Przegląd
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.
Biologię uczenia maszynowego Insitro najlepiej rozumieć w kontekście strategii, dostępu do modelu, decyzji dotyczących platform i partnerstw ekosystemowych.
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.
Wgląd techniczny
Charakterystyczna metoda Insitro wykorzystuje uczenie maszynowe na obrazach medycznych — na przykład głębokie modele odczytujące MRI wątroby lub histopatologię — w celu uzyskania ilościowych „fenotypów uczenia maszynowego”. Prowadzenie badań asocjacyjnych obejmujących cały genom w odniesieniu do cech pochodzących od sztucznej inteligencji w populacjach na skalę biobanków może ujawnić warianty genetyczne, a tym samym cele przyczynowe, których brakuje prymitywnym etykietom klinicznym. Łączy to genetykę człowieka, najsilniejszy dowód na to, że cel ma znaczenie, z bogatą rozdzielczością fenotypową zapewnianą przez sztuczną inteligencję.
Opanowanie biologii 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. Ma to znaczenie, ponieważ zajmuje się największą przyczyną niepowodzenia leków — wyborem niewłaściwego celu — poprzez oparcie odkryć na prawdziwej biologii człowieka. Biologię uczenia maszynowego Insitro najlepiej rozumieć w kontekście strategii, dostępu do modelu, decyzji dotyczących platform i partnerstw ekosystemowych. Aby zbudować głębokie zrozumienie, traktuj biologię uczenia maszynowego Insitro jako model operacyjny, a nie pojedynczą cechę: zdefiniuj pożądane wyniki, wyjaśnij założenia i oddziel to, co system może zrobić niezawodnie, od tego, co wciąż wymaga fachowej oceny.
W praktyce silne zespoły korzystające z biologii uczenia maszynowego Insitro oceniają strategię dostawcy, niezawodność planu działania i ryzyko uzależnienia przed podjęciem decyzji. Dokumentują wyraźne kryteria sukcesu, testują realistyczne dane i przepływy pracy oraz wykonują iteracje w oparciu o zaobserwowane wzorce niepowodzeń, a nie jednorazowe zwycięstwa w testach porównawczych. W tym miejscu teoretyczne zrozumienie zamienia się w trwałe możliwości w zakresie produktu, polityki i operacji.
Plany dostawców wpływają na to, jakie funkcje Twój zespół będzie mógł dalej tworzyć. Jednocześnie ogłoszenia o uruchomieniu mogą przewyższyć stabilność rzeczywistych procesów produkcyjnych. Najbardziej odporne podejście polega na połączeniu szybkości eksperymentowania z dyscypliną zarządzania: przeprowadzanie programów pilotażowych, gromadzenie dowodów, publikowanie dzienników decyzji i ciągłe aktualizowanie zabezpieczeń w miarę ewolucji zachowań modelu, oczekiwań użytkowników i wymagań prawnych.
Wpływ strategiczny
Plany dostawców wpływają na to, jakie funkcje Twój zespół będzie mógł dalej tworzyć.
Plany dostawców wpływają na to, jakie funkcje Twój zespół będzie mógł dalej tworzyć. W przypadku wdrożeń wysokiej jakości przekłada się to na mierzalne zasady działania, granice własności i rytuały cyklicznych przeglądów, dzięki czemu zespoły mogą zwiększać pewność siebie zamiast skalować niejednoznaczność.
Warunki handlowe i opcje wdrożenia wpływają na długoterminowe koszty i ryzyko.
Warunki handlowe i opcje wdrożenia wpływają na długoterminowe koszty i ryzyko. W przypadku wdrożeń wysokiej jakości przekłada się to na mierzalne zasady działania, granice własności i rytuały cyklicznych przeglądów, dzięki czemu zespoły mogą zwiększać pewność siebie zamiast skalować niejednoznaczność.
Zachęty firmowe kształtują wady produktów, postawę bezpieczeństwa i otwartość.
Zachęty firmowe kształtują wady produktów, postawę bezpieczeństwa i otwartość. W przypadku wdrożeń wysokiej jakości przekłada się to na mierzalne zasady działania, granice własności i rytuały cyklicznych przeglądów, dzięki czemu zespoły mogą zwiększać pewność siebie zamiast skalować niejednoznaczność.
