Insitro Machine Learning Biologie
Insitro fusionne des données génétiques et cellulaires humaines à grande échelle avec l'apprentissage automatique pour trouver de meilleures cibles médicamenteuses et les patients les plus susceptibles d'y répondre.
Aperçu
It matters because it tackles the biggest reason drugs fail — picking the wrong target — by grounding discovery in real human biology.
Plongée profonde
Fondée en 2018 par Daphne Koller, biologiste computationnelle et ancienne dirigeante de Stanford et Coursera, Insitro s'est construite comme une société de découverte de médicaments « axée sur l'apprentissage automatique ». Son idée principale est de générer en interne d’énormes ensembles de données spécialement conçus – en utilisant des modèles de maladies dérivés de cellules souches humaines (« in vitro »), des images à haut contenu et des mesures « omiques » – et de les associer à d’énormes cohortes génétiques et cliniques humaines comme la biobanque britannique. L’apprentissage automatique relie ensuite les signatures moléculaires et cellulaires à la maladie, aidant ainsi à identifier les cibles qui, selon la génétique, sont réellement à l’origine de la maladie et à stratifier les patients en sous-groupes. Le nom lui-même mélange « in silico » (calcul) et « in vitro » (biologie de laboratoire). Insitro s'est associé à Gilead et Bristol Myers Squibb et se concentre sur des domaines tels que les maladies métaboliques, hépatiques et neurodégénératives.
Aperçu technique
Une méthode signature d'Insitro utilise l'apprentissage automatique sur des images médicales – par exemple, des modèles profonds lisant l'IRM du foie ou l'histopathologie – pour dériver des « phénotypes d'apprentissage automatique » quantitatifs. La réalisation d’études d’association à l’échelle du génome contre ces traits dérivés de l’IA dans des populations à l’échelle d’une biobanque peut faire apparaître des variantes génétiques, et donc des cibles causales, que les étiquettes cliniques grossières manquent. Cela associe la génétique humaine, la preuve la plus solide de l’importance d’une cible, à la riche résolution phénotypique de l’IA.
Impact stratégique
Stratégie du fournisseur
Les feuilles de route des fournisseurs influencent les fonctionnalités que votre équipe peut ensuite créer.
Coût et budget
Les conditions commerciales et les options de déploiement affectent les coûts et les risques à long terme.
Risques et sécurité
Les incitations des entreprises façonnent les défauts des produits, la posture de sécurité et l’ouverture.
L'avenir de la biologie de l'apprentissage automatique Insitro
Insitro s'oriente vers des modèles prédictifs qui relient le génotype au phénotype cellulaire et aux résultats pour les patients, permettant ainsi la sélection des cibles et la stratification des patients avant des essais coûteux. Attendez-vous à une utilisation plus approfondie des modèles de base en matière d’imagerie et d’omiques, à davantage de liens avec les biobanques et à l’avancement des candidats internes au pipeline. Le principal défi consiste à boucler la boucle : prouver que les cibles désignées par l’IA et fondées sur la génétique se traduisent en médicaments approuvés qui fonctionnent chez les bons patients.
Mise en œuvre dans le monde réel
Former des modèles sur les IRM du foie pour créer des phénotypes quantitatifs, puis mener des études d'association génétique pour trouver des cibles médicamenteuses pour les maladies du foie.
Utilisation de neurones dérivés de cellules souches humaines pour modéliser la SLA et d'autres maladies neurodégénératives pour l'analyse ML.
Partenariat avec Gilead pour découvrir des cibles contre la stéatohépatite non alcoolique (NASH) et la fibrose hépatique.
Stratifier les patients en sous-groupes génétiques pour prédire qui répondra à une thérapie donnée.
Risques et garde-fous
Les annonces de lancement peuvent dépasser la stabilité des flux de production réels.
La tarification des API ou les changements de politique peuvent briser les hypothèses du jour au lendemain.
La dépendance à un seul fournisseur augmente les coûts de verrouillage et de migration.
Feuille de route de mise en œuvre
Évaluez les fournisseurs à l’aide de vos propres tâches et ensembles de données.
Vérifiez les conditions de confidentialité, de sécurité et juridiques avant l’intégration.
Maintenez un plan de secours entre les modèles ou les fournisseurs.
Surveillez les notes de version afin que les modifications de la feuille de route ne surprennent pas les équipes.
Continuez à explorer
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
Guide suivant
Bases de l'apprentissage automatique
Questions fréquemment posées
What is Insitro Machine Learning Biology?
Insitro fusionne des données génétiques et cellulaires humaines à grande échelle avec l'apprentissage automatique pour trouver de meilleures cibles médicamenteuses et les patients les plus susceptibles d'y répondre. C’est important parce qu’il s’attaque à la principale raison pour laquelle les médicaments échouent – choisir la mauvaise cible – en ancré la découverte dans la vraie biologie humaine.
Que combine le nom « Insitro » ?
Le nom associe le calcul « in silico » à la biologie de laboratoire « in vitro », capturant ainsi son approche ML-plus-expérimentation.
Qui a fondé Insitro ?
Daphne Koller, biologiste computationnelle et ancienne co-fondatrice de Coursera, a fondé Insitro en 2018.
Pourquoi Insitro met-il l’accent sur la génétique humaine dans la sélection des cibles ?
Les cibles étayées par des preuves génétiques humaines sont bien plus susceptibles d’être véritablement causales, réduisant ainsi l’échec des médicaments.
Qu’est-ce qu’un « phénotype d’apprentissage automatique » tel qu’Insitro l’utilise ?
Insitro dérive des traits quantitatifs à partir d'images à l'aide du ML, puis étudie leurs associations génétiques.
Quelle grande cohorte humaine est couramment utilisée pour les études génétiques à l’échelle des biobanques comme celles d’Insitro ?
La biobanque britannique relie les données génétiques, d’imagerie et de santé de centaines de milliers de personnes.