ДалееСледующее руководство
Основы машинного обучения
Основы
РУКОВОДСТВО ПО КОМПАНИЯМ
Биология 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.
Прослушайте это руководствоОзвучено ИИ · ~2 min
На этой странице2 минуты чтения
Обзор
It matters because it tackles the biggest reason drugs fail — picking the wrong target — by grounding discovery in real human biology.
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.
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.
Будущее биологии машинного обучения Insitro
Insitro стремится к созданию прогностических моделей, которые связывают генотип с клеточным фенотипом и результатами лечения пациентов, что позволяет выбирать цель и стратифицировать пациентов перед дорогостоящими исследованиями. Ожидайте более глубокого использования базовых моделей в визуализации и омике, большего количества связей с биобанками и продвижения кандидатов на внутренний конвейер. Ключевой задачей является замыкание цикла: доказать, что цели, назначенные ИИ и поддерживаемые генетикой, превращаются в одобренные лекарства, которые работают у нужных пациентов.
Применение на практике
Почему это важно
- Стратегия поставщика. Дорожные карты поставщиков влияют на то, какие функции ваша команда может создать дальше.
- Стоимость и бюджет. Коммерческие условия и варианты развертывания влияют на долгосрочные затраты и риски.
- Риски и безопасность. Стимулы компании влияют на невыполнение обязательств по продукту, безопасность и открытость.
Следите за
- 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.
Следующие шаги
- Оценивайте поставщиков, используя собственные задачи и наборы данных.
- Перед интеграцией ознакомьтесь с условиями конфиденциальности, безопасности и юридическими условиями.
- Поддерживайте резервный план для разных моделей или поставщиков.
- Отслеживайте примечания к выпуску, чтобы изменения в дорожной карте не удивили команды.
Продолжайте исследовать
Бесплатная рассылка
Получайте ежедневный AI-обзор
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Take the Insitro Machine Learning Biology quiz
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
Часто задаваемые вопросы
What is Insitro Machine Learning Biology?
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.
Что объединяет в себе название «Инситро»?
Название сочетает в себе вычисления «in silico» с лабораторной биологией «in vitro», отражая подход «МО плюс эксперимент».
Кто основал Инситро?
Дафна Коллер, компьютерный биолог и бывший соучредитель Coursera, основала Insitro в 2018 году.
Почему Insitro уделяет особое внимание генетике человека при выборе цели?
Цели, подтвержденные генетическими данными человека, с гораздо большей вероятностью будут действительно причинно-следственными, что снижает неудачу лекарств.
Что такое «фенотип машинного обучения» в понимании Insitro?
Insitro извлекает количественные характеристики из изображений с помощью ML, а затем изучает их генетические ассоциации.
Какая большая когорта людей обычно используется для генетических исследований в масштабе биобанка, подобных исследованиям Insitro?
Биобанк Великобритании объединяет генетические, визуализирующие и медицинские данные сотен тысяч людей.
Продолжайте учиться
Связанные руководства
Другие руководства, выбранные по этой теме