Обзор
Insitro объединяет крупномасштабные генетические и клеточные данные человека с машинным обучением, чтобы найти лучшие мишени для лекарств и пациентов, которые с наибольшей вероятностью отреагируют. Это важно, потому что оно устраняет главную причину неудачи лекарств – выбор неправильной цели – путем обоснования открытий в реальной биологии человека.
Биологию машинного обучения Insitro лучше всего понимать в контексте стратегии, доступа к моделям, платформенных решений и экосистемного партнерства.
Глубокое погружение
Компания Insitro, основанная в 2018 году компьютерным биологом и бывшим руководителем Стэнфорда и Coursera Дафной Коллер, зарекомендовала себя как компания по разработке лекарств, ориентированная на машинное обучение. Его основная идея состоит в том, чтобы генерировать огромные, специально созданные наборы данных собственными силами — с использованием моделей болезней, полученных из стволовых клеток человека («in vitro»), изображений с высоким содержанием контента и «омических измерений» — и объединять их с огромными генетическими и клиническими когортами человека, такими как Британский биобанк. Затем машинное обучение связывает молекулярные и клеточные признаки заболевания, помогая определить цели, которые, как предполагает генетика, действительно вызывают заболевание, и разделить пациентов на подгруппы. Само название сочетает в себе «in silico» (вычисления) и «in vitro» (лабораторная биология). Insitro сотрудничает с компаниями Gilead и Bristol Myers Squibb и специализируется на таких областях, как метаболические заболевания, заболевания печени и нейродегенеративные заболевания.
Техническая информация
Фирменный метод Insitro использует машинное обучение на медицинских изображениях — например, глубоких моделях, читающих МРТ печени или гистопатологию, — для получения количественных «фенотипов машинного обучения». Проведение общегеномных исследований ассоциаций против этих черт, полученных с помощью ИИ, среди популяций в масштабе биобанка может выявить генетические варианты и, следовательно, причинные цели, которые упускают из виду грубые клинические ярлыки. Это сочетает генетику человека (самое убедительное доказательство того, что цель имеет значение) с богатым фенотипическим разрешением ИИ.
Освоение биологии машинного обучения Insitro
Insitro объединяет крупномасштабные генетические и клеточные данные человека с машинным обучением, чтобы найти лучшие мишени для лекарств и пациентов, которые с наибольшей вероятностью отреагируют. Это важно, потому что оно устраняет главную причину неудачи лекарств – выбор неправильной цели – путем обоснования открытий в реальной биологии человека. Биологию машинного обучения Insitro лучше всего понимать в контексте стратегии, доступа к моделям, платформенных решений и экосистемного партнерства. Чтобы достичь глубокого понимания, рассматривайте биологию машинного обучения Insitro как операционную модель, а не как отдельную функцию: определите желаемые результаты, проясните предположения и отделите то, что система может делать надежно, от того, что все еще требует экспертной оценки.
На практике сильные команды, использующие Insitro Machine Learning Biology, перед принятием решения оценивают стратегию поставщика, надежность дорожной карты и риск блокировки. Они документируют явные критерии успеха, проводят тестирование на основе реалистичных данных и рабочих процессов, а также выполняют итерации на основе наблюдаемых моделей неудач, а не разовых побед в тестах. Именно здесь теоретическое понимание превращается в прочные возможности в отношении продукта, политики и операций.
Дорожные карты поставщиков влияют на то, какие функции ваша команда может создать дальше. В то же время объявления о запуске могут опережать стабильность реальных рабочих процессов. Самый устойчивый подход — сочетать скорость экспериментирования с дисциплиной управления: запускать пилотные проекты, собирать доказательства, публиковать журналы решений и постоянно обновлять меры безопасности по мере развития поведения модели, ожиданий пользователей и нормативных требований.
Стратегическое воздействие
Дорожные карты поставщиков влияют на то, какие функции ваша команда может создать дальше.
Дорожные карты поставщиков влияют на то, какие функции ваша команда может создать дальше. В высококачественных развертываниях это выражается в измеримых рабочих правилах, границах владения и повторяющихся ритуалах проверки, что позволяет командам повышать уверенность, а не увеличивать двусмысленность.
Коммерческие условия и варианты развертывания влияют на долгосрочные затраты и риски.
Коммерческие условия и варианты развертывания влияют на долгосрочные затраты и риски. В высококачественных развертываниях это выражается в измеримых рабочих правилах, границах владения и повторяющихся ритуалах проверки, что позволяет командам повышать уверенность, а не увеличивать двусмысленность.
Стимулы компании влияют на невыполнение обязательств по продукту, безопасность и открытость.
