το κενό και μόνο τότε επεκτείνετε τη χρήση.
Παρακολουθήστε τις σημειώσεις έκδοσης, ώστε οι αλλαγές στον οδικό χάρτη να μην εκπλήσσουν τις ομάδες.
Παρακολουθήστε τις σημειώσεις έκδοσης, ώστε οι αλλαγές στον οδικό χάρτη να μην εκπλήσσουν τις ομάδες. Αντιμετωπίστε κάθε βήμα ως πύλη αποδείξεων: εάν δεν πληρούνται τα κριτήρια, σταματήστε την κυκλοφορία, κλείστε το κενό και μόνο τότε επεκτείνετε τη χρήση.