개요
Insitro는 대규모 인간 유전 및 세포 데이터를 기계 학습과 융합하여 더 나은 약물 표적과 반응 가능성이 가장 높은 환자를 찾습니다. 이는 실제 인간 생물학의 발견을 기반으로 약물이 실패하는 가장 큰 이유인 잘못된 목표물 선택을 다루기 때문에 중요합니다.
Insitro 기계 학습 생물학은 전략, 모델 액세스, 플랫폼 결정 및 생태계 파트너십의 맥락에서 가장 잘 이해됩니다.
심층 분석
컴퓨터 생물학자이자 전 Stanford 및 Coursera 리더인 Daphne Koller가 2018년에 설립한 Insitro는 '머신러닝 우선' 신약 개발 회사로 자리매김했습니다. 핵심 아이디어는 인간 줄기 세포 유래('시험관 내') 질병 모델, 고용량 이미징 및 '오믹스 측정'을 사용하여 대규모의 목적에 맞게 구축된 데이터 세트를 사내에서 생성하고 이를 영국 Biobank와 같은 대규모 인간 유전 및 임상 코호트와 결합하는 것입니다. 그런 다음 기계 학습은 분자 및 세포 특징을 질병과 연결하여 유전학이 실제로 질병을 유발한다고 제안하는 표적을 식별하고 환자를 하위 그룹으로 분류하는 데 도움을 줍니다. 이름 자체는 'in silico'(계산)와 'in vitro'(실험실 생물학)를 혼합한 것입니다. Insitro는 Gilead 및 Bristol Myers Squibb과 파트너십을 맺고 대사, 간, 신경퇴행성 질환과 같은 분야에 중점을 두고 있습니다.
기술적 통찰력
대표적인 Insitro 방법은 의료 이미지(예: 간 MRI 또는 조직병리학을 판독하는 심층 모델)에 대한 기계 학습을 사용하여 정량적 '기계 학습 표현형'을 도출합니다. 바이오뱅크 규모 인구 전반에 걸쳐 이러한 AI 유래 특성에 대한 게놈 차원의 연관성 연구를 실행하면 조잡한 임상 라벨이 놓친 유전적 변이 및 인과 표적을 표면화할 수 있습니다. 이는 표적이 중요하다는 가장 강력한 증거인 인간 유전학과 AI의 풍부한 표현형 분해능을 결합합니다.
Insitro 기계 학습 생물학 마스터하기
Insitro는 대규모 인간 유전 및 세포 데이터를 기계 학습과 융합하여 더 나은 약물 표적과 반응 가능성이 가장 높은 환자를 찾습니다. 이는 실제 인간 생물학의 발견을 기반으로 약물이 실패하는 가장 큰 이유인 잘못된 목표물 선택을 다루기 때문에 중요합니다. Insitro 기계 학습 생물학은 전략, 모델 액세스, 플랫폼 결정 및 생태계 파트너십의 맥락에서 가장 잘 이해됩니다. 깊은 이해를 구축하려면 Insitro 기계 학습 생물학을 단일 기능이 아닌 운영 모델로 취급하십시오. 즉, 원하는 결과를 정의하고, 가정을 명확히 하고, 시스템이 안정적으로 수행할 수 있는 작업과 여전히 전문가 판단이 필요한 작업을 분리하세요.
실제로 Insitro Machine Learning Biology를 사용하는 강력한 팀은 커밋하기 전에 공급업체 전략, 로드맵 신뢰성 및 종속 위험을 평가합니다. 명시적인 성공 기준을 문서화하고, 현실적인 데이터 및 워크플로를 기준으로 테스트하며, 일회성 벤치마크 승리보다는 관찰된 실패 패턴을 기반으로 반복합니다. 이론적 이해가 제품, 정책, 운영 전반에 걸쳐 지속 가능한 역량으로 바뀌는 곳입니다.
공급업체 로드맵은 팀이 다음에 구축할 수 있는 기능에 영향을 미칩니다. 동시에 출시 발표는 실제 생산 워크플로의 안정성보다 앞설 수 있습니다. 가장 탄력적인 접근 방식은 실험 속도와 거버넌스 규율을 결합하는 것입니다. 즉, 파일럿 실행, 증거 캡처, 결정 로그 게시, 모델 동작, 사용자 기대 및 규제 요구 사항이 발전함에 따라 보호 장치를 지속적으로 업데이트합니다.
전략적 영향
공급업체 로드맵은 팀이 다음에 구축할 수 있는 기능에 영향을 미칩니다.
