Insitro maskinlæringsbiologi
Insitro kombinerer storskala menneskelige genetiske og cellulære data med maskinlæring for å finne bedre medikamentmål og pasientene som mest sannsynlig vil reagere.
Oversikt
It matters because it tackles the biggest reason drugs fail — picking the wrong target — by grounding discovery in real human biology.
Dypdykk
Insitro ble grunnlagt i 2018 av beregningsbiolog og tidligere Stanford og Coursera-leder Daphne Koller, og bygde seg opp som et "maskinlæring-først" legemiddeloppdagelsesselskap. Dens kjerneide er å generere enorme, spesialbygde datasett internt – ved å bruke humane stamcelle-avledede ('in vitro') sykdomsmodeller, høyinnholdsavbildning og 'omics-målinger' – og pare dem med massive humane genetiske og kliniske kohorter som UK Biobank. Maskinlæring kobler deretter molekylære og cellulære signaturer til sykdom, og hjelper til med å identifisere mål som genetikk antyder virkelig forårsaker sykdom, og stratifisere pasienter i undergrupper. Selve navnet blander 'in silico' (beregning) og 'in vitro' (labbiologi). Insitro har inngått samarbeid med Gilead og Bristol Myers Squibb og fokuserer på områder som metabolske, lever- og nevrodegenerative sykdommer.
Teknisk innsikt
En signatur Insitro-metode bruker maskinlæring på medisinske bilder - for eksempel dype modeller som leser lever-MR eller histopatologi - for å utlede kvantitative "maskinlæringsfenotyper." Gjennomføring av genomomfattende assosiasjonsstudier mot disse AI-avledede egenskapene på tvers av populasjoner i biobankskala kan dukke opp genetiske varianter, og derfor årsaksmål, som grove kliniske merker savner. Dette kobler menneskelig genetikk, det sterkeste beviset på at et mål er viktig, med rik fenotypisk oppløsning fra AI.
Strategisk innvirkning
Vendor strategy
Leverandørveikart påvirker hvilke funksjoner teamet ditt kan bygge videre.
Cost and budget
Kommersielle vilkår og distribusjonsalternativer påvirker langsiktige kostnader og risiko.
Risiko og sikkerhet
Selskapets insentiver former produktstandarder, sikkerhetsstilling og åpenhet.
Fremtiden for Insitro Machine Learning Biology
Insitro presser mot prediktive modeller som kobler genotype til cellulær fenotype til pasientutfall, noe som muliggjør målvalg og pasientstratifisering før kostbare forsøk. Forvent dypere bruk av grunnmodeller på tvers av bildebehandling og omics, flere biobankkoblinger og fremmende interne pipeline-kandidater. Hovedutfordringen er å lukke løkken: å bevise at AI-nominerte, genetikkstøttede mål oversettes til godkjente medisiner som virker på de riktige pasientene.
Real-World Implementering
Treningsmodeller på lever-MR-skanninger for å lage kvantitative fenotyper, og deretter kjøre genetiske assosiasjonsstudier for å finne medikamentmål for leversykdom.
Bruk av menneskelige stamcelle-avledede nevroner for å modellere ALS og andre nevrodegenerative sykdommer for ML-analyse.
Samarbeid med Gilead for å finne mål for alkoholfri steatohepatitt (NASH) og leverfibrose.
Stratifisering av pasienter i genetiske undergrupper for å forutsi hvem som vil reagere på en gitt terapi.
Risikoer og rekkverk
Lanseringskunngjøringer kan overgå stabiliteten i ekte produksjonsarbeidsflyter.
API-priser eller endringer i retningslinjene kan bryte antagelser over natten.
Avhengighet av én leverandør øker kostnadene for innlåsing og migrering.
Veikart for implementering
Evaluer leverandører ved å bruke dine egne oppgaver og datasett.
Se gjennom personvern, sikkerhet og juridiske vilkår før integrering.
Oppretthold en reserveplan på tvers av modeller eller leverandører.
Overvåk utgivelsesnotater slik at endringer i veikart ikke overrasker teamene.
Fortsett å utforske
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
Neste guide
Grunnleggende maskinlæring
Ofte stilte spørsmål
What is Insitro Machine Learning Biology?
Insitro kombinerer storskala menneskelige genetiske og cellulære data med maskinlæring for å finne bedre medikamentmål og pasientene som mest sannsynlig vil reagere. Det er viktig fordi det takler den største grunnen til at narkotika mislykkes - å velge feil mål - ved å forankre oppdagelsen i ekte menneskelig biologi.
Hva kombinerer navnet 'Insitro'?
Navnet blander "in silico"-beregning med "in vitro" laboratoriebiologi, og fanger dens ML-pluss-eksperiment-tilnærming.
Hvem grunnla Insitro?
Daphne Koller, en beregningsbiolog og tidligere Coursera-medgründer, grunnla Insitro i 2018.
Hvorfor legger Insitro vekt på menneskelig genetikk i målseleksjon?
Mål støttet av menneskelig genetisk bevis er langt mer sannsynlig å være genuint årsakssammenheng, noe som reduserer medikamentsvikt.
Hva er en "maskinlæringsfenotype" slik Insitro bruker den?
Insitro henter kvantitative egenskaper fra bilder som bruker ML, og studerer deretter deres genetiske assosiasjoner.
Hvilken stor human kohort brukes ofte til genetiske studier i biobankskala som Insitros?
Den britiske biobanken kobler sammen genetiske, bilde- og helsedata for hundretusenvis av mennesker.