VolgendeVolgende gids
Basisprincipes van machinaal leren
Grondbeginselen
Bedrijven GIDS
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
It matters because it tackles the biggest reason drugs fail — picking the wrong target — by grounding discovery in real human biology.
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.
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.
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.
Gratis nieuwsbrief
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
Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.
Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie
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.
De naam combineert 'in silico'-berekening met 'in vitro'-laboratoriumbiologie, waardoor de ML-plus-experimentbenadering wordt vastgelegd.
Daphne Koller, een computationeel bioloog en voormalig medeoprichter van Coursera, richtte Insitro in 2018 op.
Het is veel waarschijnlijker dat doelstellingen die door menselijk genetisch bewijsmateriaal worden ondersteund, werkelijk causaal zijn, waardoor het falen van geneesmiddelen wordt verminderd.
Insitro leidt kwantitatieve eigenschappen af van afbeeldingen met behulp van ML en bestudeert vervolgens hun genetische associaties.
De UK Biobank koppelt genetische gegevens, beeldvormingsgegevens en gezondheidsgegevens van honderdduizenden mensen.
Blijf leren
Er zijn meer handleidingen voor dit onderwerp geselecteerd
VolgendeVolgende gids
Basisprincipes van machinaal leren
Grondbeginselen