Insitro

Анализ архитектуры платформы Insitro TherML™ (2026)

Архитектура Insitro определяется сквозной платформой TherML™, индустриализирующей переход от биологических инсайтов к терапевтическим кандидатам, готовым к клиническим испытаниям. По состоянию на январь 2026 года система достигла статуса независимости от модальности, интегрировав физически обоснованный ИИ из приобретения CombinAbleAI для разработки сложных биологических препаратов наряду с существующими направлениями малых молекул и олигонуклеотидов 📑. Архитектура построена на принципе каузальной биологии, используя машинное обучение для выявления генетических возмущений, определяющих фенотипы, связанные с заболеваниями, в массивных проприетарных наборах данных 📑.

Основной вычислительный и дизайнерский движок

Платформа базируется на биологических базовых моделях (BFMs), интерпретирующих данные высокопроизводительной микроскопии и мультиомики для выявления драйверов заболеваний 🧠.

• Слой дизайна TherML™: Одновременно оптимизирует эффективность и пригодность к разработке (ADMET/ФК) с использованием физически обоснованных суррогатов молекулярной динамики и проприетарных количественных адаптивных библиотек (QALs) 📑.
• Движок каузального обнаружения: Анализирует клинические данные человека и клеточные модели для выявления генетических точек вмешательства с наивысшей вероятностью клинического успеха 📑.
• Инфраструктура HPC: Использует мощный вычислительный кластер на базе графических процессоров NVIDIA H100 для выполнения высокоточных физических симуляций и обучения базовых моделей 📑.

⠠⠉⠗⠑⠁⠞⠑⠙⠀⠃⠽⠀⠠⠁⠊⠞⠕⠉⠕⠗⠑⠲⠉⠕⠍

Операционные сценарии

• Оптимизация антител: Вход: Структура целевого белка + базовая последовательность антитела → Процесс: Физически обоснованная симуляция через 100 тыс.+ суррогатов молекулярной динамики для прогнозирования гибкости и аффинности связывания → Выход: Оптимизированный биологический кандидат с подтвержденными показателями технологичности 📑.
• Замкнутая валидация мишеней: Вход: Гипотеза каузальной модели для БАС → Процесс: Автономные роботизированные системы жидкостной обработки выполняют пулированный оптический скрининг (POSH) в нейронах, полученных из ИПСК человека → Выход: Подтвержденные генетические модификаторы фенотипа заболевания, готовые к оптимизации в ChemML™ 📑.

Рекомендации по оценке

Техническим экспертам следует проверить следующие архитектурные характеристики:

• Пропускная способность, независимая от модальности: Оценить задержку при переключении фокуса дизайнерского движка между малыми молекулами и сложными биологическими препаратами в рамках одной терапевтической программы 🧠.
• Точность прогнозирования ADMET: Организациям следует валидировать производительность моделей ADMET платформы TherML™ — разработанных на основе внутренних данных и партнерства с Lilly в 2025 году — в сравнении с класс-специфическими ограничениями 📑.
• Каузальная валидация: Проверить степень соответствия между целями, выявленными методами машинного обучения, и историческими успехами клинических испытаний для аналогичных метаболических или нейродегенеративных путей 🌑.