Översikt
Insitro kombinerar storskalig mänsklig genetisk och cellulär data med maskininlärning för att hitta bättre läkemedelsmål och de patienter som mest sannolikt kommer att svara. Det är viktigt eftersom det tar itu med den största orsaken till att droger misslyckas - att välja fel mål - genom att grunda upptäckter i verklig mänsklig biologi.
Insitro Machine Learning Biology förstås bäst i samband med strategi, modellåtkomst, plattformsbeslut och ekosystempartnerskap.
Djupdykning
Insitro grundades 2018 av beräkningsbiologen och tidigare Stanford och Coursera-ledaren Daphne Koller och byggde upp sig själv som ett "maskininlärning-först" läkemedelsupptäcktsföretag. Dess kärnidé är att generera enorma, specialbyggda datauppsättningar internt - med hjälp av mänskliga stamcellshärledda ('in vitro') sjukdomsmodeller, höginnehållsavbildning och 'omics-mätningar - och para dem med massiva mänskliga genetiska och kliniska kohorter som den brittiska biobanken. Maskininlärning kopplar sedan molekylära och cellulära signaturer till sjukdomar, hjälper till att identifiera mål som genetiken tyder på verkligen orsaka sjukdom, och stratifiera patienter i undergrupper. Namnet i sig blandar "in silico" (beräkning) och "in vitro" (labbiologi). Insitro har samarbetat med Gilead och Bristol Myers Squibb och fokuserar på områden som metabola, lever- och neurodegenerativa sjukdomar.
Teknisk insikt
En signatur Insitro-metod använder maskininlärning på medicinska bilder - till exempel djupa modeller som läser lever-MR eller histopatologi - för att härleda kvantitativa "maskinlärande fenotyper." Att köra genomomfattande associationsstudier mot dessa AI-härledda egenskaper över populationer i biobanksskala kan visa upp genetiska varianter, och därför orsaksmål, som råa kliniska etiketter missar. Detta kopplar mänsklig genetik, det starkaste beviset på att ett mål spelar roll, med rik fenotypisk upplösning från AI.
Bemästra Insitro Machine Learning Biology
Insitro kombinerar storskalig mänsklig genetisk och cellulär data med maskininlärning för att hitta bättre läkemedelsmål och de patienter som mest sannolikt kommer att svara. Det är viktigt eftersom det tar itu med den största orsaken till att droger misslyckas - att välja fel mål - genom att grunda upptäckter i verklig mänsklig biologi. Insitro Machine Learning Biology förstås bäst i samband med strategi, modellåtkomst, plattformsbeslut och ekosystempartnerskap. För att bygga djup förståelse, behandla Insitro Machine Learning Biology som en operativ modell, inte en enda funktion: definiera önskade resultat, förtydliga antaganden och separera vad systemet kan göra på ett tillförlitligt sätt från det som fortfarande kräver expertbedömning.
I praktiken utvärderar starka team som använder Insitro Machine Learning Biology leverantörens strategi, färdplanens tillförlitlighet och inlåsningsrisk innan de förbinder sig. De dokumenterar explicita framgångskriterier, testar mot realistiska data och arbetsflöden och itererar baserat på observerade misslyckandemönster snarare än engångsvinster. Det är här teoretisk förståelse förvandlas till hållbar förmåga över produkt, policy och verksamhet.
Leverantörsfärdplaner påverkar vilka funktioner ditt team kan bygga härnäst. Samtidigt kan lanseringsmeddelanden överträffa stabiliteten i verkliga produktionsarbetsflöden. Det mest motståndskraftiga tillvägagångssättet är att kombinera experimenteringshastighet med styrningsdisciplin: köra piloter, fånga bevis, publicera beslutsloggar och kontinuerligt uppdatera säkerhetsåtgärder allteftersom modellens beteende, användarnas förväntningar och regulatoriska krav utvecklas.
Strategisk inverkan
Leverantörsfärdplaner påverkar vilka funktioner ditt team kan bygga härnäst.
Leverantörsfärdplaner påverkar vilka funktioner ditt team kan bygga härnäst. I högkvalitativa implementeringar översätts detta till mätbara driftregler, ägandegränser och återkommande granskningsritualer så att team kan skala förtroende istället för att skala tvetydigheter.
Kommersiella villkor och distributionsalternativ påverkar långsiktiga kostnader och risker.
Kommersiella villkor och distributionsalternativ påverkar långsiktiga kostnader och risker. I högkvalitativa implementeringar översätts detta till mätbara driftregler, ägandegränser och återkommande granskningsritualer så att team kan skala förtroende istället för att skala tvetydigheter.
