Áttekintés
Az Insitro nagyszabású emberi genetikai és sejtadatokat egyesít a gépi tanulással, hogy jobb gyógyszercélpontokat találjon, és a betegeket, akik a legvalószínűbben reagálnak. Ez azért fontos, mert a valódi emberi biológiára alapozva a felfedezésnek a kábítószerek kudarcának legnagyobb okát kezeli – a rossz célpont kiválasztását.
Az Insitro Machine Learning Biology leginkább a stratégia, a modellelérés, a platformdöntések és az ökoszisztéma-partnerségek összefüggésében érthető meg.
Mély merülés
A számítástechnikai biológus, a Stanford és a Coursera korábbi vezetője, Daphne Koller által 2018-ban alapított Insitro „elsőként gépi tanulással foglalkozó” gyógyszerkutató vállalattá építette fel magát. Alapötlete, hogy hatalmas, célirányosan összeállított adatkészleteket állítson elő házon belül – emberi őssejt-eredetű („in vitro”) betegségmodellek, nagy tartalmú képalkotások és „omika mérések” felhasználásával, és párosítsa azokat hatalmas humán genetikai és klinikai csoportokkal, mint például a UK Biobank. A gépi tanulás ezután összekapcsolja a molekuláris és sejtes aláírásokat a betegségekkel, segít azonosítani azokat a célpontokat, amelyek a genetika szerint valóban betegséget okoznak, és a betegeket alcsoportokba sorolja. Maga a név keveri az „in silico” (számítás) és az „in vitro” (laboratóriumi biológia) szavakat. Az Insitro a Gilead és a Bristol Myers Squibb partnerei közé tartozik, és olyan területekre összpontosít, mint az anyagcsere-, máj- és neurodegeneratív betegségek.
Technikai betekintés
Egy jellegzetes Insitro módszer gépi tanulást használ orvosi képeken – például máj MRI-t vagy hisztopatológiát leolvasó mélymodelleket – a kvantitatív „gépi tanulási fenotípusok” származtatására. A genomszintű asszociációs vizsgálatok ezen AI-eredetű tulajdonságok ellen a biobank-méretű populációkban olyan genetikai variánsokat, és ezáltal ok-okozati célokat is felszínre hozhatnak, amelyeket a nyers klinikai címkék figyelmen kívül hagynak. Ez párosítja az emberi genetikát, amely a legerősebb bizonyíték arra, hogy a célpont számít, és az AI gazdag fenotípusos felbontása.
Insitro gépi tanulási biológia elsajátítása
Az Insitro nagyszabású emberi genetikai és sejtadatokat egyesít a gépi tanulással, hogy jobb gyógyszercélpontokat találjon, és a betegeket, akik a legvalószínűbben reagálnak. Ez azért fontos, mert a valódi emberi biológiára alapozva a felfedezésnek a kábítószerek kudarcának legnagyobb okát kezeli – a rossz célpont kiválasztását. Az Insitro Machine Learning Biology leginkább a stratégia, a modellelérés, a platformdöntések és az ökoszisztéma-partnerségek összefüggésében érthető meg. A mélyebb megértés kialakítása érdekében az Insitro Machine Learning Biology-t működési modellként kezelje, ne egyetlen jellemzőként: határozza meg a kívánt eredményeket, tisztázza a feltételezéseket, és válassza el, hogy a rendszer mit tud megbízhatóan elvégezni, attól, ami még szakértői megítélést igényel.
A gyakorlatban az Insitro Machine Learning Biologyt használó erős csapatok értékelik a szállítói stratégiát, az ütemterv megbízhatóságát és a bezárási kockázatot, mielőtt elköteleznék magukat. Dokumentálják az explicit sikerkritériumokat, tesztelik a valósághű adatokat és munkafolyamatokat, és a megfigyelt hibaminták alapján iterálnak, nem pedig egyszeri benchmark győzelmek alapján. Ez az a hely, ahol az elméleti megértés tartós képességgé válik a termék, a politika és a műveletek között.
A szállítói ütemterv befolyásolja, hogy csapata milyen funkciókat építhet fel legközelebb. Ugyanakkor a Launch bejelentések meghaladhatják a valódi termelési munkafolyamatok stabilitását. A legrugalmasabb megközelítés a kísérleti sebesség és az irányítási fegyelem kombinálása: kísérleti kísérletek futtatása, bizonyítékok rögzítése, döntési naplók közzététele és a biztosítékok folyamatos frissítése a modell viselkedésének, a felhasználói elvárásoknak és a szabályozási követelményeknek megfelelően.
Stratégiai hatás
A szállítói ütemterv befolyásolja, hogy csapata milyen funkciókat építhet fel legközelebb.
A szállítói ütemterv befolyásolja, hogy csapata milyen funkciókat építhet fel legközelebb. A kiváló minőségű telepítéseknél ez mérhető működési szabályokká, tulajdonosi határokká és ismétlődő felülvizsgálati rituálékká alakul át, így a csapatok növelhetik a bizalmat a kétértelműség skálázása helyett.
A kereskedelmi feltételek és a telepítési lehetőségek befolyásolják a hosszú távú költségeket és kockázatokat.
A kereskedelmi feltételek és a telepítési lehetőségek befolyásolják a hosszú távú költségeket és kockázatokat. A kiváló minőségű telepítéseknél ez mérhető működési szabályokká, tulajdonosi határokká és ismétlődő felülvizsgálati rituálékká alakul át, így a csapatok növelhetik a bizalmat a kétértelműség skálázása helyett.
