GSK je sklopio istraživačku suradnju s britanskom biotehnološkom tvrtkom Relation Therapeutics vrijednu do 110 milijuna dolara, proširujući zajednički rad u otkrivanju lijekova uz pomoć umjetne inteligencije.
Prema sporazumu, Relation će generirati velike skupove podataka koji mjere kako ljudske stanice reagiraju na genetske promjene i intervencije lijekova. Ti podaci će se koristiti za treniranje AI modela koji su osmišljeni za identifikaciju potencijalnih ciljeva za lijekove, uključujući modele unutar Relationove MORGAN platforme.
Sporazum uključuje generiranje bioloških podataka uz razvoj AI modela. Istraživački pristup tvrtke Relation povezuje računalnu analizu s eksperimentima koji generiraju nove informacije o ljudskim stanicama.
Ova suradnja nadovezuje se na ranije sporazume između GSK-a i Relationa usmjerenih na fibrozne bolesti i osteoartritis. Ti projekti uključivali su promatračke studije osmišljene za stvaranje dva funkcionalna skupa podataka o bolestima za analizu koristeći Relationovu Lab-in-the-Loop platformu.
Rani rad kombinirao je ljudsku genetiku, višekratnu analizu stanica generiranu iz ljudskog tkiva, funkcionalne testove i strojno učenje za identifikaciju i validaciju potencijalnih ciljeva bolesti.
Kako Relation generira biološke podatke
Relation opisuje svoj pristup Lab-in-the-Loop kao kombinaciju laboratorijskih eksperimenata i računalne analize. Njihov rad uključuje profiliranje tkiva, analizu jedinstvenih stanica i prostornu transkriptomiku, sekvenciranje i validaciju ciljeva, pri čemu se strojno učenje koristi za identifikaciju, prioritetizaciju, validaciju i dizajn eksperimenata.
Tvrtka također provodi eksperimente perturbacija koji mjere kako genetske promjene utječu na karakteristike stanica povezane s bolestima. Ti rezultati mogu se analizirati zajedno s genetskim i biološkim podacima dobivenim od pacijenata.
Javne repozitorije ostaju važan izvor materijala za obuku bioloških temeljnih modela, iako kombiniranje informacija proizvedenih iz različitih studija može unijeti tehničke izazove.
Analiza iz 2025. godine u Experimental & Molecular Medicine istaknula je da repozitoriji poput CZ CELLxGENE, Human Cell Atlas i NCBI Gene Expression Omnibus daju istraživačima pristup velikim količinama podataka o jedinstvenim stanicama.
Metode uzorkovanja, protokoli sekvenciranja, eksperimentalne procedure i procesi obrade mogu se razlikovati između studija. Podaci o jedinstvenim stanicama također mogu sadržavati tehnički šum i druge artefakte, što zahtijeva pažljiv odabir skupova podataka, filtriranje, uravnoteženje sastava i kontrolu kvalitete tijekom obuke temeljnih modela.
Preklapanje skupova podataka predstavlja još jedan problem. Pregled je istaknuo da se iste ili slične stanice mogu pojaviti među više javnih resursa, što može dati nesrazmjeran utjecaj tijekom obuke i stvoriti rizike od curenja podataka kada se skupovi za obuku i testiranje preklapaju.
Pregled je pokazao da je sastavljanje visokokvalitetnog, nepreklapajućeg skupa podataka jednako važno kao i arhitektura modela prilikom izgradnje robusnih temeljnih modela za jedinstvene stanice.
