Prezentare generală
Insitro îmbină datele genetice și celulare umane la scară largă cu învățarea automată pentru a găsi ținte de medicamente mai bune și pacienții cu cea mai mare probabilitate de a răspunde. Contează pentru că abordează cel mai mare motiv pentru care medicamentele eșuează - alegerea țintei greșite - prin fundamentarea descoperirii în biologia umană reală.
Insitro Machine Learning Biology este cel mai bine înțeleasă în contextul strategiei, al accesului la model, al deciziilor de platformă și al parteneriatelor cu ecosisteme.
Deep Dive
Fondată în 2018 de biologul computațional și fostul lider de la Stanford și Coursera, Daphne Koller, Insitro s-a construit ca o companie de descoperire a medicamentelor „învățarea automată în primul rând”. Ideea sa de bază este să genereze internă seturi de date uriașe, construite special – folosind modele de boli derivate din celule stem umane („in vitro”), imagistică cu conținut ridicat și măsurători „omice – și să le împerecheze cu cohorte masive genetice și clinice umane precum Biobankul Regatului Unit. Învățarea automată leagă apoi semnăturile moleculare și celulare de boală, ajutând la identificarea țintelor despre care genetica sugerează că cauzează cu adevărat boli și la stratificarea pacienților în subgrupuri. Numele în sine îmbină „in silico” (calcul) și „in vitro” (biologie de laborator). Insitro a colaborat cu Gilead și Bristol Myers Squibb și se concentrează pe domenii precum bolile metabolice, hepatice și neurodegenerative.
Perspectivă tehnică
O metodă de semnătură Insitro folosește învățarea automată pe imagini medicale - de exemplu, modele profunde care citesc RMN hepatic sau histopatologie - pentru a obține „fenotipuri de învățare automată” cantitative. Desfășurarea de studii de asociere la nivelul întregului genom împotriva acestor trăsături derivate din IA în populațiile la scară de biobancă poate scoate la iveală variante genetice și, prin urmare, ținte cauzale, pe care etichetele clinice brute le scapă. Aceasta cuplează genetica umană, cea mai puternică dovadă că o țintă contează, cu o rezoluție fenotipică bogată din AI.
Stăpânirea biologiei învățarii automate insitu
Insitro îmbină datele genetice și celulare umane la scară largă cu învățarea automată pentru a găsi ținte de medicamente mai bune și pacienții cu cea mai mare probabilitate de a răspunde. Contează pentru că abordează cel mai mare motiv pentru care medicamentele eșuează - alegerea țintei greșite - prin fundamentarea descoperirii în biologia umană reală. Insitro Machine Learning Biology este cel mai bine înțeleasă în contextul strategiei, al accesului la model, al deciziilor de platformă și al parteneriatelor cu ecosisteme. Pentru a construi o înțelegere profundă, tratați Insitro Machine Learning Biology ca un model de operare, nu o singură caracteristică: definiți rezultatele dorite, clarificați ipotezele și separați ceea ce poate face sistemul în mod fiabil de ceea ce necesită încă o judecată expertă.
În practică, echipele puternice care folosesc Insitro Machine Learning Biology evaluează strategia furnizorului, fiabilitatea foii de parcurs și riscul de blocare înainte de a se angaja. Aceștia documentează criteriile de succes explicite, testează în funcție de date și fluxuri de lucru realiste și repetă pe baza modelelor de eșec observate, mai degrabă decât a câștigurilor de referință unice. Aici înțelegerea teoretică se transformă în capacitate durabilă pentru produse, politici și operațiuni.
Foile de parcurs ale furnizorilor influențează caracteristicile pe care echipa ta le poate construi în continuare. În același timp, anunțurile de lansare pot depăși stabilitatea în fluxurile de producție reale. Cea mai rezistentă abordare este combinarea vitezei de experimentare cu disciplina de guvernare: desfășurați pilot, capturați dovezi, publicați jurnalele de decizie și actualizați continuu măsurile de protecție pe măsură ce comportamentul modelului, așteptările utilizatorilor și cerințele de reglementare evoluează.
Impact strategic
Foile de parcurs ale furnizorilor influențează caracteristicile pe care echipa ta le poate construi în continuare.
Foile de parcurs ale furnizorilor influențează caracteristicile pe care echipa ta le poate construi în continuare. În implementările de înaltă calitate, acest lucru se traduce în reguli de operare măsurabile, limite de proprietate și ritualuri de revizuire recurente, astfel încât echipele să poată mări încrederea în loc să crească ambiguitatea.
Condițiile comerciale și opțiunile de implementare afectează costurile și riscurile pe termen lung.
