概要
Insitro は、大規模なヒトの遺伝データと細胞データを機械学習と融合させて、より適切な薬剤標的と最も反応する可能性の高い患者を見つけます。これが重要なのは、実際の人間の生物学に基づいた発見を基礎とすることで、薬が失敗する最大の理由である間違った標的を選択することに取り組むためです。
Insitro Machine Learning Biology は、戦略、モデルへのアクセス、プラットフォームの決定、エコシステムのパートナーシップという文脈で最もよく理解されます。
ディープダイブ
計算生物学者であり、スタンフォード大学およびコーセラのリーダーだったダフネ・コーラー氏によって 2018 年に設立された Insitro は、「機械学習ファースト」の創薬企業としての地位を築きました。その中心的なアイデアは、ヒト幹細胞由来（「in vitro」）疾患モデル、ハイコンテンツイメージング、および「オミクス測定」を使用して、専用の巨大なデータセットを社内で生成し、それらを英国バイオバンクのような大規模なヒト遺伝的および臨床コホートと組み合わせるというものです。次に、機械学習は分子および細胞の特徴を病気に関連付け、遺伝学が本当に病気を引き起こすと示唆する標的を特定し、患者をサブグループに階層化するのに役立ちます。名前自体は、「in silico」(計算) と「in vitro」(実験室生物学) を組み合わせたものです。インシトロはギリアドおよびブリストル・マイヤーズ スクイブと提携し、代謝疾患、肝臓疾患、神経変性疾患などの分野に重点を置いています。
技術的な洞察
特徴的な Insitro メソッドでは、医用画像 (肝臓 MRI や組織病理学を読み取るディープ モデルなど) に対する機械学習を使用して、定量的な「機械学習表現型」を導き出します。これらの AI 由来の形質に対して、バイオバンク規模の集団全体でゲノム規模の関連研究を実行すると、粗雑な臨床ラベルでは見逃している遺伝的変異、したがって原因となる標的が明らかになる可能性があります。これにより、ターゲットが重要であることを示す最も強力な証拠である人間の遺伝学と、AI による豊富な表現型の解像度が結びつきます。
Insitro 機械学習生物学をマスターする
Insitro は、大規模なヒトの遺伝データと細胞データを機械学習と融合させて、より適切な薬剤標的と最も反応する可能性の高い患者を見つけます。これが重要なのは、実際の人間の生物学に基づいた発見を基礎とすることで、薬が失敗する最大の理由である間違った標的を選択することに取り組むためです。 Insitro Machine Learning Biology は、戦略、モデルへのアクセス、プラットフォームの決定、エコシステムのパートナーシップという文脈で最もよく理解されます。深い理解を構築するには、Insitro Machine Learning Biology を単一の機能ではなくオペレーティング モデルとして扱います。望ましい結果を定義し、前提条件を明確にし、システムが確実に実行できることと、依然として専門家の判断が必要なことを分離します。
実際、Insitro Machine Learning Biology を使用する強力なチームは、コミットする前にベンダー戦略、ロードマップの信頼性、ロックイン リスクを評価します。明示的な成功基準を文書化し、現実的なデータとワークフローに対してテストし、一度限りのベンチマークの成功ではなく、観察された失敗パターンに基づいて反復します。ここで、理論的な理解が、製品、ポリシー、運用全体にわたる永続的な機能に変わります。
ベンダーのロードマップは、チームが次に構築できる機能に影響を与えます。同時に、実際の運用ワークフローでは、発売の発表が安定性を上回る可能性があります。最も回復力のあるアプローチは、実験のスピードとガバナンスの規律を組み合わせることであり、パイロットを実行し、証拠を取得し、意思決定ログを公開し、モデルの動作、ユーザーの期待、規制要件の進化に応じて安全対策を継続的に更新します。
戦略的影響
ベンダーのロードマップは、チームが次に構築できる機能に影響を与えます。
ベンダーのロードマップは、チームが次に構築できる機能に影響を与えます。高品質の導入では、これが測定可能な運用ルール、所有権の境界、定期的なレビューの儀式に変換されるため、チームは曖昧さを拡大するのではなく、自信を拡大することができます。
商業条件と導入オプションは、長期的なコストとリスクに影響します。
