Біологія машинного навчання Insitro
Insitro поєднує великомасштабні генетичні та клітинні дані людини з машинним навчанням, щоб знаходити кращі мішені ліків і пацієнтів, які, швидше за все, відреагують.
Огляд
It matters because it tackles the biggest reason drugs fail — picking the wrong target — by grounding discovery in real human biology.
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 масивними 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 зв’язків із цими ознаками, отриманими за допомогою штучного інтелекту, серед популяцій у масштабі біобанку може виявити генетичні варіанти, а отже, і причинно-наслідкові об’єкти, яких не враховують грубі клінічні позначки. Це поєднує генетику людини, найвагоміший доказ того, що ціль має значення, з високою фенотиповою роздільною здатністю від ШІ.
Стратегічний вплив
Стратегія постачальника
Дорожні карти постачальників впливають на те, які функції ваша команда може створити далі.
Вартість і бюджет
Комерційні умови та варіанти розгортання впливають на довгострокову вартість і ризик.
Ризики та безпека
Стимули компанії формують стандарти продукту, безпеку та відкритість.
Майбутнє біології машинного навчання Insitro
Insitro просуває прогностичні моделі, які пов’язують генотип із клітинним фенотипом для результатів лікування пацієнта, що дозволяє відбирати цілі та стратифікувати пацієнтів перед дорогими дослідженнями. Очікуйте глибшого використання базових моделей для обробки зображень і omics, більше зв’язків із біобанками та просування внутрішніх кандидатів на конвеєр. Ключове завдання полягає в тому, щоб замкнути цикл: довести, що призначені штучним інтелектом і генетично підкріплені цілі перетворюються на схвалені ліки, які діють на правильних пацієнтів.
Реалізація 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.
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.
Перегляньте умови конфіденційності, безпеки та юридичні умови перед інтеграцією.
Підтримуйте запасний план для різних моделей або постачальників.
Слідкуйте за примітками до випуску, щоб зміни дорожньої карти не здивували команди.
Продовжуйте досліджувати
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
Наступний посібник
Основи машинного навчання
Часті запитання
What is Insitro Machine Learning Biology?
Insitro поєднує великомасштабні 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.
Що поєднує в собі назва «Insitro»?
У назві поєднуються обчислення in silico з лабораторною біологією in vitro, що відображає підхід ML-plus-experiment.
Хто заснував Insitro?
Дафна Коллер, комп’ютерний біолог і колишній співзасновник Coursera, заснувала Insitro у 2018 році.
Чому Insitro наголошує на генетиці людини при виборі цілей?
Цілі, підтверджені генетичними доказами людини, мають набагато більше шансів бути справді причинно-наслідковими, що зменшує невдачу ліків.
Що таке «фенотип машинного навчання», як його використовує Insitro?
Insitro отримує кількісні ознаки із зображень за допомогою ML, а потім вивчає їхні генетичні асоціації.
Яка велика когорта людей зазвичай використовується для генетичних досліджень масштабу біобанку, таких як Insitro?
Біобанк Великобританії об’єднує генетичні, візуалізаційні дані та дані про здоров’я сотень тисяч людей.