A seguirPróximo guia
Noções básicas de aprendizado de máquina
Fundamentos
GUIA DE EMPRESAS
Insitro Biologia de aprendizado de máquina
O Insitro combina dados genéticos e celulares humanos em grande escala com aprendizado de máquina para encontrar melhores alvos de medicamentos e os pacientes com maior probabilidade de responder.
Nesta página2 minutos de leitura
Visão geral
É importante porque aborda a maior razão pela qual os medicamentos falham – escolher o alvo errado – fundamentando a descoberta na biologia humana real.
Mergulho profundo
Fundada em 2018 pela bióloga computacional e ex-líder de Stanford e Coursera, Daphne Koller, a Insitro se tornou uma empresa de descoberta de medicamentos que prioriza o aprendizado de máquina. A sua ideia central é gerar internamente enormes conjuntos de dados específicos - utilizando modelos de doenças derivadas de células estaminais humanas ('in vitro'), imagens de alto conteúdo e medições 'ómicas' - e combiná-los com enormes coortes genéticas e clínicas humanas, como o Biobank do Reino Unido. O aprendizado de máquina vincula então assinaturas moleculares e celulares às doenças, ajudando a identificar alvos que a genética sugere que realmente causam doenças e a estratificar os pacientes em subgrupos. O próprio nome mistura 'in silico' (computação) e 'in vitro' (biologia de laboratório). A Insitro fez parceria com Gilead e Bristol Myers Squibb e se concentra em áreas como doenças metabólicas, hepáticas e neurodegenerativas.
Impacto Estratégico
Estratégia do fornecedor
Os roteiros dos fornecedores influenciam quais recursos sua equipe pode construir a seguir.
Custo e orçamento
Os termos comerciais e as opções de implantação afetam os custos e riscos a longo prazo.
Risco e segurança
Os incentivos da empresa moldam os padrões de produto, a postura de segurança e a abertura.
O futuro da biologia do aprendizado de máquina do Insitro
A Insitro está buscando modelos preditivos que conectem o genótipo ao fenótipo celular e o resultado do paciente, permitindo a seleção de alvos e a estratificação dos pacientes antes de ensaios dispendiosos. Espere um uso mais profundo de modelos básicos em imagens e ômicas, mais ligações de biobancos e avanços nos candidatos de pipeline interno. O principal desafio é fechar o ciclo: provar que os alvos indicados pela IA e apoiados pela genética se traduzem em medicamentos aprovados que funcionam nos pacientes certos.
Implementação no mundo real
Treinar modelos em exames de ressonância magnética do fígado para criar fenótipos quantitativos e, em seguida, executar estudos de associação genética para encontrar alvos de medicamentos para doenças hepáticas.
Uso de neurônios derivados de células-tronco humanas para modelar ELA e outras doenças neurodegenerativas para análise de ML.
Parceria com a Gilead para descobrir alvos para esteatohepatite não alcoólica (NASH) e fibrose hepática.
Estratificar pacientes em subgrupos genéticos para prever quem responderá a uma determinada terapia.
Riscos e guarda-corpos
Os anúncios de lançamento podem superar a estabilidade em fluxos de trabalho de produção reais.
Os preços das APIs ou as mudanças nas políticas podem quebrar suposições da noite para o dia.
A dependência de um único fornecedor aumenta os custos de aprisionamento e migração.
Roteiro de implementação
Avalie os provedores usando suas próprias tarefas e conjuntos de dados.
Revise os termos legais, de privacidade e segurança antes da integração.
Mantenha um plano alternativo entre modelos ou fornecedores.
Monitore as notas de lançamento para que as mudanças no roteiro não surpreendam as equipes.
Continue explorando
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
Perguntas frequentes
O que é biologia de aprendizado de máquina do Insitro?
O Insitro combina dados genéticos e celulares humanos em grande escala com aprendizado de máquina para encontrar melhores alvos de medicamentos e os pacientes com maior probabilidade de responder. É importante porque aborda a maior razão pela qual os medicamentos falham – escolher o alvo errado – fundamentando a descoberta na biologia humana real.
O que combina o nome 'Insitro'?
O nome combina computação 'in silico' com biologia de laboratório 'in vitro', capturando sua abordagem de ML mais experimento.
Quem fundou o Insitro?
Daphne Koller, bióloga computacional e ex-cofundadora do Coursera, fundou a Insitro em 2018.
Por que o Insitro enfatiza a genética humana na seleção de alvos?
Os alvos apoiados por evidências genéticas humanas têm muito mais probabilidade de serem genuinamente causais, reduzindo o fracasso dos medicamentos.
O que é um 'fenótipo de aprendizado de máquina' conforme o Insitro o utiliza?
O Insitro deriva características quantitativas de imagens usando ML e depois estuda suas associações genéticas.
Qual grande coorte humana é comumente usada para estudos genéticos em escala de biobanco como o do Insitro?
O UK Biobank vincula dados genéticos, de imagem e de saúde de centenas de milhares de pessoas.
Continue aprendendo
Guias relacionados
Mais guias escolhidos para este tópico