Bedrijven GIDS

Insitro Machine Learning-biologie

Insitro combineert grootschalige menselijke genetische en cellulaire gegevens met machinaal leren om betere medicijndoelen te vinden en de patiënten die het meest waarschijnlijk zullen reageren.

Luister naar deze gidsAI-verteld · ~2 min

Op deze pagina2 min lezen
  1. Overzicht
  2. Diepe duik
  3. Implementatie in de echte wereld
  4. De toekomst van Insitro Machine Learning Biologie
  5. Het in de praktijk brengen
  6. Blijf verkennen
  7. Veelgestelde vragen

Overzicht

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

Diepe duik

Insitro, opgericht in 2018 door computationeel bioloog en voormalig Stanford- en Coursera-leider Daphne Koller, heeft zichzelf opgebouwd als een 'machine learning-first'-bedrijf voor de ontdekking van geneesmiddelen. Het kernidee is om intern enorme, speciaal gebouwde datasets te genereren – met behulp van menselijke stamcel-afgeleide (‘in vitro’) ziektemodellen, hoogwaardige beeldvorming en ‘omics-metingen’ – en deze te koppelen aan enorme menselijke genetische en klinische cohorten zoals de UK Biobank. Machine learning koppelt vervolgens moleculaire en cellulaire kenmerken aan ziekten, helpt bij het identificeren van doelen waarvan de genetica suggereert dat ze daadwerkelijk ziekte veroorzaken, en verdeelt patiënten in subgroepen. De naam zelf is een mengeling van 'in silico' (berekening) en 'in vitro' (laboratoriumbiologie). Insitro werkt samen met Gilead en Bristol Myers Squibb en richt zich op gebieden als stofwisselings-, lever- en neurodegeneratieve ziekten.

Implementatie in de echte wereld

Modellen trainen op lever-MRI-scans om kwantitatieve fenotypes te creëren, en vervolgens genetische associatiestudies uitvoeren om medicijndoelen voor leverziekten te vinden.

Gebruik van uit menselijke stamcellen afkomstige neuronen om ALS en andere neurodegeneratieve ziekten te modelleren voor ML-analyse.

Samenwerken met Gilead om doelen te ontdekken voor niet-alcoholische steatohepatitis (NASH) en leverfibrose.

Patiënten indelen in genetische subgroepen om te voorspellen wie op een bepaalde therapie zal reageren.

De toekomst van Insitro Machine Learning Biologie

Insitro streeft naar voorspellende modellen die genotype verbinden met cellulair fenotype en patiëntuitkomst, waardoor doelselectie en patiëntstratificatie mogelijk worden vóór dure onderzoeken. Verwacht een dieper gebruik van basismodellen op het gebied van beeldvorming en omics, meer biobankkoppelingen en het bevorderen van interne pijplijnkandidaten. De belangrijkste uitdaging is het sluiten van de cirkel: bewijzen dat door AI genomineerde, door genetica ondersteunde doelen zich vertalen in goedgekeurde medicijnen die bij de juiste patiënten werken.

Het in de praktijk brengen

Waarom het ertoe doet

  • Leveranciersstrategie. Roadmaps van leveranciers beïnvloeden welke functies uw team vervolgens kan bouwen.
  • Kosten en budget. Commerciële voorwaarden en implementatieopties zijn van invloed op de kosten en risico's op de lange termijn.
  • Risico en veiligheid. Bedrijfsprikkels bepalen productgebreken, veiligheidshouding en openheid.

Pas op voor

  • Lanceringsaankondigingen kunnen de stabiliteit in echte productieworkflows overtreffen.
  • API-prijzen of beleidswijzigingen kunnen van de ene op de andere dag de aannames doorbreken.
  • De afhankelijkheid van één leverancier verhoogt de lock-in- en migratiekosten.

Volgende stappen

  1. Evalueer providers met behulp van uw eigen taken en datasets.
  2. Controleer de privacy-, beveiligings- en juridische voorwaarden vóór de integratie.
  3. Onderhoud een noodplan voor alle modellen of leveranciers.
  4. Houd de release-opmerkingen in de gaten, zodat wijzigingen in de routekaart teams niet verrassen.

Blijf verkennen

Gratis nieuwsbrief

Ontvang de dagelijkse AI-briefing

Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.

Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.

Test jezelf

Take the Insitro Machine Learning Biology quiz

Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.

Quiz starten

Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie

Veelgestelde vragen

What is Insitro Machine Learning Biology?

Insitro combineert grootschalige menselijke genetische en cellulaire gegevens met machinaal leren om betere medicijndoelen te vinden en de patiënten die het meest waarschijnlijk zullen reageren. Het is van belang omdat het de grootste reden waarom medicijnen falen aanpakt – het verkeerde doelwit kiezen – door de ontdekking te baseren op de echte menselijke biologie.

Wat combineert de naam 'Insitro'?

De naam combineert 'in silico'-berekening met 'in vitro'-laboratoriumbiologie, waardoor de ML-plus-experimentbenadering wordt vastgelegd.

Wie heeft Insitro opgericht?

Daphne Koller, een computationeel bioloog en voormalig medeoprichter van Coursera, richtte Insitro in 2018 op.

Waarom legt Insitro de nadruk op menselijke genetica bij doelselectie?

Het is veel waarschijnlijker dat doelstellingen die door menselijk genetisch bewijsmateriaal worden ondersteund, werkelijk causaal zijn, waardoor het falen van geneesmiddelen wordt verminderd.

Wat is een ‘machine-learning fenotype’ zoals Insitro het gebruikt?

Insitro leidt kwantitatieve eigenschappen af ​​van afbeeldingen met behulp van ML en bestudeert vervolgens hun genetische associaties.

Welk groot menselijk cohort wordt doorgaans gebruikt voor genetisch onderzoek op biobankschaal, zoals dat van Insitro?

De UK Biobank koppelt genetische gegevens, beeldvormingsgegevens en gezondheidsgegevens van honderdduizenden mensen.