Condițiile comerciale și opțiunile de implementare afectează costurile și riscurile pe termen lung. În implementările de înaltă calitate, acest lucru se traduce în reguli de operare măsurabile, limite de proprietate și ritualuri de revizuire recurente, astfel încât echipele să poată mări încrederea în loc să crească ambiguitatea.
Stimulentele companiei modelează valorile implicite ale produselor, postura de siguranță și deschiderea.
Stimulentele companiei modelează valorile implicite ale produselor, postura de siguranță și deschiderea. În implementările de înaltă calitate, acest lucru se traduce în reguli de operare măsurabile, limite de proprietate și ritualuri de revizuire recurente, astfel încât echipele să poată mări încrederea în loc să crească ambiguitatea.
Implementare în lumea reală
Modele de antrenament pe scanări IRM hepatice pentru a crea fenotipuri cantitative, apoi desfășurarea unor studii de asociere genetică pentru a găsi ținte de medicamente pentru boala hepatică.
Utilizarea neuronilor derivați din celule stem umane pentru a modela SLA și alte boli neurodegenerative pentru analiza ML.
Parteneriat cu Gilead pentru a descoperi ținte pentru steatohepatita nonalcoolică (NASH) și fibroza hepatică.
Stratificarea pacienților în subgrupuri genetice pentru a prezice cine va răspunde la o anumită terapie.
Modele de implementare
Initro Machine Learning Biology în practică
Modele de antrenament pe scanări IRM hepatice pentru a crea fenotipuri cantitative, apoi desfășurarea unor studii de asociere genetică pentru a găsi ținte de medicamente pentru boala hepatică.
Modele de antrenament privind scanările RMN hepatice pentru a crea fenotipuri cantitative, apoi desfășurarea unor studii de asociere genetică pentru a găsi ținte de medicamente pentru bolile hepatice.
Initro Machine Learning Biology în practică
Utilizarea neuronilor derivați din celule stem umane pentru a modela SLA și alte boli neurodegenerative pentru analiza ML.
Utilizarea neuronilor derivați din celule stem umane pentru a modela SLA și alte boli neurodegenerative pentru analiza ML Echipele obțin de obicei rezultate mai bune atunci când definesc pragurile de calitate în avans, păstrează o cale de escaladare umană pentru cazurile marginale și urmăresc atât câștigurile de productivitate, cât și costurile de eroare în timp.
Initro Machine Learning Biology în practică
Parteneriat cu Gilead pentru a descoperi ținte pentru steatohepatita nonalcoolică (NASH) și fibroza hepatică.
Parteneriat cu Gilead pentru a descoperi ținte pentru steatohepatita nonalcoolică (NASH) și fibroza hepatică.
Initro Machine Learning Biology în practică
Stratificarea pacienților în subgrupuri genetice pentru a prezice cine va răspunde la o anumită terapie.
Stratificarea pacienților în subgrupuri genetice pentru a prezice cine va răspunde la o anumită terapie.
Riscuri și balustrade
Anunțurile de lansare pot depăși stabilitatea în fluxurile de producție reale.
Prețurile API sau schimbările de politică pot rupe ipoteze peste noapte.
Dependența de un singur furnizor crește costurile de blocare și migrare.
Foaia de parcurs de implementare
Evaluați furnizorii folosind propriile sarcini și seturi de date.
Evaluați furnizorii folosind propriile sarcini și seturi de date. Tratați fiecare pas ca pe o poartă de dovezi: dacă criteriile nu sunt îndeplinite, întrerupeți lansarea, închideți decalajul și abia apoi extindeți utilizarea.
Examinați confidențialitatea, securitatea și condițiile legale înainte de integrare.
Examinați confidențialitatea, securitatea și condițiile legale înainte de integrare. Tratați fiecare pas ca pe o poartă de dovezi: dacă criteriile nu sunt îndeplinite, întrerupeți lansarea, închideți decalajul și abia apoi extindeți utilizarea.
Mențineți un plan alternativ pentru modele sau furnizori.
Mențineți un plan alternativ pentru modele sau furnizori. Tratați fiecare pas ca pe o poartă de dovezi: dacă criteriile nu sunt îndeplinite, întrerupeți lansarea, închideți decalajul și abia apoi extindeți utilizarea.
Monitorizați notele de lansare, astfel încât modificările foii de parcurs să nu surprindă echipele.
Monitorizați notele de lansare, astfel încât modificările foii de parcurs să nu surprindă echipele. Tratați fiecare pas ca pe o poartă de dovezi: dacă criteriile nu sunt îndeplinite, întrerupeți lansarea, închideți decalajul și abia apoi extindeți utilizarea.