GUIDA alle aziende

Biologia dell'apprendimento automatico insitro

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

In questa pagina2 minuti di lettura
  1. Panoramica
  2. Immersione profonda
  3. Implementazione nel mondo reale
  4. Il futuro della biologia dell'apprendimento automatico insitro
  5. Metterlo in pratica
  6. Continua a esplorare
  7. Domande frequenti

Panoramica

It matters because it tackles the biggest reason drugs fail — picking the wrong target — by grounding discovery in real human biology.

Immersione profonda

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.

Implementazione nel mondo reale

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.

Il futuro della biologia dell'apprendimento automatico insitro

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.

Metterlo in pratica

Perché è importante

  • Strategia del fornitore. Le roadmap dei fornitori influenzano le funzionalità che il tuo team può sviluppare successivamente.
  • Costo e budget. I termini commerciali e le opzioni di implementazione influiscono sui costi e sui rischi a lungo termine.
  • Rischio e sicurezza. Gli incentivi aziendali modellano le impostazioni predefinite dei prodotti, la postura di sicurezza e l’apertura.

Attenzione

  • Gli annunci di lancio potrebbero superare la stabilità nei flussi di lavoro di produzione reali.
  • I prezzi delle API o i cambiamenti politici possono infrangere le ipotesi da un giorno all’altro.
  • La dipendenza da un unico fornitore aumenta i costi di lock-in e di migrazione.

Prossimi passi

  1. Valuta i fornitori utilizzando le tue attività e i tuoi set di dati.
  2. Esamina la privacy, la sicurezza e i termini legali prima dell'integrazione.
  3. Mantenere un piano di riserva tra modelli o fornitori.
  4. Monitora le note di rilascio in modo che le modifiche alla roadmap non sorprendano i team.

Continua a esplorare

Newsletter gratuita

Ricevi il briefing quotidiano sull'IA

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

Take the Insitro Machine Learning Biology quiz

Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.

Inizia il quiz

Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione

Domande frequenti

What is Insitro Machine Learning Biology?

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.

Cosa combina il nome "Insitro"?

Il nome unisce il calcolo "in silico" con la biologia di laboratorio "in vitro", catturandone l'approccio ML più esperimento.

Chi ha fondato Insitro?

Daphne Koller, biologa computazionale ed ex co-fondatrice di Coursera, ha fondato Insitro nel 2018.

Perché Insitro enfatizza la genetica umana nella selezione del target?

È molto più probabile che gli obiettivi supportati da prove genetiche umane siano realmente causali, riducendo il fallimento dei farmaci.

Che cos'è un "fenotipo di apprendimento automatico" come lo utilizza Insitro?

Insitro ricava tratti quantitativi dalle immagini utilizzando il machine learning, quindi studia le loro associazioni genetiche.

Quale grande coorte umana viene comunemente utilizzata per studi genetici su scala di biobanche come quello di Insitro?

La biobanca britannica collega dati genetici, di imaging e sanitari di centinaia di migliaia di persone.