A vállalati ösztönzők alakítják a termék alapértelmezett beállításait, a biztonsági testtartást és a nyitottságot.
A vállalati ösztönzők alakítják a termék alapértelmezett beállításait, a biztonsági testtartást és a nyitottságot. A kiváló minőségű telepítéseknél ez mérhető működési szabályokká, tulajdonosi határokká és ismétlődő felülvizsgálati rituálékká alakul át, így a csapatok növelhetik a bizalmat a kétértelműség skálázása helyett.
Valós megvalósítás
Képzési modellek a máj MRI-vizsgálatairól kvantitatív fenotípusok létrehozására, majd genetikai asszociációs vizsgálatok futtatása a májbetegség gyógyszercélpontjainak megtalálására.
Humán őssejt eredetű neuronok használata ALS és más neurodegeneratív betegségek modellezésére ML elemzéshez.
Partnerség a Gileaddal, hogy felfedezzék a nem alkoholos steatohepatitis (NASH) és a májfibrózis célpontjait.
A betegek genetikai alcsoportokba sorolása annak előrejelzésére, hogy ki fog reagálni egy adott terápiára.
Megvalósítási minták
Insitro Machine Learning Biology a gyakorlatban
Képzési modellek a máj MRI-vizsgálatairól kvantitatív fenotípusok létrehozására, majd genetikai asszociációs vizsgálatok futtatása a májbetegség gyógyszercélpontjainak megtalálására.
Képzési modellek a máj MRI-vizsgálatairól kvantitatív fenotípusok létrehozására, majd genetikai asszociációs vizsgálatok futtatása a májbetegség gyógyszercélpontjainak megtalálására A csapatok általában jobb eredményeket érnek el, ha előre meghatározzák a minőségi küszöböket, megtartják az emberi eszkalációs utat a szélsőséges eseteknél, és nyomon követik a termelékenység növekedését és a hibaköltségeket az idő múlásával.
Insitro Machine Learning Biology a gyakorlatban
Humán őssejt eredetű neuronok használata ALS és más neurodegeneratív betegségek modellezésére ML elemzéshez.
Emberi őssejt-eredetű neuronok használata az ALS és más neurodegeneratív betegségek modellezésére ML elemzéshez A csapatok általában jobb eredményeket érnek el, ha előre meghatározzák a minőségi küszöböket, megtartják az emberi eszkalációs útvonalat a szélsőséges eseteknél, és nyomon követik a termelékenység növekedését és a hibaköltségeket az idő múlásával.
Insitro Machine Learning Biology a gyakorlatban
Partnerség a Gileaddal, hogy felfedezzék a nem alkoholos steatohepatitis (NASH) és a májfibrózis célpontjait.
A Gilead együttműködése a nem alkoholos steatohepatitis (NASH) és a májfibrózis célpontjainak felderítése érdekében A csapatok általában jobb eredményeket érnek el, ha előre meghatározzák a minőségi küszöböket, megtartják az emberi eszkalációs utat a szélsőséges eseteknél, és nyomon követik a termelékenység növekedését és a hibaköltségeket az idő múlásával.
Insitro Machine Learning Biology a gyakorlatban
A betegek genetikai alcsoportokba sorolása annak előrejelzésére, hogy ki fog reagálni egy adott terápiára.
A betegek genetikai alcsoportokba sorolása, hogy megjósolhassák, ki fog reagálni egy adott terápiára. A csapatok általában jobb eredményeket érnek el, ha előre meghatározzák a minőségi küszöbértékeket, megtartják az emberi eszkalációs útvonalat a szélsőséges eseteknél, és nyomon követik a termelékenység növekedését és a hibaköltségeket is.
Kockázatok és védőkorlátok
Az indítási bejelentések meghaladhatják a valódi termelési munkafolyamatok stabilitását.
Az API-árazás vagy az irányelvváltások egyik napról a másikra megdönthetik a feltételezéseket.
Az egyszállítótól való függőség növeli a bezárási és migrációs költségeket.
Végrehajtási ütemterv
Értékelje a szolgáltatókat saját feladatai és adatkészletei segítségével.
Értékelje a szolgáltatókat saját feladatai és adatkészletei segítségével. Minden lépést bizonyítékkapuként kell kezelni: ha a feltételek nem teljesülnek, szüneteltesse a közzétételt, zárja be a rést, és csak ezután bővítse a felhasználást.
Az integráció előtt tekintse át az adatvédelmi, biztonsági és jogi feltételeket.
Az integráció előtt tekintse át az adatvédelmi, biztonsági és jogi feltételeket. Minden lépést bizonyítékkapuként kell kezelni: ha a feltételek nem teljesülnek, szüneteltesse a közzétételt, zárja be a rést, és csak ezután bővítse a felhasználást.
Tartsa fenn a tartalék tervet a modellek vagy szállítók között.
Tartsa fenn a tartalék tervet a modellek vagy szállítók között. Minden lépést bizonyítékkapuként kell kezelni: ha a feltételek nem teljesülnek, szüneteltesse a közzétételt, zárja be a rést, és csak ezután bővítse a felhasználást.
Figyelje a kiadási megjegyzéseket, hogy az ütemterv változásai ne lepjék meg a csapatokat.
Figyelje a kiadási megjegyzéseket, hogy az ütemterv változásai ne lepjék meg a csapatokat. Minden lépést bizonyítékkapuként kell kezelni: ha a feltételek nem teljesülnek, szüneteltesse a közzétételt, zárja be a rést, és csak ezután bővítse a felhasználást.