Descripción general
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.
La biología del aprendizaje automático de Insitro se comprende mejor en el contexto de la estrategia, el acceso a modelos, las decisiones sobre plataformas y las asociaciones de ecosistemas.
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.
Información técnica
Un método característico de Insitro utiliza el aprendizaje automático en imágenes médicas (por ejemplo, modelos profundos que leen resonancia magnética hepática o histopatología) para derivar "fenotipos de aprendizaje automático" cuantitativos. La realización de estudios de asociación de todo el genoma contra estos rasgos derivados de la IA en poblaciones a escala de biobanco puede sacar a la luz variantes genéticas y, por lo tanto, objetivos causales, que las etiquetas clínicas crudas pasan por alto. Esto combina la genética humana, la evidencia más sólida de que un objetivo importa, con una rica resolución fenotípica de la IA.
Dominar la 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. 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. La biología del aprendizaje automático de Insitro se comprende mejor en el contexto de la estrategia, el acceso a modelos, las decisiones sobre plataformas y las asociaciones de ecosistemas. Para generar una comprensión profunda, trate la biología de aprendizaje automático de Insitro como un modelo operativo, no como una característica única: defina los resultados deseados, aclare las suposiciones y separe lo que el sistema puede hacer de manera confiable de lo que aún requiere el juicio de expertos.
En la práctica, equipos sólidos que utilizan Insitro Machine Learning Biology evalúan la estrategia del proveedor, la confiabilidad de la hoja de ruta y el riesgo de bloqueo antes de comprometerse. Documentan criterios de éxito explícitos, se prueban con datos y flujos de trabajo realistas y se iteran en función de patrones de error observados en lugar de victorias de referencia únicas. Aquí es donde la comprensión teórica se convierte en una capacidad duradera en todos los productos, políticas y operaciones.
Las hojas de ruta de los proveedores influyen en las funciones que su equipo puede desarrollar a continuación. Al mismo tiempo, los anuncios de lanzamiento pueden superar la estabilidad en los flujos de trabajo de producción reales. El enfoque más resiliente es combinar la velocidad de experimentación con la disciplina de gobernanza: ejecutar pilotos, capturar evidencia, publicar registros de decisiones y actualizar continuamente las salvaguardas a medida que evolucionan el comportamiento del modelo, las expectativas de los usuarios y los requisitos regulatorios.
Impacto Estratégico
Las hojas de ruta de los proveedores influyen en las funciones que su equipo puede desarrollar a continuación.
Las hojas de ruta de los proveedores influyen en las funciones que su equipo puede desarrollar a continuación. En implementaciones de alta calidad, esto se traduce en reglas operativas mensurables, límites de propiedad y rituales de revisión recurrentes para que los equipos puedan aumentar la confianza en lugar de aumentar la ambigüedad.
Los términos comerciales y las opciones de implementación afectan los costos y riesgos a largo plazo.
Los términos comerciales y las opciones de implementación afectan los costos y riesgos a largo plazo. En implementaciones de alta calidad, esto se traduce en reglas operativas mensurables, límites de propiedad y rituales de revisión recurrentes para que los equipos puedan aumentar la confianza en lugar de aumentar la ambigüedad.
Los incentivos de las empresas dan forma a los incumplimientos de los productos, la postura de seguridad y la apertura.
Los incentivos de las empresas dan forma a los incumplimientos de los productos, la postura de seguridad y la apertura. En implementaciones de alta calidad, esto se traduce en reglas operativas mensurables, límites de propiedad y rituales de revisión recurrentes para que los equipos puedan aumentar la confianza en lugar de aumentar la ambigüedad.
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.
Patrones de implementación
Biología del aprendizaje automático de Insitro en la práctica
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.
Entrenar modelos en exploraciones por resonancia magnética del hígado para crear fenotipos cuantitativos y luego ejecutar estudios de asociación genética para encontrar objetivos farmacológicos para la enfermedad hepática. Los equipos generalmente obtienen mejores resultados cuando definen umbrales de calidad por adelantado, mantienen una ruta de escalada humana para casos extremos y rastrean tanto las ganancias de productividad como los costos de error a lo largo del tiempo.
Biología del aprendizaje automático de Insitro en la práctica
Uso de neuronas derivadas de células madre humanas para modelar la ELA y otras enfermedades neurodegenerativas para el análisis de ML.
Uso de neuronas derivadas de células madre humanas para modelar la ELA y otras enfermedades neurodegenerativas para el análisis de aprendizaje automático. Los equipos generalmente obtienen mejores resultados cuando definen umbrales de calidad por adelantado, mantienen una ruta de escalada humana para casos extremos y realizan un seguimiento tanto de las ganancias de productividad como de los costos de error a lo largo del tiempo.
Biología del aprendizaje automático de Insitro en la práctica
Asociación con Gilead para descubrir objetivos para la esteatohepatitis no alcohólica (NASH) y la fibrosis hepática.
Asociación con Gilead para descubrir objetivos para la esteatohepatitis no alcohólica (NASH) y la fibrosis hepática. Los equipos generalmente obtienen mejores resultados cuando definen umbrales de calidad por adelantado, mantienen una ruta de escalada humana para casos extremos y realizan un seguimiento tanto de las ganancias de productividad como de los costos de error a lo largo del tiempo.
Biología del aprendizaje automático de Insitro en la práctica
Estratificar a los pacientes en subgrupos genéticos para predecir quién responderá a una terapia determinada.
Estratificar a los pacientes en subgrupos genéticos para predecir quién responderá a una terapia determinada. Los equipos generalmente obtienen mejores resultados cuando definen umbrales de calidad por adelantado, mantienen una ruta de escalada humana para los casos extremos y realizan un seguimiento tanto de las ganancias de productividad como de los costos de error a lo largo del tiempo.
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.
Evalúe proveedores utilizando sus propias tareas y conjuntos de datos. Trate cada paso como una puerta de evidencia: si no se cumplen los criterios, suspenda la implementación, cierre la brecha y solo entonces amplíe el uso.
Revise los términos legales, de seguridad y de privacidad antes de la integración.
Revise los términos legales, de seguridad y de privacidad antes de la integración. Trate cada paso como una puerta de evidencia: si no se cumplen los criterios, suspenda la implementación, cierre la brecha y solo entonces amplíe el uso.
Mantenga un plan alternativo entre modelos o proveedores.
Mantenga un plan alternativo entre modelos o proveedores. Trate cada paso como una puerta de evidencia: si no se cumplen los criterios, suspenda la implementación, cierre la brecha y solo entonces amplíe el uso.
Supervise las notas de la versión para que los cambios en la hoja de ruta no sorprendan a los equipos.
Supervise las notas de la versión para que los cambios en la hoja de ruta no sorprendan a los equipos. Trate cada paso como una puerta de evidencia: si no se cumplen los criterios, suspenda la implementación, cierre la brecha y solo entonces amplíe el uso.