Tiếp theoHướng dẫn tiếp theo
Khái niệm cơ bản về học máy
Nguyên tắc cơ bản
HƯỚNG DẪN công ty
Sinh học máy học Insitro
Insitro kết hợp dữ liệu di truyền và tế bào của con người trên quy mô lớn với công nghệ học máy để tìm ra các mục tiêu thuốc tốt hơn và những bệnh nhân có khả năng đáp ứng cao nhất.
Nghe hướng dẫn nàyAI thuật lại · ~2 min
Trên trang nàyĐọc trong 2 phút
Tổng quan
It matters because it tackles the biggest reason drugs fail — picking the wrong target — by grounding discovery in real human biology.
Lặn sâu
Được thành lập vào năm 2018 bởi nhà sinh học tính toán và cựu lãnh đạo Stanford và Coursera, Daphne Koller, Insitro đã tự xây dựng mình như một công ty khám phá thuốc 'đầu tiên học máy'. Ý tưởng cốt lõi của nó là tạo ra các bộ dữ liệu khổng lồ, được xây dựng có mục đích nội bộ — sử dụng các mô hình bệnh có nguồn gốc từ tế bào gốc của con người ('in vitro'), hình ảnh có hàm lượng cao và 'các phép đo omics — và ghép chúng với các nhóm thuần tập di truyền và lâm sàng khổng lồ ở người như Biobank Vương quốc Anh. Sau đó, học máy liên kết các dấu hiệu phân tử và tế bào với bệnh tật, giúp xác định các mục tiêu mà di truyền học cho thấy thực sự gây bệnh và phân loại bệnh nhân thành các nhóm nhỏ. Bản thân cái tên này đã kết hợp 'in silico' (tính toán) và 'in vitro' (sinh học trong phòng thí nghiệm). Insitro đã hợp tác với Gilead và Bristol Myers Squibb và tập trung vào các lĩnh vực như bệnh chuyển hóa, gan và thoái hóa thần kinh.
Triển khai trong thế giới thực
Các mô hình đào tạo về quét MRI gan để tạo ra các kiểu hình định lượng, sau đó chạy các nghiên cứu liên kết di truyền để tìm ra mục tiêu thuốc điều trị bệnh gan.
Sử dụng tế bào thần kinh có nguồn gốc từ tế bào gốc của con người để mô hình hóa ALS và các bệnh thoái hóa thần kinh khác để phân tích ML.
Hợp tác với Gilead để khám phá các mục tiêu điều trị bệnh viêm gan nhiễm mỡ không do rượu (NASH) và xơ gan.
Phân tầng bệnh nhân thành các phân nhóm di truyền để dự đoán ai sẽ đáp ứng với một liệu pháp nhất định.
Tương lai của Sinh học học máy Insitro
Insitro đang hướng tới các mô hình dự đoán kết nối kiểu gen với kiểu hình tế bào với kết quả của bệnh nhân, cho phép lựa chọn mục tiêu và phân tầng bệnh nhân trước các thử nghiệm tốn kém. Mong đợi việc sử dụng sâu hơn các mô hình nền tảng trên hình ảnh và omics, nhiều liên kết ngân hàng sinh học hơn và thúc đẩy các ứng cử viên đường ống nội bộ. Thách thức chính là kết thúc vòng lặp: chứng minh rằng các mục tiêu do AI đề cử, dựa trên di truyền sẽ chuyển thành các loại thuốc được phê duyệt và có tác dụng với đúng bệnh nhân.
Đưa nó vào thực tế
Tại sao nó quan trọng
- Chiến lược nhà cung cấp. Lộ trình của nhà cung cấp ảnh hưởng đến những tính năng mà nhóm của bạn có thể xây dựng tiếp theo.
- Chi phí và ngân sách. Các điều khoản thương mại và các lựa chọn triển khai ảnh hưởng đến chi phí và rủi ro dài hạn.
- Rủi ro và an toàn. Các biện pháp khuyến khích của công ty định hình các tình trạng vỡ nợ của sản phẩm, trạng thái an toàn và tính cởi mở.
coi chừng
- Thông báo ra mắt có thể vượt xa sự ổn định trong quy trình sản xuất thực tế.
- Việc định giá API hoặc thay đổi chính sách có thể phá vỡ các giả định chỉ sau một đêm.
- Sự phụ thuộc vào một nhà cung cấp làm tăng chi phí khóa và di chuyển.
Các bước tiếp theo
- Đánh giá các nhà cung cấp bằng cách sử dụng các nhiệm vụ và bộ dữ liệu của riêng bạn.
- Xem lại các điều khoản về quyền riêng tư, bảo mật và pháp lý trước khi tích hợp.
- Duy trì kế hoạch dự phòng giữa các mô hình hoặc nhà cung cấp.
- Theo dõi ghi chú phát hành để những thay đổi về lộ trình không gây ngạc nhiên cho các nhóm.
Tiếp tục khám phá
Bản tin miễn phí
Nhận bản tóm tắt AI hàng ngày
Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.
Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.
Tự kiểm tra
Take the Insitro Machine Learning Biology quiz
Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.
Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp
Câu hỏi thường gặp
What is Insitro Machine Learning Biology?
Insitro kết hợp dữ liệu di truyền và tế bào của con người trên quy mô lớn với công nghệ học máy để tìm ra các mục tiêu thuốc tốt hơn và những bệnh nhân có khả năng đáp ứng cao nhất. Nó quan trọng vì nó giải quyết nguyên nhân lớn nhất khiến thuốc thất bại - chọn sai mục tiêu - bằng cách khám phá nền tảng về sinh học thực sự của con người.
Tên 'Insitro' kết hợp những gì?
Cái tên này kết hợp tính toán 'trong silico' với sinh học trong phòng thí nghiệm 'trong ống nghiệm', thể hiện cách tiếp cận thử nghiệm ML-cộng của nó.
Ai là người sáng lập Insitro?
Daphne Koller, nhà sinh học tính toán và cựu đồng sáng lập Coursera, đã thành lập Insitro vào năm 2018.
Tại sao Insitro nhấn mạnh yếu tố di truyền của con người trong việc lựa chọn mục tiêu?
Các mục tiêu được hỗ trợ bởi bằng chứng di truyền của con người có nhiều khả năng là nguyên nhân thực sự, làm giảm sự thất bại của thuốc.
"kiểu hình học máy" mà Insitro sử dụng là gì?
Insitro lấy các đặc điểm định lượng từ hình ảnh bằng ML, sau đó nghiên cứu mối liên hệ di truyền của chúng.
Nhóm người lớn nào thường được sử dụng cho các nghiên cứu di truyền ở quy mô ngân hàng sinh học như của Insitro?
Biobank Vương quốc Anh liên kết dữ liệu di truyền, hình ảnh và sức khỏe của hàng trăm nghìn người.
Tiếp tục học hỏi
Hướng dẫn liên quan
Đã chọn thêm hướng dẫn cho chủ đề này