Стимулы компании влияют на невыполнение обязательств по продукту, безопасность и открытость. В высококачественных развертываниях это выражается в измеримых рабочих правилах, границах владения и повторяющихся ритуалах проверки, что позволяет командам повышать уверенность, а не увеличивать двусмысленность.
Реальная реализация
Обучение моделей на МРТ-сканировании печени для создания количественных фенотипов, а затем проведение исследований генетических ассоциаций для поиска мишеней для лекарств при заболеваниях печени.
Использование нейронов, полученных из стволовых клеток человека, для моделирования БАС и других нейродегенеративных заболеваний для анализа ML.
Сотрудничество с компанией Gilead для выявления целей борьбы с неалкогольным стеатогепатитом (НАСГ) и фиброзом печени.
Разделение пациентов на генетические подгруппы, чтобы предсказать, кто будет реагировать на данную терапию.
Шаблоны реализации
Биология машинного обучения Insitro на практике
Обучение моделей на МРТ-сканировании печени для создания количественных фенотипов, а затем проведение исследований генетических ассоциаций для поиска мишеней для лекарств при заболеваниях печени.
Обучение моделей на МРТ-сканировании печени для создания количественных фенотипов, а затем проведение исследований генетических ассоциаций для поиска мишеней для лекарств от заболеваний печени. Команды обычно получают лучшие результаты, когда заранее определяют пороговые значения качества, сохраняют путь эскалации с участием человека для крайних случаев и отслеживают как прирост производительности, так и затраты на ошибки с течением времени.
Биология машинного обучения Insitro на практике
Использование нейронов, полученных из стволовых клеток человека, для моделирования БАС и других нейродегенеративных заболеваний для анализа ML.
Использование нейронов, полученных из стволовых клеток человека, для моделирования БАС и других нейродегенеративных заболеваний для анализа МО. Команды обычно получают лучшие результаты, когда заранее определяют пороговые значения качества, сохраняют путь эскалации с участием человека для крайних случаев и отслеживают как рост производительности, так и затраты на ошибки с течением времени.
Биология машинного обучения Insitro на практике
Сотрудничество с компанией Gilead для выявления целей борьбы с неалкогольным стеатогепатитом (НАСГ) и фиброзом печени.
Сотрудничая с компанией Gilead для выявления целей в отношении неалкогольного стеатогепатита (НАСГ) и фиброза печени, команды обычно добиваются лучших результатов, если заранее определяют пороговые значения качества, сохраняют возможность эскалации с участием людей в крайних случаях и отслеживают как рост производительности, так и затраты на ошибки с течением времени.
Биология машинного обучения Insitro на практике
Разделение пациентов на генетические подгруппы, чтобы предсказать, кто будет реагировать на данную терапию.
Разделение пациентов на генетические подгруппы для прогнозирования того, кто будет реагировать на ту или иную терапию. Команды обычно добиваются лучших результатов, если заранее определяют пороговые значения качества, сохраняют человеческий путь эскалации для крайних случаев и отслеживают как рост производительности, так и затраты на ошибки с течением времени.
Риски и ограничения
Объявления о запуске могут опережать стабильность реальных производственных процессов.
Цены на API или изменения в политике могут в одночасье разрушить предположения.
Зависимость от одного поставщика увеличивает затраты на привязку и миграцию.
Дорожная карта реализации
Оценивайте поставщиков, используя собственные задачи и наборы данных.
Оценивайте поставщиков, используя собственные задачи и наборы данных. Относитесь к каждому шагу как к доказательству: если критерии не выполняются, приостановите внедрение, ликвидируйте пробел и только затем расширяйте использование.
Перед интеграцией ознакомьтесь с условиями конфиденциальности, безопасности и юридическими условиями.
Перед интеграцией ознакомьтесь с условиями конфиденциальности, безопасности и юридическими условиями. Относитесь к каждому шагу как к доказательству: если критерии не выполняются, приостановите внедрение, ликвидируйте пробел и только затем расширяйте использование.
Поддерживайте резервный план для разных моделей или поставщиков.
Поддерживайте резервный план для разных моделей или поставщиков. Относитесь к каждому шагу как к доказательству: если критерии не выполняются, приостановите внедрение, ликвидируйте пробел и только затем расширяйте использование.
Отслеживайте примечания к выпуску, чтобы изменения в дорожной карте не удивили команды.
Отслеживайте примечания к выпуску, чтобы изменения в дорожной карте не удивили команды. Относитесь к каждому шагу как к доказательству: если критерии не выполняются, приостановите внедрение, ликвидируйте пробел и только затем расширяйте использование.