概述
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。
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。
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。
Insitro 机器学习生物学的未来
Insitro 正在推动将基因型、细胞表型和患者结果联系起来的预测模型，从而在昂贵的试验之前实现目标选择和患者分层。期望在成像和组学领域更深入地使用基础模型，建立更多的生物样本库联系，并推进内部候选管道。关键的挑战是闭环：证明人工智能提名、遗传学支持的目标转化为对正确患者有效的批准药物。
付诸实践
为什么这很重要
- 供应商策略. 供应商路线图会影响您的团队接下来可以构建的功能。
- 成本与预算. 商业条款和部署选项会影响长期成本和风险。
- 风险与安全. 公司激励措施塑造了产品默认、安全态势和开放性。
留意
- 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。
后续步骤
- 使用您自己的任务和数据集评估提供商。
- 在集成之前查看隐私、安全和法律条款。
- 维护跨模型或供应商的后备计划。
- 监控发行说明，以便路线图的更改不会让团队感到意外。
不断探索
常见问题
什么是 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——选择了错误的靶标。
“Insitro”这个名字结合了什么？
该名称将“计算机”计算与“体外”实验室生物学融为一体，体现了其机器学习加实验的方法。
谁创立了Insitro？
计算生物学家、Coursera 前联合创始人 Daphne Koller 于 2018 年创立了 Insitro。
为什么Insitro在目标选择中强调人类遗传学？
由人类遗传证据支持的目标更有可能是真正的因果关系，从而减少药物失败。
Insitro 使用的“机器学习表型”是什么？
Insitro 使用机器学习从图像中获取数量特征，然后研究它们的遗传关联。
哪个大型人类队列通常用于像 Insitro 这样的生物库规模的遗传研究？
英国生物银行将数十万人的遗传、成像和健康数据联系起来。