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.
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.
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 przeciwko cechom wywodzącym się ze 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.
Wpływ strategiczny
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.
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.
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.
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.
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
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
Następny poradnik
Podstawy uczenia maszynowego
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.