Noetic создала уникальный pipeline для обработки опухолевых образцов и обучила трансформеры на мультиомных данных пациентов, чтобы выявлять терапевтически релевантные подтипы рака и улучшать подбор пациентов для клинических испытаний. Это помогает повысить успех лекарств за счёт точного таргетинга пациентов, а не только разработки молекул.
🔬 Training Transformers to solve 95% failure rate of Cancer Trials — Ron Alfa & Daniel Bear, Noetik
наведи и нажми на цифру — раскроется глава
полный разбор ролика · 5 глав ↓
Начало и сбор данных
Команда Noetic начала с нуля, создав лабораторию и pipeline для обработки опухолевых слайдов, собирая уникальные данные без готовых датасетов.
Данные генерировались месяцами, сначала без возможности обучения модели, что подчёркивает важность качественного сырья для AI.
Тезис Noetic
Основная причина неудач в онкологии — плохой подбор пациентов, а не плохая разработка лекарств.
Noetic строит модели, которые понимают биологию пациентов и помогают таргетировать препараты на правильные когорты.
Двойное применение моделей
Модели применяют как для обратной трансляции — от пациента к цели, так и для анализа пациентов в фазе II/III испытаний.
Это позволяет выявлять биологические признаки, предсказывающие ответ на лечение, и оптимизировать дизайн следующих испытаний.
Проблемы традиционных моделей
Клеточные линии и животные модели не репрезентативны для человеческой опухоли из-за генетических и биологических различий.
Это приводит к неэффективному дизайну клинических испытаний и высокому уровню неудач.
Обучение моделей на реальных данных
Модели обучаются с минимальными предположениями, выявляя терапевтически значимые подтипы на основе комплексных данных.
Простые биомаркеры часто не отражают сложность биологии, поэтому модели ищут более глубокие паттерны.