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.
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.
Technisch inzicht
Een kenmerkende Insitro-methode maakt gebruik van machine learning op medische beelden – bijvoorbeeld diepe modellen die lever-MRI of histopathologie lezen – om kwantitatieve 'machine-learning fenotypes' af te leiden. Het uitvoeren van genoombrede associatiestudies tegen deze AI-afgeleide eigenschappen in populaties op biobankschaal kan genetische varianten aan het licht brengen, en dus causale doelen, die ruwe klinische labels missen. Dit koppelt menselijke genetica, het sterkste bewijs dat een doelwit ertoe doet, met een rijke fenotypische resolutie van AI.
Strategische impact
Vendor strategy
Roadmaps van leveranciers beïnvloeden welke functies uw team vervolgens kan bouwen.
Cost and budget
Commerciële voorwaarden en implementatieopties zijn van invloed op de kosten en risico's op de lange termijn.
Risk and safety
Bedrijfsprikkels bepalen productgebreken, veiligheidshouding en openheid.
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.
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.
Risico's en vangrails
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.
Implementatie routekaart
Evalueer providers met behulp van uw eigen taken en datasets.
Controleer de privacy-, beveiligings- en juridische voorwaarden vóór de integratie.
Onderhoud een noodplan voor alle modellen of leveranciers.
Houd de release-opmerkingen in de gaten, zodat wijzigingen in de routekaart teams niet verrassen.
Blijf verkennen
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Insitro Machine Learning Biology quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
Basisprincipes van machinaal leren
Frequently asked questions
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.