商業条件と導入オプションは、長期的なコストとリスクに影響します。高品質の導入では、これが測定可能な運用ルール、所有権の境界、定期的なレビューの儀式に変換されるため、チームは曖昧さを拡大するのではなく、自信を拡大することができます。
企業のインセンティブは、製品のデフォルト、安全姿勢、オープン性を形成します。
企業のインセンティブは、製品のデフォルト、安全姿勢、オープン性を形成します。高品質の導入では、これが測定可能な運用ルール、所有権の境界、定期的なレビューの儀式に変換されるため、チームは曖昧さを拡大するのではなく、自信を拡大することができます。
現実世界の実装
肝臓 MRI スキャンでモデルをトレーニングして定量的な表現型を作成し、遺伝的関連研究を実行して肝疾患の薬剤標的を見つけます。
ヒト幹細胞由来ニューロンを使用して、ML 解析のために ALS およびその他の神経変性疾患をモデル化します。
ギリアド社と提携して、非アルコール性脂肪性肝炎（NASH）および肝線維症の標的を発見。
患者を遺伝的サブグループに層別化し、特定の治療法に誰が反応するかを予測します。
実装パターン
Insitro 機械学習生物学の実践
肝臓 MRI スキャンでモデルをトレーニングして定量的な表現型を作成し、遺伝的関連研究を実行して肝疾患の薬剤標的を見つけます。
肝臓 MRI スキャンでモデルをトレーニングして定量的な表現型を作成し、遺伝的関連研究を実行して肝疾患の薬剤標的を見つけます。チームは通常、品質のしきい値を事前に定義し、エッジ ケースに対する人間によるエスカレーション パスを維持し、生産性の向上とエラー コストの両方を長期的に追跡すると、より良い結果が得られます。
Insitro 機械学習生物学の実践
ヒト幹細胞由来ニューロンを使用して、ML 解析のために ALS およびその他の神経変性疾患をモデル化します。
ヒト幹細胞由来ニューロンを使用した ML 解析用の ALS およびその他の神経変性疾患のモデル化 チームは、通常、品質のしきい値を事前に定義し、エッジ ケースに対する人的エスカレーション パスを維持し、生産性の向上とエラー コストの両方を長期的に追跡すると、より良い結果が得られます。
Insitro 機械学習生物学の実践
ギリアド社と提携して、非アルコール性脂肪性肝炎（NASH）および肝線維症の標的を発見。
ギリアドと提携して非アルコール性脂肪性肝炎（NASH）および肝線維症のターゲットを発見 チームは通常、品質のしきい値を事前に定義し、エッジケースに対して人的エスカレーションパスを維持し、生産性の向上とエラーコストの両方を長期的に追跡することで、より良い結果をもたらします。
Insitro 機械学習生物学の実践
患者を遺伝的サブグループに層別化し、特定の治療法に誰が反応するかを予測します。
患者を遺伝的サブグループに階層化し、特定の治療法に誰が反応するかを予測する チームは通常、品質のしきい値を事前に定義し、エッジケースに対して人的エスカレーションパスを確保し、生産性の向上とエラーコストの両方を長期的に追跡すると、より良い結果が得られます。
リスクとガードレール
実際の制作ワークフローでは、発売の発表が安定性を上回る可能性があります。
API の価格設定やポリシーの変更により、一夜にして想定が崩れる可能性があります。
単一ベンダーへの依存により、ロックインと移行のコストが増加します。
実装ロードマップ
独自のタスクとデータセットを使用してプロバイダーを評価します。
独自のタスクとデータセットを使用してプロバイダーを評価します。各ステップを証拠ゲートとして扱います。基準が満たされない場合は、ロールアウトを一時停止し、ギャップを埋めてから、使用を拡大します。
統合する前に、プライバシー、セキュリティ、法的条件を確認してください。
統合する前に、プライバシー、セキュリティ、法的条件を確認してください。各ステップを証拠ゲートとして扱います。基準が満たされない場合は、ロールアウトを一時停止し、ギャップを埋めてから、使用を拡大します。
モデルやベンダー全体でフォールバック計画を維持します。
モデルやベンダー全体でフォールバック計画を維持します。各ステップを証拠ゲートとして扱います。基準が満たされない場合は、ロールアウトを一時停止し、ギャップを埋めてから、使用を拡大します。
ロードマップの変更がチームを驚かせないように、リリース ノートを監視します。
ロードマップの変更がチームを驚かせないように、リリース ノートを監視します。各ステップを証拠ゲートとして扱います。基準が満たされない場合は、ロールアウトを一時停止し、ギャップを埋めてから、使用を拡大します。