Il prossimoProssima guida
Nozioni di base sull'apprendimento automatico
Fondamenti
GUIDA alle aziende
Insitro fonde dati genetici e cellulari umani su larga scala con l’apprendimento automatico per trovare bersagli farmacologici migliori e i pazienti che hanno maggiori probabilità di rispondere.
Ascolta questa guidaNarrato dall'IA · ~2 min
It matters because it tackles the biggest reason drugs fail — picking the wrong target — by grounding discovery in real human biology.
Fondata nel 2018 dalla biologa computazionale ed ex leader di Stanford e Coursera Daphne Koller, Insitro si è affermata come una società di scoperta di farmaci "incentrata sull'apprendimento automatico". La sua idea centrale è quella di generare internamente enormi set di dati appositamente creati - utilizzando modelli di malattie derivate da cellule staminali umane ("in vitro"), imaging ad alto contenuto e misurazioni "omiche" - e accoppiarli con enormi coorti genetiche e cliniche umane come la Biobanca del Regno Unito. L’apprendimento automatico collega quindi le firme molecolari e cellulari alla malattia, aiutando a identificare i bersagli che la genetica suggerisce che causino realmente la malattia e a stratificare i pazienti in sottogruppi. Il nome stesso fonde "in silico" (calcolo) e "in vitro" (biologia di laboratorio). Insitro ha collaborato con Gilead e Bristol Myers Squibb e si concentra su aree come le malattie metaboliche, epatiche e neurodegenerative.
Modelli di addestramento su scansioni MRI del fegato per creare fenotipi quantitativi, quindi esecuzione di studi di associazione genetica per trovare bersagli farmacologici per le malattie del fegato.
Utilizzo di neuroni derivati da cellule staminali umane per modellare la SLA e altre malattie neurodegenerative per l'analisi della ML.
Collaborazione con Gilead per scoprire target per la steatoepatite non alcolica (NASH) e la fibrosi epatica.
Stratificazione dei pazienti in sottogruppi genetici per prevedere chi risponderà a una determinata terapia.
Insitro sta spingendo verso modelli predittivi che colleghino il genotipo al fenotipo cellulare all’esito del paziente, consentendo la selezione del target e la stratificazione dei pazienti prima di studi costosi. Aspettatevi un uso più approfondito dei modelli di base nell’imaging e nell’omica, più collegamenti tra le biobanche e l’avanzamento dei candidati alla pipeline interna. La sfida chiave è chiudere il cerchio: dimostrare che gli obiettivi nominati dall’intelligenza artificiale e supportati dalla genetica si traducono in farmaci approvati che funzionano nei pazienti giusti.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
Insitro fonde dati genetici e cellulari umani su larga scala con l’apprendimento automatico per trovare bersagli farmacologici migliori e i pazienti che hanno maggiori probabilità di rispondere. È importante perché affronta la principale ragione per cui i farmaci falliscono, ovvero scegliere il bersaglio sbagliato, fondando la scoperta sulla biologia umana reale.
Il nome unisce il calcolo "in silico" con la biologia di laboratorio "in vitro", catturandone l'approccio ML più esperimento.
Daphne Koller, biologa computazionale ed ex co-fondatrice di Coursera, ha fondato Insitro nel 2018.
È molto più probabile che gli obiettivi supportati da prove genetiche umane siano realmente causali, riducendo il fallimento dei farmaci.
Insitro ricava tratti quantitativi dalle immagini utilizzando il machine learning, quindi studia le loro associazioni genetiche.
La biobanca britannica collega dati genetici, di imaging e sanitari di centinaia di migliaia di persone.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Nozioni di base sull'apprendimento automatico
Fondamenti