概述
Insitro 將大規模人類遺傳和細胞數據與機器學習相融合，以找到更好的藥物標靶和最有可能產生反應的患者。這很重要，因為它透過將發現立足於真實的人類生物學，解決了藥物失敗的最大原因——選擇了錯誤的標靶。
Insitro 機器學習生物學在策略、模型存取、平台決策和生態系統合作夥伴關係的背景下得到了最好的理解。
深入探討
Insitro 由計算生物學家、史丹佛大學和 Coursera 前領導者 Daphne Koller 於 2018 年創立，將自己打造成一家「機器學習優先」的藥物發現公司。其核心理念是使用人類幹細胞衍生的（「體外」）疾病模型、高內涵成像和「組學測量」在內部產生巨大的、專門構建的數據集，並將它們與英國生物銀行等大量人類遺傳和臨床隊列配對。然後，機器學習將分子和細胞特徵與疾病聯繫起來，幫助識別遺傳學表明真正導致疾病的目標，並將患者分為亞組。這個名字本身融合了“in silico”（計算）和“in Viro”（實驗室生物學）。 Insitro 與吉利德 (Gilead) 和百時美施貴寶 (Bristol Myers Squibb) 合作，專注於代謝、肝臟和神經退化性疾病等領域。
技術洞察
Insitro 的標誌性方法是在醫學影像上使用機器學習（例如，讀取肝臟 MRI 或組織病理學的深度模型）來得出定量的「機器學習表型」。在生物庫規模的人群中針對這些人工智慧衍生的特徵進行全基因組關聯研究，可以發現粗略的臨床標籤所遺漏的遺傳變異，從而找到因果目標。這將人類遺傳學（目標重要性的最強證據）與人工智慧豐富的表型解析結合起來。
掌握 Instro 機器學習生物學
Insitro 將大規模人類遺傳和細胞數據與機器學習相融合，以找到更好的藥物標靶和最有可能產生反應的患者。這很重要，因為它透過將發現立足於真實的人類生物學，解決了藥物失敗的最大原因——選擇了錯誤的標靶。 Insitro 機器學習生物學在策略、模型存取、平台決策和生態系統合作夥伴關係的背景下得到了最好的理解。為了建立深入的理解，請將 Insitro 機器學習生物學視為一種操作模型，而不是單一功能：定義期望的結果，澄清假設，並將系統可以可靠地執行的操作與仍需要專家判斷的操作分開。
在實踐中，使用 Insitro 機器學習生物學的強大團隊在做出承諾之前評估供應商策略、路線圖可靠性和鎖定風險。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
供應商路線圖會影響您的團隊接下來可以建立的功能。同時，發佈公告可能會超過實際生產工作流程的穩定性。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
供應商路線圖會影響您的團隊接下來可以建立的功能。
供應商路線圖會影響您的團隊接下來可以建立的功能。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
商業條款和部署選項會影響長期成本和風險。
商業條款和部署選項會影響長期成本和風險。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
公司激勵措施塑造了產品預設、安全態勢和開放性。
公司激勵措施塑造了產品預設、安全態勢和開放性。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
利用肝臟 MRI 掃描訓練模型以建立定量表型，然後進行遺傳關聯研究以尋找治療肝病的藥物標靶。
使用人類幹細胞衍生的神經元來模擬 ALS 和其他神經退化性疾病，以進行機器學習分析。
與吉利德合作發現非酒精性脂肪性肝炎 (NASH) 和肝纖維化的標靶。
將患者分為遺傳亞組，以預測誰會對特定治療產生反應。
實施模式
Insitro 機器學習生物學實踐
利用肝臟 MRI 掃描訓練模型以建立定量表型，然後進行遺傳關聯研究以尋找治療肝病的藥物標靶。
在肝臟 MRI 掃描上訓練模型以創建定量表型，然後執行遺傳關聯研究來尋找肝病的藥物標靶。當團隊預先定義品質閾值、為邊緣情況保留人為升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
Insitro 機器學習生物學實踐
使用人類幹細胞衍生的神經元來模擬 ALS 和其他神經退化性疾病，以進行機器學習分析。
使用人類幹細胞衍生的神經元對 ALS 和其他神經退化性疾病進行建模以進行機器學習分析當團隊預先定義質量閾值、為邊緣情況保留人為升級路徑並隨著時間的推移跟踪生產力增益和錯誤成本時，通常會獲得更好的結果。
Insitro 機器學習生物學實踐
與吉利德合作發現非酒精性脂肪性肝炎 (NASH) 和肝纖維化的標靶。
與吉利德合作發現非酒精性脂肪性肝炎 (NASH) 和肝纖維化的目標當團隊預先定義質量閾值、為邊緣情況保留人性化的升級路徑並隨著時間的推移跟踪生產力增益和錯誤成本時，通常會獲得更好的結果。
Insitro 機器學習生物學實踐
將患者分為遺傳亞組，以預測誰會對特定治療產生反應。
將患者分為遺傳亞組，以預測誰會對給定的治療做出反應。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力增益和錯誤成本時，通常會獲得更好的結果。
風險與防護欄
發佈公告可能會超過實際生產工作流程的穩定性。
API 定價或政策轉變可能會在一夜之間打破假設。
單一供應商依賴性增加了鎖定和遷移成本。
實施路線圖
使用您自己的任務和資料集評估提供者。
使用您自己的任務和資料集評估提供者。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在整合之前查看隱私、安全和法律條款。
在整合之前查看隱私、安全和法律條款。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
維護跨模型或供應商的後備計劃。
維護跨模型或供應商的後備計劃。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
監控發行說明，以便路線圖的變更不會讓團隊感到意外。
監控發行說明，以便路線圖的變更不會讓團隊感到意外。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。