Ginkgo Datapoints, VCPI’yi Tanıtıyor: İlaç Keşfindeki Veri Sorununu Çözme Planı

Yıllardır, ilaç keşfinde AI basit bir sorun nedeniyle engellenmiştir: veriler yeterli değildir. Dizi sekanslaması, toplu pertürbasyon çalışmaları ve karma hücre deneyleri ilerleme izlenimi verdi ancak gerçek đột breaksthroughları sağlamadı. Beklenen öngörülü atılım yerine, alan gürültü üretti. Tekrarlanabilirlik yerine, sürüklenme üretti. Ve sanal hücre modellerini eğitmek için gereken farmakolojiye özgü ölçümler yerine, ölçek için optimize edilmiş veri setleri üretti.

Bu ortamda Ginkgo Datapoints, Sanal Hücre Farmakoloji Girişimi (VCPI) projesini başlatıyor – sadece daha fazla veri vaat etmekle kalmayan, AI modellerinin gerçek biyolojik sistemleri nasıl bozduğunu öngörmeye çalıştığı için daha iyi veri sunmayı amaçlayan bir proje. Şirketin resmi açıklaması, VCPI’nin 12 milyar veri noktası üreteceğini ve 100.000 bileşiki profilleştireceğini vurguluyor, böylece sanal hücre modellemesi için ilk standartlaştırılmış farmakoloji veri setini oluşturuyor.

“Daha Fazla Veri” Neden Başarısız Oldu

Ginkgo, VCPI’yi tanıtan blog gönderisinde, alanın yanlış yönlendirilmiş rotasını mükemmel bir şekilde yakalayan bir benzetme kullanıyor. Bir avuç ilacı farelerin içine atan ve hangisinin hangi ilacı yediğini anlamaya çalıştan bir düşünce deneyini hayal edin – sonra bunu bir milyonluk fare sürüsüne ölçeklendirin. Bu, toplu tek hücre farmakoloji deneylerinin temelindeki kusurdur. İnanılmaz miktarda veri üretirler ancak alttaki tasarım, bileşik ve fenotip arasındaki temiz atfedilmesini engeller.

Sorun teknoloji değil, deneysel mimaridir. Daha büyük veri setlerinin doğal olarak daha iyi modeller öğreteceği varsayımı yanlış çıkmıştır. Blog bu zihniyeti “veri bağımlılığı” olarak adlandırıyor ve iyi yapılandırılmış, yüksek sinyal girişleri olmadan, hatta en gelişmiş AI’nin de yanlış kalıpları öğreneceğini savunuyor.

VCPI, bu mantıktan keskin bir şekilde ayrılıyor. Büyüklüğü yüceltmek yerine, biyolojik izlenebilirlik, deneysel sıkılık ve AI’nin gerçekten farmakoloji öğrenmesi için gereken kontrollü yapıya odaklanıyor.

VCPI Veri Boru Hattını Nasıl Yeniden İnşa Ediyor

VCPI, toplu tek hücre testlerine güvenmek yerine DRUG-seq kullanıyor, her bileşiğin izole edilmiş bir barkodlu kuyuda tedavi edildiği yüksek hacimli toplu RNA dizileme yöntemi. Bu, Ginkgo’nun toplu tasarımların sunduğu sinyal-gürültü oranından çok daha temiz bir sinyal ile tedaviye özgü cevapları ölçmesine olanak tanır. Basın açıklamasına göre, şirketin otomasyon altyapısı, her hafta 100 tam 384-kuyulu plaka çalıştırabilir, endüstriyel ölçekte milyonlarca yüksek doğruluklu RNA ölçümü üretir.

