LegközelebbKövetkező útmutató
A gépi tanulás alapjai
Alapok
Vállalkozási ÚTMUTATÓ
Az Insitro nagyszabású emberi genetikai és sejtadatokat egyesít a gépi tanulással, hogy jobb gyógyszercélpontokat találjon, és a betegeket, akik a legvalószínűbben reagálnak.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
Ez azért fontos, mert a valódi emberi biológiára alapozva a felfedezésnek a kábítószerek kudarcának legnagyobb okát kezeli – a rossz célpont kiválasztását.
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.
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.
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.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
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.
A név ötvözi az „in silico” számítást az „in vitro” laborbiológiával, megragadva annak ML-plus-kísérleti megközelítését.
Daphne Koller, számítástechnikai biológus és a Coursera egykori társalapítója 2018-ban alapította az Insitro-t.
Az emberi genetikai bizonyítékokkal alátámasztott célok sokkal valószínűbb, hogy valóban ok-okozati összefüggésben állnak, és csökkentik a gyógyszeresedést.
Az Insitro kvantitatív tulajdonságokat származtat a képekből az ML segítségével, majd megvizsgálja azok genetikai asszociációit.
Az Egyesült Királyság Biobankja több százezer ember genetikai, képalkotó és egészségügyi adatait kapcsolja össze.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
A gépi tanulás alapjai
Alapok