🔬 Training Transformers to solve 95% failure rate of Cancer Trials — Ron Alfa & Daniel Bear, Noetik

摘要

訪談 Noetik 創辦人 Ron Alfa 與 AI 副總 Daniel Bear，探討如何利用自監督學習與空間轉錄組資料，解決癌症藥物臨床試驗失敗率高的問題。他們透過建立「世界模型」模擬藥物對不同患者子群體的反應，並結合體外與體內干擾實驗驗證，旨在精準匹配患者與藥物，提升治療成功率。

An interview discussing how AI models and large-scale spatial transcriptomics data can solve the high failure rate of cancer drug trials by matching patients to the right treatments.

摘要、重點與章節標題由語言模型整理，細節（誰說的、數字、先後）可能有誤；要引用請以原始內容為準。

重點

• 95% 的癌症藥物臨床試驗失敗，主因是無法精準選對適合的患者。
• 利用自監督學習與大規模空間轉錄組資料，建立能理解患者生物特徵的模型。
• 透過模擬與體內基因干擾實驗驗證，精準預測哪些患者對特定藥物有效。

章節

依話題轉折切分，標題由 AI 產生

1. 00:00Noetic 實驗室從零開始的資料積累歷程
2. 02:38AI 模型如何雙向驅動患者篩選與藥物開發
3. 11:26生物領域資料規模挑戰與 PDB 設計案例
4. 17:09影像資料優勢與批次效應控制策略
5. 21:04病理切片 H&E 染色與細胞型別辨識
6. 23:35空間轉錄組資料如何連結基因與細胞位置
7. 26:00虛擬細胞模擬預測藥物對特定患者效果
8. 41:23模擬反事實干擾以預測細胞反應
9. 53:20利用 PerturbMap 對映人類腫瘤多樣性
10. 57:28Tario 模型引入自監督學習目標
11. 1:00:28長上下文長度提升空間轉錄組預測
12. 1:04:12與 GSK 簽約授權虛擬細胞基礎模型
13. 1:17:52透過生成資料訓練患者級基礎模型
14. 1:20:42抽象細胞機制以解決個別化治療

提到的工具與公司

• TARIO-2
• PerturbMap

適合誰看

對 AI 在生物醫學、藥物開發或精準醫療領域感興趣的研究者、開發者或從業者。

摘要依據

講者

Ron Alfa、Daniel Bear、Alessio Fanelli

依據

語音轉文字

為什麼排在這裡

人氣

0.50

新鮮

0.53

在主題頁與搜尋結果裡，名次由相關、人氣、新鮮三個分數決定；這一頁沒有搜尋的關鍵字，所以沒有相關分數。排序怎麼算

相關內容

• 癌症為什麼連大藥廠都攻不下？台灣靠 AI能設計出下一個抗癌突破嗎？| 思想實驗室 Video Podcast ep116：ft.漢康生技醫療長 陸英明博士影片 ・ Thought Lab with Guowei ・ 34 分鐘（在新分頁開啟原站）
• He Raised $70M to Cure Every Disease With AI | Samuel G. Rodriques, Edison ScientificPodcast ・ Gradient Dissent ・ 1 小時 15 分
• 🔬Causal Models Need Causal Data - Xaira’s X-Cell model for Drug Discovery (Bo Wang & Ci Chu, Chief Discovery Officer & Chief AI Scientist)Podcast ・ Latent Space ・ 1 小時 30 分
• OpenAI Astra and Recurrent Depth / Looped Transformers影片 ・ Sebastian Raschka ・ 28 分鐘（在新分頁開啟原站）
• 🔬The BioAI Phase Shift - Matthew McPartlon & Neil Patil, Chai DiscoveryPodcast ・ Latent Space ・ 1 小時 35 分
• How DeepL Built a Translation Powerhouse with AI with CEO Jarek KutylowskiPodcast ・ Gradient Dissent ・ 43 分鐘（在新分頁開啟原站）