공급업체 로드맵은 팀이 다음에 구축할 수 있는 기능에 영향을 미칩니다. 고품질 배포에서는 이는 측정 가능한 운영 규칙, 소유권 경계 및 반복적인 검토 의식으로 변환되므로 팀은 모호성을 확장하는 대신 자신감을 확장할 수 있습니다.
상업적 조건과 배포 옵션은 장기적인 비용과 위험에 영향을 미칩니다.
상업적 조건과 배포 옵션은 장기적인 비용과 위험에 영향을 미칩니다. 고품질 배포에서는 이는 측정 가능한 운영 규칙, 소유권 경계 및 반복적인 검토 의식으로 변환되므로 팀은 모호성을 확장하는 대신 자신감을 확장할 수 있습니다.
회사 인센티브는 제품 기본값, 안전 태세 및 개방성을 형성합니다.
회사 인센티브는 제품 기본값, 안전 태세 및 개방성을 형성합니다. 고품질 배포에서는 이는 측정 가능한 운영 규칙, 소유권 경계 및 반복적인 검토 의식으로 변환되므로 팀은 모호성을 확장하는 대신 자신감을 확장할 수 있습니다.
실제 구현
정량적 표현형을 생성하기 위해 간 MRI 스캔 모델을 훈련한 다음, 간 질환에 대한 약물 표적을 찾기 위해 유전적 연관 연구를 실행합니다.
ML 분석을 위해 인간 줄기세포 유래 뉴런을 사용하여 ALS 및 기타 신경퇴행성 질환을 모델링합니다.
비알코올성 지방간염(NASH) 및 간 섬유증에 대한 표적 발견을 위해 길리어드와 제휴.
환자를 유전적 하위 그룹으로 분류하여 누가 주어진 치료법에 반응할지 예측합니다.
구현 패턴
Insitro 기계 학습 생물학 실제
정량적 표현형을 생성하기 위해 간 MRI 스캔 모델을 훈련한 다음, 간 질환에 대한 약물 표적을 찾기 위해 유전적 연관 연구를 실행합니다.
간 MRI 스캔에 대한 모델을 훈련하여 정량적 표현형을 생성한 다음 유전적 연관 연구를 실행하여 간 질환에 대한 약물 표적을 찾습니다. 팀은 일반적으로 품질 임계값을 미리 정의하고, 극단적인 경우에 대한 인간 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
Insitro 기계 학습 생물학 실제
ML 분석을 위해 인간 줄기세포 유래 뉴런을 사용하여 ALS 및 기타 신경퇴행성 질환을 모델링합니다.
ML 분석을 위해 인간 줄기세포 유래 뉴런을 사용하여 ALS 및 기타 신경퇴행성 질환 모델링 팀은 일반적으로 품질 임계값을 미리 정의하고, 극단적인 경우에 대한 인간 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
Insitro 기계 학습 생물학 실제
비알코올성 지방간염(NASH) 및 간 섬유증에 대한 표적 발견을 위해 길리어드와 제휴.
비알코올성 지방간염(NASH) 및 간 섬유증에 대한 표적 발견을 위해 길리어드와 협력 팀은 일반적으로 품질 임계값을 미리 정의하고, 극단적인 경우에 대한 인적 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
Insitro 기계 학습 생물학 실제
환자를 유전적 하위 그룹으로 분류하여 누가 주어진 치료법에 반응할지 예측합니다.
주어진 치료에 누가 반응할지 예측하기 위해 환자를 유전적 하위 그룹으로 분류합니다. 팀은 일반적으로 품질 임계값을 미리 정의하고, 극단적인 경우에 대한 인적 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
위험 및 가드레일
출시 발표는 실제 생산 워크플로의 안정성보다 앞설 수 있습니다.
API 가격 책정이나 정책 변경으로 인해 하룻밤 사이에 가정이 깨질 수 있습니다.
단일 공급업체 종속성은 종속 및 마이그레이션 비용을 증가시킵니다.
구현 로드맵
자체 작업과 데이터 세트를 사용하여 공급자를 평가합니다.
자체 작업과 데이터 세트를 사용하여 공급자를 평가합니다. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.
통합하기 전에 개인정보 보호, 보안, 법적 약관을 검토하세요.
통합하기 전에 개인정보 보호, 보안, 법적 약관을 검토하세요. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.
모델이나 공급업체 전반에 걸쳐 대체 계획을 유지합니다.
모델이나 공급업체 전반에 걸쳐 대체 계획을 유지합니다. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.
로드맵 변경으로 인해 팀이 놀라지 않도록 릴리스 노트를 모니터링하세요.
로드맵 변경으로 인해 팀이 놀라지 않도록 릴리스 노트를 모니터링하세요. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.