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.
Wzorce implementacyjne
Biologia uczenia maszynowego Insitro w praktyce
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.
Trenowanie modeli na skanach MRI wątroby w celu stworzenia fenotypów ilościowych, a następnie przeprowadzanie badań asocjacji genetycznych w celu znalezienia celów leków na choroby wątroby. Zespoły zwykle uzyskują lepsze wyniki, gdy z góry zdefiniują progi jakości, utrzymują ludzką ścieżkę eskalacji w przypadku przypadków skrajnych i śledzą zarówno wzrost produktywności, jak i koszty błędów w czasie.
Biologia uczenia maszynowego Insitro w praktyce
Wykorzystanie neuronów pochodzących z ludzkich komórek macierzystych do modelowania ALS i innych chorób neurodegeneracyjnych na potrzeby analizy ML.
Wykorzystywanie neuronów pochodzących z ludzkich komórek macierzystych do modelowania ALS i innych chorób neurodegeneracyjnych na potrzeby analizy ML Zespoły zwykle uzyskują lepsze wyniki, gdy od początku określają progi jakości, utrzymują ludzką ścieżkę eskalacji w przypadku przypadków brzegowych oraz śledzą zarówno wzrost produktywności, jak i koszty błędów w czasie.
Biologia uczenia maszynowego Insitro w praktyce
Współpraca z Gilead w celu odkrycia celów w przypadku niealkoholowego stłuszczeniowego zapalenia wątroby (NASH) i zwłóknienia wątroby.
Współpraca z firmą Gilead w celu określenia celów w przypadku niealkoholowego stłuszczeniowego zapalenia wątroby (NASH) i zwłóknienia wątroby Zespoły zwykle uzyskują lepsze wyniki, gdy od początku określają progi jakości, utrzymują ludzką ścieżkę eskalacji w przypadku przypadków skrajnych oraz śledzą zarówno wzrost produktywności, jak i koszty błędów w czasie.
Biologia uczenia maszynowego Insitro w praktyce
Stratyfikacja pacjentów na podgrupy genetyczne w celu przewidzenia, kto zareaguje na daną terapię.
Dzielenie pacjentów na podgrupy genetyczne w celu przewidzenia, kto zareaguje na daną terapię. Zespoły zwykle uzyskują lepsze wyniki, gdy z góry zdefiniują progi jakości, utrzymują ludzką ścieżkę eskalacji w przypadku przypadków skrajnych i śledzą zarówno wzrost produktywności, jak i koszty błędów w czasie.
Zagrożenia i poręcze
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.
Plan wdrożenia
Oceniaj dostawców, korzystając z własnych zadań i zbiorów danych.
Oceniaj dostawców, korzystając z własnych zadań i zbiorów danych. Traktuj każdy krok jako bramkę dowodową: jeśli kryteria nie są spełnione, wstrzymaj wdrażanie, uzupełnij lukę i dopiero wtedy zwiększ wykorzystanie.
Przed integracją przejrzyj warunki dotyczące prywatności, bezpieczeństwa i prawa.
Przed integracją przejrzyj warunki dotyczące prywatności, bezpieczeństwa i prawa. Traktuj każdy krok jako bramkę dowodową: jeśli kryteria nie są spełnione, wstrzymaj wdrażanie, uzupełnij lukę i dopiero wtedy zwiększ wykorzystanie.
Utrzymuj plan awaryjny dla różnych modeli i dostawców.
Utrzymuj plan awaryjny dla różnych modeli i dostawców. Traktuj każdy krok jako bramkę dowodową: jeśli kryteria nie są spełnione, wstrzymaj wdrażanie, uzupełnij lukę i dopiero wtedy zwiększ wykorzystanie.
Monitoruj informacje o wersji, aby zmiany w planie działania nie zaskoczyły zespołów.
Monitoruj informacje o wersji, aby zmiany w planie działania nie zaskoczyły zespołów. Traktuj każdy krok jako bramkę dowodową: jeśli kryteria nie są spełnione, wstrzymaj wdrażanie, uzupełnij lukę i dopiero wtedy zwiększ wykorzystanie.