ΕπόμενοΕπόμενος οδηγός
Βασικά στοιχεία μηχανικής μάθησης
Βασικές αρχές
ΟΔΗΓΟΣ Εταιρειών
Βιολογία Μηχανικής Μάθησης Insitro
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.
Ακούστε αυτόν τον οδηγόαφήγηση με AI · ~2 min
Σε αυτήν τη σελίδα2 λεπτά ανάγνωση
Επισκόπηση
Έχει σημασία γιατί αντιμετωπίζει τον μεγαλύτερο λόγο για τον οποίο αποτυγχάνουν τα φάρμακα - επιλέγοντας τον λάθος στόχο - θεμελιώνοντας την ανακάλυψη στην πραγματική ανθρώπινη βιολογία.
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.
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.
The Future of Insitro Machine Learning Biology
Η Insitro πιέζει προς μοντέλα πρόβλεψης που συνδέουν τον γονότυπο με τον κυτταρικό φαινότυπο με την έκβαση του ασθενούς, επιτρέποντας την επιλογή στόχου και τη διαστρωμάτωση του ασθενούς πριν από δαπανηρές δοκιμές. Αναμένετε βαθύτερη χρήση των μοντέλων θεμελίωσης σε απεικόνιση και omics, περισσότερες συνδέσεις βιοτράπεζων και προχωρημένους υποψηφίους εσωτερικού αγωγού. Η βασική πρόκληση είναι το κλείσιμο του βρόχου: η απόδειξη ότι οι στόχοι που ορίζονται από την τεχνητή νοημοσύνη και υποστηρίζονται από τη γενετική μεταφράζονται σε εγκεκριμένα φάρμακα που λειτουργούν στους σωστούς ασθενείς.
Κάνοντάς το στην πράξη
Γιατί έχει σημασία
- Στρατηγική προμηθευτή. Οι χάρτες πορείας προμηθευτών επηρεάζουν τα χαρακτηριστικά που μπορεί να δημιουργήσει η ομάδα σας στη συνέχεια.
- Κόστος και προϋπολογισμός. Οι εμπορικοί όροι και οι επιλογές ανάπτυξης επηρεάζουν το μακροπρόθεσμο κόστος και τον κίνδυνο.
- Κίνδυνος και ασφάλεια. Τα κίνητρα της εταιρείας διαμορφώνουν τις προεπιλογές προϊόντων, τη στάση ασφαλείας και τη διαφάνεια.
Προσέξτε
- 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.
Επόμενα βήματα
- Αξιολογήστε τους παρόχους χρησιμοποιώντας τις δικές σας εργασίες και σύνολα δεδομένων.
- Ελέγξτε το απόρρητο, την ασφάλεια και τους νομικούς όρους πριν από την ενσωμάτωση.
- Διατηρήστε ένα εναλλακτικό σχέδιο σε μοντέλα ή προμηθευτές.
- Παρακολουθήστε τις σημειώσεις έκδοσης, ώστε οι αλλαγές στον οδικό χάρτη να μην εκπλήσσουν τις ομάδες.
Συνεχίστε την εξερεύνηση
Δωρεάν ενημερωτικό δελτίο
Λάβετε την καθημερινή ενημέρωση AI
Τρία επαληθευμένα νέα AI κάθε πρωί της εβδομάδας, γραμμένα σε απλή αγγλική. Δωρεάν για πάντα, χωρίς διαφημίσεις.
Ένα email κάθε εργάσιμη ημέρα. Κατάργηση συνδρομής με ένα κλικ. Δεν πουλάμε ή μοιραζόμαστε ποτέ τη διεύθυνσή σας.
Δοκιμάστε τον εαυτό σας
Take the Insitro Machine Learning Biology quiz
Άμεση ανάδραση σε κάθε απάντηση, και πιστοποιητικό με επαληθεύσιμο ID μόλις περάσετε το μάθημα.
Υποστηρίξτε τη δωρεάν εκπαίδευση AI. AI Understanding είναι μια μη κερδοσκοπική οργάνωση 501(c)(3) — χωρίς διαφημίσεις, χωρίς τοίχο πληρωμής, ποτέ. Κάντε μια δωρεά
Συχνές ερωτήσεις
Τι είναι η 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.
Τι συνδυάζει το όνομα 'Insitro';
Το όνομα συνδυάζει τον υπολογισμό "in silico" με την εργαστηριακή βιολογία "in vitro", αποτυπώνοντας την προσέγγισή του με το ML-plus-experiment.
Ποιος ίδρυσε την Insitro;
Η Daphne Koller, υπολογιστική βιολόγος και πρώην συνιδρυτής της Coursera, ίδρυσε την Insitro το 2018.
Γιατί το Insitro δίνει έμφαση στην ανθρώπινη γενετική στην επιλογή στόχου;
Οι στόχοι που υποστηρίζονται από ανθρώπινα γενετικά στοιχεία είναι πολύ πιο πιθανό να είναι πραγματικά αιτιώδεις, μειώνοντας την αποτυχία του φαρμάκου.
Τι είναι ο «φαινότυπος μηχανικής μάθησης» όπως τον χρησιμοποιεί το Insitro;
Το Insitro αντλεί ποσοτικά χαρακτηριστικά από εικόνες που χρησιμοποιούν ML και στη συνέχεια μελετά τις γενετικές τους συσχετίσεις.
Ποια μεγάλη ανθρώπινη κοόρτη χρησιμοποιείται συνήθως για γενετικές μελέτες κλίμακας βιοτράπεζων όπως αυτή του Insitro;
Η Biobank του Ηνωμένου Βασιλείου συνδέει γενετικά, απεικονιστικά δεδομένα και δεδομένα υγείας για εκατοντάδες χιλιάδες ανθρώπους.
Συνέχισε να μαθαίνεις
Σχετικοί οδηγοί
Επιλέχθηκαν περισσότεροι οδηγοί για αυτό το θέμα