Огляд
Insitro об’єднує масштабні генетичні та клітинні дані людини з машинним навчанням, щоб знаходити кращі мішені ліків і пацієнтів, які, швидше за все, відреагують. Це важливо, тому що він вирішує головну причину невдачі ліків — неправильний вибір мішені — ґрунтуючись на відкритті реальної людської біології.
Біологію машинного навчання Insitro найкраще зрозуміти в контексті стратегії, доступу до моделі, рішень щодо платформи та партнерства в екосистемі.
Глибоке занурення
Заснована в 2018 році комп’ютерним біологом і колишнім керівником Стенфордського університету та Coursera Дафною Коллер, Insitro перетворилася на компанію з розробки ліків, яка «перш за все використовує машинне навчання». Його основна ідея полягає у створенні величезних спеціально створених наборів даних усередині компанії — з використанням моделей захворювань, отриманих зі стовбурових клітин людини («in vitro»), висококонтентних зображень і «омічних вимірювань» — і поєднання їх із величезними генетичними та клінічними когортами людини, такими як Біобанк Великобританії. Потім машинне навчання пов’язує молекулярні та клітинні сигнатури з хворобою, допомагаючи ідентифікувати цілі, які, згідно з генетикою, дійсно викликають хворобу, і розподіляти пацієнтів на підгрупи. Сама назва поєднує «in silico» (обчислення) та «in vitro» (лабораторна біологія). Insitro співпрацює з Gilead і Bristol Myers Squibb і зосереджується на таких сферах, як метаболічні захворювання, захворювання печінки та нейродегенеративні захворювання.
Технічне розуміння
Фірмовий метод Insitro використовує машинне навчання медичних зображень — наприклад, глибокі моделі, що зчитують МРТ печінки або гістопатологію — для отримання кількісних «фенотипів машинного навчання». Проведення загальногеномних досліджень асоціацій щодо цих ознак, отриманих за допомогою штучного інтелекту, серед популяцій у масштабі біобанку може виявити генетичні варіанти, а отже, і причинно-наслідкові цілі, яких не враховують грубі клінічні позначки. Це поєднує генетику людини, найвагоміший доказ того, що ціль має значення, з високою фенотиповою роздільною здатністю від ШІ.
Освоєння біології машинного навчання Insitro
Insitro об’єднує масштабні генетичні та клітинні дані людини з машинним навчанням, щоб знаходити кращі мішені ліків і пацієнтів, які, швидше за все, відреагують. Це важливо, тому що він вирішує головну причину невдачі ліків — неправильний вибір мішені — ґрунтуючись на відкритті реальної людської біології. Біологію машинного навчання Insitro найкраще зрозуміти в контексті стратегії, доступу до моделі, рішень щодо платформи та партнерства в екосистемі. Щоб поглибити розуміння, розглядайте Insitro Machine Learning Biology як робочу модель, а не як окрему функцію: визначте бажані результати, уточніть припущення та відокремте те, що система може зробити надійно, від того, що все ще потребує експертної оцінки.
На практиці сильні команди, які використовують Insitro Machine Learning Biology, оцінюють стратегію постачальника, надійність дорожньої карти та ризик блокування перед тим, як взяти на себе зобов’язання. Вони документують чіткі критерії успіху, перевіряють реалістичні дані та робочі процеси та виконують ітерацію на основі спостережуваних моделей невдач, а не одноразових перемог у тестах. Саме тут теоретичне розуміння перетворюється на довготривалу здатність щодо продуктів, політики та операцій.
Дорожні карти постачальників впливають на те, які функції ваша команда може створити далі. У той же час повідомлення про запуск можуть випереджати стабільність у реальних робочих процесах виробництва. Найбільш стійкий підхід полягає в поєднанні швидкості експериментів із дисципліною управління: запускайте пілотні проекти, збирайте докази, публікуйте журнали рішень і постійно оновлюйте запобіжні заходи в міру розвитку поведінки моделі, очікувань користувачів і нормативних вимог.
Стратегічний вплив
Дорожні карти постачальників впливають на те, які функції ваша команда може створити далі.
Дорожні карти постачальників впливають на те, які функції ваша команда може створити далі. У високоякісних розгортаннях це перетворюється на вимірювані правила роботи, межі власності та повторювані ритуали перевірки, щоб команди могли масштабувати впевненість замість масштабування неоднозначності.
Комерційні умови та варіанти розгортання впливають на довгострокову вартість і ризик.
Комерційні умови та варіанти розгортання впливають на довгострокову вартість і ризик. У високоякісних розгортаннях це перетворюється на вимірювані правила роботи, межі власності та повторювані ритуали перевірки, щоб команди могли масштабувати впевненість замість масштабування неоднозначності.
