разбор · оркестрациятема-фронтир · H 1.49
1.0
из 10
смотреть не обязательно — забрать выжимку и пункты
оценка машинная и частично зависит от длины ролика — спорите, открывайте оригинал
Причинные данные для моделей в биологии
🔬Causal Models Need Causal Data - Xaira’s X-Cell model (Bo Wang & Ci Chu)
Xaira строит интегрированную AI-платформу для открытия лекарств, объединяя три модели: дизайн белков, виртуальную клетку и представление пациентов. Ключ — качественные причинные данные, которые они собирают в лаборатории, чтобы повысить точность предсказаний и связать их с клиническими результатами.
X-Cell: каузальная модель на Perturb-seq данных, предсказывающая ответы на генетические пертурбации; ключ — ма
что из этого моё
Прямой связи с текущими задачами нет. Ближайшее, что можно взять, — принцип не покупать чужие данные, а порождать свои под конкретную задачу; в подрядах это понадобится не раньше, чем появится клиент с накопленной базой и запросом что-то из неё предсказывать.
Тезисы ролика
применимого к своей работе линза здесь не нашла
▸Фокусироваться на сборе и генерации качественных причинных данных для обучения моделей.
▸Интегрировать разные AI-модели (дизайн белков, клеточные модели, модели пациентов) для взаимного усиления.
▸Использовать визуализацию (например, heat map) для оценки точности предсказаний и коммуникации с биологами.
▸Строить платформу, ориентированную на конечный результат — клиническую эффективность, связывая молекулярные данные с ответом пациентов.
о чём говорят, по времени
главы доводят до 08:36 · дальше по ролику меток нет
01
Введение и wow-момент00:00 ↗
Обзор точности модели X-Cell и уникальность объединения нескольких кампаний perturb-seq.
02
Знакомство с Xaira и командой01:05 ↗
Введение в компанию, миссию и ключевых спикеров.
03
Миссия и AI-платформы Xaira03:11 ↗
Три основных AI-платформы и их роль в ускорении разработки лекарств.
04
Проблемы и интеграция моделей05:52 ↗
Как Xaira решает узкие места, связывая разные AI-модели и данные.
05
Проблемы с данными и клиническая перспектива08:36 ↗
Ограничения в данных для обучения, особенно клинических, и важность их качественной генерации.