A continuaciónSiguiente guía
Conceptos básicos del aprendizaje automático
Fundamentos
GUÍA de empresas
Biología del aprendizaje automático de Insitro
Insitro fusiona datos celulares y genéticos humanos a gran escala con el aprendizaje automático para encontrar mejores objetivos farmacológicos y los pacientes con mayor probabilidad de responder.
En esta pagina2 minutos de lectura
Descripción general
It matters because it tackles the biggest reason drugs fail — picking the wrong target — by grounding discovery in real human biology.
Buceo profundo
Fundada en 2018 por la bióloga computacional y exlíder de Stanford y Coursera, Daphne Koller, Insitro se construyó como una empresa de descubrimiento de fármacos que prioriza el aprendizaje automático. Su idea central es generar enormes conjuntos de datos específicos internamente (utilizando modelos de enfermedades derivadas de células madre humanas ("in vitro"), imágenes de alto contenido y mediciones ómicas) y combinarlos con cohortes genéticas y clínicas humanas masivas como el Biobanco del Reino Unido. Luego, el aprendizaje automático vincula las firmas moleculares y celulares con la enfermedad, lo que ayuda a identificar objetivos que, según la genética, realmente causan la enfermedad y a estratificar a los pacientes en subgrupos. El nombre en sí combina "in silico" (computación) e "in vitro" (biología de laboratorio). Insitro se ha asociado con Gilead y Bristol Myers Squibb y se centra en áreas como enfermedades metabólicas, hepáticas y neurodegenerativas.
Impacto Estratégico
Estrategia del proveedor
Las hojas de ruta de los proveedores influyen en las funciones que su equipo puede desarrollar a continuación.
Costo y presupuesto
Los términos comerciales y las opciones de implementación afectan los costos y riesgos a largo plazo.
Riesgo y seguridad
Los incentivos de las empresas dan forma a los incumplimientos de los productos, la postura de seguridad y la apertura.
El futuro de la biología del aprendizaje automático de Insitro
Insitro está impulsando modelos predictivos que conectan el genotipo con el fenotipo celular y el resultado del paciente, permitiendo la selección de objetivos y la estratificación de los pacientes antes de costosos ensayos. Espere un uso más profundo de los modelos básicos en imágenes y ómicas, más vínculos con biobancos y candidatos en desarrollo internos. El desafío clave es cerrar el círculo: demostrar que los objetivos respaldados genéticamente y nominados por IA se traducen en medicamentos aprobados que funcionan en los pacientes adecuados.
Implementación en el mundo real
Entrenar modelos en exploraciones por resonancia magnética del hígado para crear fenotipos cuantitativos y luego realizar estudios de asociación genética para encontrar objetivos farmacológicos para la enfermedad hepática.
Uso de neuronas derivadas de células madre humanas para modelar la ELA y otras enfermedades neurodegenerativas para el análisis de ML.
Asociación con Gilead para descubrir objetivos para la esteatohepatitis no alcohólica (NASH) y la fibrosis hepática.
Estratificar a los pacientes en subgrupos genéticos para predecir quién responderá a una terapia determinada.
Riesgos y barandillas
Los anuncios de lanzamiento pueden superar la estabilidad en los flujos de trabajo de producción reales.
Los precios de API o los cambios de políticas pueden romper los supuestos de la noche a la mañana.
La dependencia de un único proveedor aumenta los costos de bloqueo y migración.
Hoja de ruta de implementación
Evalúe proveedores utilizando sus propias tareas y conjuntos de datos.
Revise los términos legales, de seguridad y de privacidad antes de la integración.
Mantenga un plan alternativo entre modelos o proveedores.
Supervise las notas de la versión para que los cambios en la hoja de ruta no sorprendan a los equipos.
Sigue explorando
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
Preguntas frecuentes
What is Insitro Machine Learning Biology?
Insitro fusiona datos celulares y genéticos humanos a gran escala con el aprendizaje automático para encontrar mejores objetivos farmacológicos y los pacientes con mayor probabilidad de responder. Es importante porque aborda la principal razón por la que fallan los medicamentos: elegir el objetivo equivocado, al fundamentar el descubrimiento en la biología humana real.
¿Qué combina el nombre 'Insitro'?
El nombre combina la computación "in silico" con la biología de laboratorio "in vitro", capturando su enfoque de aprendizaje automático más experimento.
¿Quién fundó Insitro?
Daphne Koller, bióloga computacional y ex cofundadora de Coursera, fundó Insitro en 2018.
¿Por qué Insitro enfatiza la genética humana en la selección de objetivos?
Es mucho más probable que los objetivos respaldados por evidencia genética humana sean genuinamente causales, lo que reduce el fracaso de los medicamentos.
¿Qué es un 'fenotipo de aprendizaje automático' tal como lo utiliza Insitro?
Insitro deriva rasgos cuantitativos de imágenes utilizando ML y luego estudia sus asociaciones genéticas.
¿Qué gran cohorte humana se utiliza habitualmente para estudios genéticos a escala de biobanco como el de Insitro?
El Biobanco del Reino Unido vincula datos genéticos, de imágenes y de salud de cientos de miles de personas.
sigue aprendiendo
Guías relacionadas
Más guías seleccionadas para este tema.