NastępnyNastępny poradnik
Podstawy uczenia maszynowego
Podstawy
PRZEWODNIK FIRM
Biologia uczenia maszynowego Insitro
Insitro łączy wielkoskalowe dane genetyczne i komórkowe człowieka z uczeniem maszynowym, aby znaleźć lepsze cele dla leków i pacjentów, którzy z największym prawdopodobieństwem zareagują.
Posłuchaj tego przewodnikaOpowiadane przez sztuczną inteligencję · ~2 min
Na tej stronie2 minuty czytania
Przegląd
It matters because it tackles the biggest reason drugs fail — picking the wrong target — by grounding discovery in real human biology.
Głębokie nurkowanie
Założona w 2018 roku przez biologa obliczeniowego i byłą liderkę Stanford i Coursera Daphne Koller, firma Insitro stała się firmą odkrywającą leki, która opiera się na uczeniu maszynowym. Jej podstawową ideą jest wewnętrzne generowanie ogromnych, specjalnie zaprojektowanych zbiorów danych — przy użyciu modeli chorób pochodzących z ludzkich komórek macierzystych („in vitro”), obrazowania o dużej zawartości i pomiarów „omicznych” — a następnie łączenie ich z ogromnymi ludzkimi kohortami genetycznymi i klinicznymi, takimi jak brytyjski Biobank. Uczenie maszynowe następnie łączy sygnatury molekularne i komórkowe z chorobą, pomagając zidentyfikować cele, które zgodnie z genetyką faktycznie powodują chorobę, i podzielić pacjentów na podgrupy. Sama nazwa łączy w sobie słowa „in silico” (obliczenia) i „in vitro” (biologia laboratoryjna). Insitro nawiązało współpracę z Gilead i Bristol Myers Squibb i koncentruje się na takich obszarach, jak choroby metaboliczne, wątroby i neurodegeneracyjne.
Implementacja w świecie rzeczywistym
Szkolenie modeli na podstawie skanów MRI wątroby w celu stworzenia fenotypów ilościowych, a następnie prowadzenie badań asocjacji genetycznych w celu znalezienia celów leków w leczeniu chorób wątroby.
Wykorzystanie neuronów pochodzących z ludzkich komórek macierzystych do modelowania ALS i innych chorób neurodegeneracyjnych na potrzeby analizy ML.
Współpraca z Gilead w celu odkrycia celów w przypadku niealkoholowego stłuszczeniowego zapalenia wątroby (NASH) i zwłóknienia wątroby.
Stratyfikacja pacjentów na podgrupy genetyczne w celu przewidzenia, kto zareaguje na daną terapię.
Przyszłość biologii uczenia maszynowego Insitro
Insitro zmierza w kierunku modeli predykcyjnych, które łączą genotyp z fenotypem komórkowym i wynikami leczenia pacjenta, umożliwiając wybór celów i stratyfikację pacjentów przed kosztownymi badaniami. Spodziewaj się głębszego wykorzystania podstawowych modeli w obrazowaniu i omikach, większej liczby powiązań z biobankami i udoskonalania kandydatów do wewnętrznych rurociągów. Kluczowym wyzwaniem jest zamknięcie obiegu: udowodnienie, że wyznaczone przez sztuczną inteligencję cele wspierane genetyką przekładają się na zatwierdzone leki, które działają u właściwych pacjentów.
Wdrażanie tego w praktykę
Dlaczego to ma znaczenie
- Strategia dostawcy. Plany dostawców wpływają na to, jakie funkcje Twój zespół będzie mógł dalej tworzyć.
- Koszt i budżet. Warunki handlowe i opcje wdrożenia wpływają na długoterminowe koszty i ryzyko.
- Ryzyko i bezpieczeństwo. Zachęty firmowe kształtują wady produktów, postawę bezpieczeństwa i otwartość.
Uważaj na
- Ogłoszenia o wprowadzeniu na rynek mogą przekroczyć stabilność w rzeczywistych przepływach pracy.
- Ceny interfejsów API lub zmiany zasad mogą z dnia na dzień złamać założenia.
- Zależność od jednego dostawcy zwiększa koszty uzależnienia i migracji.
Kolejne kroki
- Oceniaj dostawców, korzystając z własnych zadań i zbiorów danych.
- Przed integracją przejrzyj warunki dotyczące prywatności, bezpieczeństwa i prawa.
- Utrzymuj plan awaryjny dla różnych modeli i dostawców.
- Monitoruj informacje o wersji, aby zmiany w planie działania nie zaskoczyły zespołów.
Odkrywaj dalej
Darmowy newsletter
Otrzymuj codzienne podsumowanie AI
Trzy zweryfikowane historie AI każdego poranka w dni robocze, napisane prostym angielskim. Bezpłatne na zawsze, bez reklam.
Jedno e‑mail każdego dnia roboczego. Wypisz się jednym kliknięciem. Nigdy nie sprzedajemy ani nie udostępniamy Twojego adresu.
Sprawdź się
Take the Insitro Machine Learning Biology quiz
Natychmiastowa informacja zwrotna na każde pytanie oraz udostępnialny certyfikat z weryfikowalnym ID po zaliczeniu kursu.
Wspieraj darmową edukację AI. AI Understanding jest organizacją non-profit 501(c)(3) — bez reklam, bez płatnej ściany, zawsze. Przekaż darowiznę
Często zadawane pytania
What is Insitro Machine Learning Biology?
Insitro łączy wielkoskalowe dane genetyczne i komórkowe człowieka z uczeniem maszynowym, aby znaleźć lepsze cele dla leków i pacjentów, którzy z największym prawdopodobieństwem zareagują. Ma to znaczenie, ponieważ zajmuje się największą przyczyną niepowodzenia leków — wyborem niewłaściwego celu — poprzez oparcie odkryć na prawdziwej biologii człowieka.
Co łączy nazwa „Insitro”?
Nazwa łączy obliczenia „in silico” z biologią laboratoryjną „in vitro”, oddając podejście oparte na uczeniu maszynowym i eksperymentach.
Kto założył Insitro?
Daphne Koller, biolog obliczeniowy i była współzałożycielka Coursera, założyła Insitro w 2018 roku.
Dlaczego Insitro kładzie nacisk na genetykę człowieka przy wyborze celu?
Cele poparte dowodami genetycznymi człowieka są znacznie bardziej prawdopodobne, że są rzeczywiście przyczynowe, co ogranicza niepowodzenie leków.
Co to jest „fenotyp uczenia maszynowego”, jak go używa Insitro?
Insitro wyprowadza cechy ilościowe z obrazów za pomocą ML, a następnie bada ich powiązania genetyczne.
Która duża kohorta ludzka jest powszechnie wykorzystywana w badaniach genetycznych na skalę biobanków, takich jak Insitro?
Brytyjski Biobank łączy dane genetyczne, obrazowe i zdrowotne setek tysięcy ludzi.
Ucz się dalej
Powiązane przewodniki
Wybrano więcej przewodników na ten temat