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.
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.
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.
Стратегическое воздействие
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.
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.
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.
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.
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
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
Следующее руководство
Основы машинного обучения
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.