Aynı derecede önemli olan, V-Ref293 adlı yeni tasarlanmış, standartlaştırılmış référanse hücre hattının tanıtılmasıdır. Her laboratuvarın kendi mutasyona uğramış, sürüklendiği aynı hücre hattını çalıştırması yerine, VCPI, evrensel bir biyolojik referans oluşturur – “sanal hücrelerin ortaya çıkan sınıfına” ait bir “organik ikiz”. Bu, farmakogenomikte uzun süredir devam eden tekrarlanamazlık kaynaklarından birini ortadan kaldırır ve AI modellerinin ihtiyaç duyduğu稳il gerçekliği sağlar.

Bu girişim altında, Ginkgo, birkaç tanımlayıcı bileşenle birlikte topluluk tarafından oluşturulan bir veri setine kapılarını açıyor:

• Araştırmacılar, ilaç şirketleri ve AI geliştiricileri için açık katılım
• İçin sunulan bileşiklere ücretsiz yüksek hacimli RNA profilleme
• Katılımcılar için isteğe bağlı ambargo veya kalıcı özel erişim
• Topluluk oylaması tarafından şekillendirilen aylık veri yayınları
• Model paylaşma, bileşik önceliklendirme ve erken erişim “süper kullanıcı” statüsü fırsatları

Topluluk Tarafından Oluşturulan Bir Model, Veri Dumpsı Değil

VCPI’nin en ilginç yönlerinden biri, veri seti mevcut olmadan başlatma kararıdır. Tamamlanmış bir kaynağı yüklemek yerine, Ginkgo, bilimsel topluluğun hangi bileşiklerin en önemli olduğunu belirlemeye ve veri seti büyürken gerçek zamanlı olarak işbirliği yapmaya davet ediyor.

Bu yaklaşım ayrıca katılımı riske karşı korur. İlk aşama biyoteknoloji şirketleri, bileşikleri sunabilir ve gerçek farmakoloji verilerini alabilirler, böylece yüksek hacimli tarama için değerli bütçelerini yakmazlar. AI takımları, veri setinin gerçekten model eğitimi için ihtiyaç duydukları bozulmaları yansıttığını garantileyebilir. Akademik laboratuvarlar katkıda bulunabilir ve aynı zamanda 90 günlük özel pencere olasılığını korur.

Yapı, veri oluşturmayı statik bir ürün yerine katılımcı bir bilimsel sürece dönüştürür.

Biyo-AI Geleceği İçin Ne Anlama Geliyor

VCPI’nin daha geniş etkileri, Ginkgo veya herhangi bir sanal hücre girişimini aşar. Sanal hücre modelleri bilimsel olarak güvenilir hale gelmek için, tekrarlanabilir, tedaviye özgü ve stabilize biyolojik referansa dayalı verilerle eğitilmelidir. Bu temel olmadan, AI devam edecek olarak hayal görür, yanlış öngörülerde bulunur veya artifacts’e aşırı uyum sağlar.

Girişimler gibi VCPI, alanın verilere bakış açısında bir değişimi sinyaller. Deneysel tasarım, model mimarisi kadar önemli hale geliyor. Tekrarlanabilirlik, isteğe bağlı bir ideal yerine merkezi bir gereksinim olarak geri dönüyor. Topluluk tarafından yönetilen, açık altyapılı projeler, inovasyonu hızlandırma yeteneklerinde kapalı özel veri setlerini geçmeye başlıyor.

Sanal hücreler sonunda güvenilir öngörülü motorlar haline gelirse – bileşikleri sıralamaya, toksisiteleri işaretlemeye veya bir insan pipetle temas etmeden önce yolları aydınlatmaya yardımcı olan araçlar – bu, VCPI gibi projelerin ihtiyaç duydukları yapılandırılmış, güvenilir veri ortamını oluşturdukları için olacaktır.

Daha iyi verilere, sadece daha fazla veriden öncelik veren Ginkgo, AI destekli biyolojinin temellerini yeniden tanımlıyor. VCPI, sadece ilaç keşfindeki veri krizine tepki vermiyor, biyolojik deneyler ve AI eğitim boru hatlarının açık, amaçlı ve birlikte evrimleştiği yeni bir dönemi hazırlıyor.