Biologi Pembelajaran Mesin Insitro
Insitro menggabungkan data genetik dan seluler manusia berskala besar dengan pembelajaran mesin untuk menemukan target obat yang lebih baik dan pasien yang paling mungkin merespons.
Ikhtisar
It matters because it tackles the biggest reason drugs fail — picking the wrong target — by grounding discovery in real human biology.
Menyelam Lebih Dalam
Didirikan pada tahun 2018 oleh ahli biologi komputasi dan mantan pemimpin Stanford dan Coursera Daphne Koller, Insitro membangun dirinya sebagai perusahaan penemuan obat yang 'mengutamakan pembelajaran mesin'. Ide intinya adalah untuk menghasilkan kumpulan data berukuran besar yang dibuat khusus secara internal – menggunakan model penyakit yang diturunkan dari sel induk manusia ('in vitro'), pencitraan konten tinggi, dan pengukuran 'omics' - dan memasangkannya dengan kelompok genetika dan klinis manusia yang sangat besar seperti UK Biobank. Pembelajaran mesin kemudian menghubungkan ciri-ciri molekuler dan seluler dengan penyakit, membantu mengidentifikasi target yang menurut genetika benar-benar menyebabkan penyakit, dan mengelompokkan pasien ke dalam subkelompok. Namanya sendiri memadukan 'in silico' (komputasi) dan 'in vitro' (lab biologi). Insitro telah bermitra dengan Gilead dan Bristol Myers Squibb dan berfokus pada bidang-bidang seperti penyakit metabolik, hati, dan neurodegeneratif.
Wawasan Teknis
Metode khas Insitro menggunakan pembelajaran mesin pada gambar medis — misalnya, model mendalam yang membaca MRI hati atau histopatologi — untuk memperoleh 'fenotip pembelajaran mesin' kuantitatif. Menjalankan studi asosiasi genom terhadap sifat-sifat yang diturunkan dari AI ini di seluruh populasi skala biobank dapat memunculkan varian genetik, dan oleh karena itu, target sebab akibat, yang tidak tercakup dalam label klinis. Hal ini memadukan genetika manusia, bukti terkuat bahwa suatu target penting, dengan resolusi fenotipik yang kaya dari AI.
Dampak Strategis
Vendor strategy
Peta jalan vendor memengaruhi fitur apa yang dapat dibangun tim Anda selanjutnya.
Cost and budget
Persyaratan komersial dan opsi penerapan memengaruhi biaya dan risiko jangka panjang.
Risk and safety
Insentif perusahaan membentuk standar produk, postur keselamatan, dan keterbukaan.
Masa Depan Biologi Pembelajaran Mesin Insitro
Insitro mendorong model prediktif yang menghubungkan genotipe dengan fenotipe seluler dengan hasil pasien, memungkinkan pemilihan target dan stratifikasi pasien sebelum uji coba yang mahal. Harapkan penggunaan model dasar yang lebih mendalam di bidang pencitraan dan omics, lebih banyak hubungan biobank, dan memajukan kandidat saluran pipa internal. Tantangan utama yang dihadapi adalah menutup lingkaran ini: membuktikan bahwa target yang dicalonkan oleh AI dan didukung oleh genetika dapat diterjemahkan menjadi obat-obatan yang disetujui dan dapat bekerja pada pasien yang tepat.
Implementasi Dunia Nyata
Melatih model pemindaian MRI hati untuk membuat fenotipe kuantitatif, kemudian menjalankan studi asosiasi genetik untuk menemukan target obat untuk penyakit hati.
Menggunakan neuron yang diturunkan dari sel induk manusia untuk memodelkan ALS dan penyakit neurodegeneratif lainnya untuk analisis ML.
Bermitra dengan Gilead untuk menemukan target steatohepatitis nonalkohol (NASH) dan fibrosis hati.
Mengelompokkan pasien ke dalam subkelompok genetik untuk memprediksi siapa yang akan merespons terapi yang diberikan.
Risiko & Pagar Pembatas
Pengumuman peluncuran mungkin melampaui stabilitas alur kerja produksi sebenarnya.
Penetapan harga API atau perubahan kebijakan dapat mematahkan asumsi dalam sekejap.
Ketergantungan pada vendor tunggal meningkatkan biaya lock-in dan migrasi.
Peta Jalan Implementasi
Evaluasi penyedia menggunakan tugas dan kumpulan data Anda sendiri.
Tinjau persyaratan privasi, keamanan, dan hukum sebelum integrasi.
Pertahankan rencana cadangan di seluruh model atau vendor.
Pantau catatan rilis agar perubahan peta jalan tidak mengejutkan tim.
Terus Menjelajah
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
Next guide
Dasar-dasar Pembelajaran Mesin
Pertanyaan yang sering diajukan
What is Insitro Machine Learning Biology?
Insitro menggabungkan data genetik dan seluler manusia berskala besar dengan pembelajaran mesin untuk menemukan target obat yang lebih baik dan pasien yang paling mungkin merespons. Hal ini penting karena mengatasi penyebab terbesar kegagalan obat – yaitu memilih target yang salah – dengan mendasarkan penemuan pada biologi manusia yang sebenarnya.
Apa gabungan nama 'Insitro'?
Nama ini memadukan komputasi 'in silico' dengan biologi laboratorium 'in vitro', yang mencerminkan pendekatan eksperimen ML-plus.
Siapa yang mendirikan Insitro?
Daphne Koller, ahli biologi komputasi dan mantan salah satu pendiri Coursera, mendirikan Insitro pada tahun 2018.
Mengapa Insitro menekankan genetika manusia dalam pemilihan target?
Target yang didukung oleh bukti genetik manusia jauh lebih mungkin bersifat sebab akibat, sehingga mengurangi kegagalan obat.
Apa yang dimaksud dengan 'fenotip pembelajaran mesin' seperti yang digunakan Insitro?
Insitro memperoleh ciri-ciri kuantitatif dari gambar menggunakan ML, lalu mempelajari hubungan genetiknya.
Kelompok manusia besar manakah yang biasa digunakan untuk studi genetik skala biobank seperti yang dilakukan Insitro?
Biobank Inggris menghubungkan data genetik, pencitraan, dan kesehatan untuk ratusan ribu orang.