Стимули компанії формують стандарти продукту, безпеку та відкритість.
Стимули компанії формують стандарти продукту, безпеку та відкритість. У високоякісних розгортаннях це перетворюється на вимірювані правила роботи, межі власності та повторювані ритуали перевірки, щоб команди могли масштабувати впевненість замість масштабування неоднозначності.
Впровадження в реальному світі
Навчання моделей МРТ-сканування печінки для створення кількісних фенотипів, а потім проведення досліджень генетичних зв’язків, щоб знайти лікарські мішені для лікування захворювань печінки.
Використання нейронів, отриманих зі стовбурових клітин людини, для моделювання БАС та інших нейродегенеративних захворювань для аналізу ML.
Співпраця з Gilead для виявлення мішеней для неалкогольного стеатогепатиту (НАСГ) і фіброзу печінки.
Розподіл пацієнтів на генетичні підгрупи, щоб передбачити, хто відповість на дану терапію.
Шаблони реалізації
Insitro Machine Learning Biology на практиці
Навчання моделей МРТ-сканування печінки для створення кількісних фенотипів, а потім проведення досліджень генетичних зв’язків, щоб знайти лікарські мішені для лікування захворювань печінки.
Навчання моделей МРТ-сканування печінки для створення кількісних фенотипів, а потім проведення досліджень генетичних зв’язків для пошуку мішеней ліків для лікування захворювань печінки Команди зазвичай отримують кращі результати, коли заздалегідь визначають порогові значення якості, зберігають шлях ескалації людини для крайніх випадків і відстежують як підвищення продуктивності, так і витрати на помилки з часом.
Insitro Machine Learning Biology на практиці
Використання нейронів, отриманих зі стовбурових клітин людини, для моделювання БАС та інших нейродегенеративних захворювань для аналізу ML.
Використання нейронів, отриманих зі стовбурових клітин людини, для моделювання АЛС та інших нейродегенеративних захворювань для аналізу ML. Команди зазвичай отримують кращі результати, коли заздалегідь визначають порогові значення якості, зберігають шлях ескалації людини для крайніх випадків і відстежують як підвищення продуктивності, так і витрати на помилки з часом.
Insitro Machine Learning Biology на практиці
Співпраця з Gilead для виявлення мішеней для неалкогольного стеатогепатиту (НАСГ) і фіброзу печінки.
Співпрацюючи з Gilead для виявлення цілей для неалкогольного стеатогепатиту (НАСГ) і фіброзу печінки. Команди зазвичай отримують кращі результати, коли заздалегідь визначають порогові показники якості, зберігають шлях ескалації з боку людини для крайніх випадків і відстежують підвищення продуктивності та витрати на помилки з часом.
Insitro Machine Learning Biology на практиці
Розподіл пацієнтів на генетичні підгрупи, щоб передбачити, хто відповість на дану терапію.
Розподіл пацієнтів на генетичні підгрупи, щоб передбачити, хто відповість на певну терапію. Команди зазвичай отримують кращі результати, коли заздалегідь визначають порогові значення якості, зберігають шлях ескалації з боку людини для крайніх випадків і відстежують підвищення продуктивності та витрати на помилки з часом.
Ризики та огорожі
Оголошення про запуск можуть випереджати стабільність у реальних робочих процесах виробництва.
Зміни в ціноутворенні API або в політиці можуть миттєво порушити припущення.
Залежність від одного постачальника збільшує витрати на блокування та міграцію.
Дорожня карта впровадження
Оцініть постачальників за допомогою власних завдань і наборів даних.
Оцініть постачальників за допомогою власних завдань і наборів даних. Розглядайте кожен крок як джерело доказів: якщо критерії не відповідають, призупиніть розгортання, закрийте прогалину й лише потім розширюйте використання.
Перед інтеграцією ознайомтеся з конфіденційністю, безпекою та юридичними умовами.
Перед інтеграцією ознайомтеся з конфіденційністю, безпекою та юридичними умовами. Розглядайте кожен крок як джерело доказів: якщо критерії не відповідають, призупиніть розгортання, закрийте прогалину й лише потім розширюйте використання.
Підтримуйте запасний план для різних моделей або постачальників.
Підтримуйте запасний план для різних моделей або постачальників. Розглядайте кожен крок як джерело доказів: якщо критерії не відповідають, призупиніть розгортання, закрийте прогалину й лише потім розширюйте використання.
Слідкуйте за примітками до випуску, щоб зміни дорожньої карти не здивували команди.
Слідкуйте за примітками до випуску, щоб зміни дорожньої карти не здивували команди. Розглядайте кожен крок як джерело доказів: якщо критерії не відповідають, призупиніть розгортання, закрийте прогалину й лише потім розширюйте використання.