概述
Insitro 将大规模人类遗传和细胞数据与机器学习相融合，以找到更好的药物靶点和最有可能产生反应的患者。这很重要，因为它通过将发现立足于真实的人类生物学，解决了药物失败的最大原因——选择了错误的靶点。
Insitro 机器学习生物学在战略、模型访问、平台决策和生态系统合作伙伴关系的背景下得到了最好的理解。
深入探讨
Insitro 由计算生物学家、斯坦福大学和 Coursera 前领导者 Daphne Koller 于 2018 年创立，将自己打造成一家“机器学习优先”的药物发现公司。其核心理念是使用人类干细胞衍生的（“体外”）疾病模型、高内涵成像和“组学测量”在内部生成巨大的、专门构建的数据集，并将它们与英国生物银行等大量人类遗传和临床队列配对。然后，机器学习将分子和细胞特征与疾病联系起来，帮助识别遗传学表明真正导致疾病的目标，并将患者分为亚组。这个名字本身融合了“in silico”（计算）和“in Viro”（实验室生物学）。 Insitro 与吉利德 (Gilead) 和百时美施贵宝 (Bristol Myers Squibb) 合作，专注于代谢、肝脏和神经退行性疾病等领域。
技术洞察
Insitro 的标志性方法是在医学图像上使用机器学习（例如，读取肝脏 MRI 或组织病理学的深度模型）来得出定量的“机器学习表型”。在生物库规模的人群中针对这些人工智能衍生的特征进行全基因组关联研究，可以发现粗略的临床标签所遗漏的遗传变异，从而找到因果目标。这将人类遗传学（目标重要性的最有力证据）与人工智能丰富的表型解析结合起来。
掌握 Instro 机器学习生物学
Insitro 将大规模人类遗传和细胞数据与机器学习相融合，以找到更好的药物靶点和最有可能产生反应的患者。这很重要，因为它通过将发现立足于真实的人类生物学，解决了药物失败的最大原因——选择了错误的靶点。 Insitro 机器学习生物学在战略、模型访问、平台决策和生态系统合作伙伴关系的背景下得到了最好的理解。为了建立深入的理解，请将 Insitro 机器学习生物学视为一种操作模型，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。
在实践中，使用 Insitro 机器学习生物学的强大团队在做出承诺之前会评估供应商策略、路线图可靠性和锁定风险。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
供应商路线图会影响您的团队接下来可以构建的功能。与此同时，发布公告可能会超过实际生产工作流程的稳定性。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
供应商路线图会影响您的团队接下来可以构建的功能。
供应商路线图会影响您的团队接下来可以构建的功能。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
商业条款和部署选项会影响长期成本和风险。
商业条款和部署选项会影响长期成本和风险。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
公司激励措施塑造了产品默认、安全态势和开放性。
公司激励措施塑造了产品默认、安全态势和开放性。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
利用肝脏 MRI 扫描训练模型以创建定量表型，然后进行遗传关联研究以寻找治疗肝病的药物靶点。
使用人类干细胞衍生的神经元来模拟 ALS 和其他神经退行性疾病，以进行机器学习分析。
与吉利德合作发现非酒精性脂肪性肝炎 (NASH) 和肝纤维化的靶标。
将患者分为遗传亚组，以预测谁会对特定治疗产生反应。
实施模式
Insitro 机器学习生物学实践
利用肝脏 MRI 扫描训练模型以创建定量表型，然后进行遗传关联研究以寻找治疗肝病的药物靶点。
在肝脏 MRI 扫描上训练模型以创建定量表型，然后运行遗传关联研究来寻找肝病的药物靶标。当团队预先定义质量阈值、为边缘情况保留人为升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
Insitro 机器学习生物学实践
使用人类干细胞衍生的神经元来模拟 ALS 和其他神经退行性疾病，以进行机器学习分析。
使用人类干细胞衍生的神经元对 ALS 和其他神经退行性疾病进行建模以进行机器学习分析当团队预先定义质量阈值、为边缘情况保留人为升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
Insitro 机器学习生物学实践
与吉利德合作发现非酒精性脂肪性肝炎 (NASH) 和肝纤维化的靶标。
与吉利德合作发现非酒精性脂肪性肝炎 (NASH) 和肝纤维化的目标当团队预先定义质量阈值、为边缘情况保留人性化的升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
Insitro 机器学习生物学实践
将患者分为遗传亚组，以预测谁会对特定治疗产生反应。
将患者分为遗传亚组，以预测谁会对给定的治疗做出反应。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
发布公告可能会超过实际生产工作流程的稳定性。
API 定价或政策转变可能会在一夜之间打破假设。
单一供应商依赖性增加了锁定和迁移成本。
实施路线图
使用您自己的任务和数据集评估提供商。
使用您自己的任务和数据集评估提供商。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在集成之前查看隐私、安全和法律条款。
在集成之前查看隐私、安全和法律条款。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
维护跨模型或供应商的后备计划。
维护跨模型或供应商的后备计划。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
监控发行说明，以便路线图的更改不会让团队感到意外。
监控发行说明，以便路线图的更改不会让团队感到意外。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。