Insitro Gépi Tanulás Biológia
Az Insitro nagyszabású emberi genetikai és sejtadatokat egyesít a gépi tanulással, hogy jobb gyógyszercélpontokat találjon, és a betegeket, akik a legvalószínűbben reagálnak.
Áttekintés
It matters because it tackles the biggest reason drugs fail — picking the wrong target — by grounding discovery in real human biology.
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.
Stratégiai hatás
Szállítói stratégia
A szállítói ütemterv befolyásolja, hogy csapata milyen funkciókat építhet fel legközelebb.
Költség és költségvetés
A kereskedelmi feltételek és a telepítési lehetőségek befolyásolják a hosszú távú költségeket és kockázatokat.
Kockázat és biztonság
A vállalati ösztönzők alakítják a termék alapértelmezett beállításait, a biztonsági testtartást és a nyitottságot.
Az Insitro gépi tanulás biológia jövője
Az Insitro olyan prediktív modellek felé törekszik, amelyek összekapcsolják a genotípust a sejt fenotípusával a beteg kimenetelével, lehetővé téve a cél kiválasztását és a betegek rétegzését a költséges kísérletek előtt. Várható az alapmodellek mélyebb felhasználása a képalkotás és az omika terén, több biobank-kapcsolat, valamint a belső csővezeték-jelöltek fejlesztése. A fő kihívás a kör lezárása: annak bizonyítása, hogy a mesterséges intelligencia által jelölt, genetikailag alátámasztott célok olyan jóváhagyott gyógyszerekké alakulnak, amelyek a megfelelő betegeknél működnek.
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.
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.
Az integráció előtt tekintse át az adatvédelmi, biztonsági és jogi feltételeket.
Tartsa fenn a tartalék tervet a modellek vagy szállítók között.
Figyelje a kiadási megjegyzéseket, hogy az ütemterv változásai ne lepjék meg a csapatokat.
Folytassa a felfedezést
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
Következő útmutató
A gépi tanulás alapjai
Gyakran ismételt kérdések
What is Insitro Machine Learning Biology?
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.
Mit takar az „Insitro” név?
A név ötvözi az „in silico” számítást az „in vitro” laborbiológiával, megragadva annak ML-plus-kísérleti megközelítését.
Ki alapította az Insitrót?
Daphne Koller, számítástechnikai biológus és a Coursera egykori társalapítója 2018-ban alapította az Insitro-t.
Miért hangsúlyozza az Insitro a humán genetikát a célkiválasztás során?
Az emberi genetikai bizonyítékokkal alátámasztott célok sokkal valószínűbb, hogy valóban ok-okozati összefüggésben állnak, és csökkentik a gyógyszeresedést.
Mi az a „gépi tanulási fenotípus”, ahogyan az Insitro használja?
Az Insitro kvantitatív tulajdonságokat származtat a képekből az ML segítségével, majd megvizsgálja azok genetikai asszociációit.
Melyik nagy humán kohortot használják általában biobanki méretű genetikai vizsgálatokhoz, például az Insitro-hoz?
Az Egyesült Királyság Biobankja több százezer ember genetikai, képalkotó és egészségügyi adatait kapcsolja össze.