Företagsincitament formar produktstandarder, säkerhetsställning och öppenhet.
Företagsincitament formar produktstandarder, säkerhetsställning och öppenhet. I högkvalitativa implementeringar översätts detta till mätbara driftregler, ägandegränser och återkommande granskningsritualer så att team kan skala förtroende istället för att skala tvetydigheter.
Real-World Implementation
Träningsmodeller på lever MRI-skanningar för att skapa kvantitativa fenotyper, kör sedan genetiska associationsstudier för att hitta läkemedelsmål för leversjukdom.
Användning av mänskliga stamcellshärledda neuroner för att modellera ALS och andra neurodegenerativa sjukdomar för ML-analys.
Samarbetar med Gilead för att upptäcka mål för icke-alkoholisk steatohepatit (NASH) och leverfibros.
Stratifiera patienter i genetiska undergrupper för att förutsäga vem som kommer att svara på en given terapi.
Implementeringsmönster
Insitro Machine Learning Biology i praktiken
Träningsmodeller på lever MRI-skanningar för att skapa kvantitativa fenotyper, kör sedan genetiska associationsstudier för att hitta läkemedelsmål för leversjukdom.
Träningsmodeller för MRI-undersökningar av lever för att skapa kvantitativa fenotyper, sedan köra genetiska associationsstudier för att hitta läkemedelsmål för leversjukdom Team får vanligtvis bättre resultat när de definierar kvalitetströsklar i förväg, håller en mänsklig eskaleringsväg för kantfall och spårar både produktivitetsvinster och felkostnader över tid.
Insitro Machine Learning Biology i praktiken
Användning av mänskliga stamcellshärledda neuroner för att modellera ALS och andra neurodegenerativa sjukdomar för ML-analys.
Användning av mänskliga stamcellshärledda neuroner för att modellera ALS och andra neurodegenerativa sjukdomar för ML-analys Team får vanligtvis bättre resultat när de definierar kvalitetströsklar i förväg, håller en mänsklig eskaleringsväg för kantfall och spårar både produktivitetsvinster och felkostnader över tid.
Insitro Machine Learning Biology i praktiken
Samarbetar med Gilead för att upptäcka mål för icke-alkoholisk steatohepatit (NASH) och leverfibros.
Samarbetar med Gilead för att upptäcka mål för alkoholfri steatohepatit (NASH) och leverfibros Teams får vanligtvis bättre resultat när de definierar kvalitetströsklar i förväg, håller en mänsklig eskaleringsväg för edge-fall och spårar både produktivitetsvinster och felkostnader över tid.
Insitro Machine Learning Biology i praktiken
Stratifiera patienter i genetiska undergrupper för att förutsäga vem som kommer att svara på en given terapi.
Att stratifiera patienter i genetiska undergrupper för att förutsäga vem som kommer att svara på en given terapi Team får vanligtvis bättre resultat när de definierar kvalitetströsklar i förväg, håller en mänsklig eskaleringsväg för kantfall och spårar både produktivitetsvinster och felkostnader över tid.
Risker & skyddsräcken
Lanseringsmeddelanden kan överträffa stabiliteten i verkliga produktionsarbetsflöden.
API-prissättning eller policyförskjutningar kan bryta antaganden över en natt.
Beroende av en leverantör ökar inlåsnings- och migreringskostnaderna.
Färdplan för genomförande
Utvärdera leverantörer med dina egna uppgifter och datauppsättningar.
Utvärdera leverantörer med dina egna uppgifter och datauppsättningar. Behandla varje steg som en evidensgrind: om kriterierna inte uppfylls, pausa lanseringen, täpp till luckan och först därefter utöka användningen.
Granska sekretess, säkerhet och juridiska villkor innan integration.
Granska sekretess, säkerhet och juridiska villkor innan integration. Behandla varje steg som en evidensgrind: om kriterierna inte uppfylls, pausa lanseringen, täpp till luckan och först därefter utöka användningen.
Upprätthåll en reservplan över modeller eller leverantörer.
Upprätthåll en reservplan över modeller eller leverantörer. Behandla varje steg som en evidensgrind: om kriterierna inte uppfylls, pausa lanseringen, täpp till luckan och först därefter utöka användningen.
Övervaka release notes så att förändringar i färdplanen inte överraskar team.
Övervaka release notes så att förändringar i färdplanen inte överraskar team. Behandla varje steg som en evidensgrind: om kriterierna inte uppfylls, pausa lanseringen, täpp till luckan och först därefter utöka användningen.