Intro Biologie învățare automată
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.
Prezentare generală
It matters because it tackles the biggest reason drugs fail — picking the wrong target — by grounding discovery in real human biology.
Scufundare în profunzime
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.
Impact strategic
Strategia furnizorului
Foile de parcurs ale furnizorilor influențează caracteristicile pe care echipa ta le poate construi în continuare.
Cost și buget
Condițiile comerciale și opțiunile de implementare afectează costurile și riscurile pe termen lung.
Risc și siguranță
Stimulentele companiei modelează valorile implicite ale produselor, postura de siguranță și deschiderea.
Viitorul biologiei învățării automate insito
Insitro împinge spre modele predictive care conectează genotipul de fenotipul celular și rezultatul pacientului, permițând selecția țintei și stratificarea pacientului înainte de studiile costisitoare. Așteptați-vă la o utilizare mai profundă a modelelor de fundație în imagini și omice, mai multe legături biobanci și candidați în avans pentru pipeline interne. Provocarea cheie este închiderea buclei: demonstrarea faptului că țintele nominalizate de IA și susținute de genetică se traduc în medicamente aprobate care funcționează la pacienții potriviți.
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.
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.
Examinați confidențialitatea, securitatea și condițiile legale înainte de integrare.
Mențineți un plan alternativ pentru modele sau furnizori.
Monitorizați notele de lansare, astfel încât modificările foii de parcurs să nu surprindă echipele.
Continuați să explorați
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
Următorul ghid
Bazele învățării automate
Întrebări frecvente
What is Insitro Machine Learning Biology?
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.
Ce combină numele „Insitro”?
Numele îmbină calculul „in silico” cu biologia de laborator „in vitro”, captând abordarea sa ML-plus-experiment.
Cine a fondat Insitro?
Daphne Koller, biolog computațional și fost co-fondator Coursera, a fondat Insitro în 2018.
De ce Insitro pune accentul pe genetica umană în selecția țintei?
Țintele susținute de dovezi genetice umane sunt mult mai probabil să fie cu adevărat cauzale, reducând eșecul medicamentelor.
Ce este un „fenotip de învățare automată”, așa cum îl folosește Insitro?
Insitro derivă trăsături cantitative din imagini folosind ML, apoi studiază asociațiile lor genetice.
Ce cohortă umană mare este folosită în mod obișnuit pentru studii genetice la scară de biobancă, cum ar fi Insitro?
Biobankul din Marea Britanie conectează date genetice, imagistice și de sănătate pentru sute de mii de oameni.