當前位置:
首頁 > 知識 > Entopsis:分子醫學和「機器學習」開創診斷新紀元

Entopsis:分子醫學和「機器學習」開創診斷新紀元

Entopsis公司的代表性產品NUTeC採用納米技術與「機器學習 」演算法創建了一個通用的疾病診斷設備。


研究表明,惡性腫瘤產生後,在體液中(包括血液、尿液等)會發生蛋白質組成變化。對於其他疾病也是如此,通過檢測並分析這些變化,可以進行疾病診斷。傳統的診斷方法是通過特定的疾病標誌物與特定的試劑反應而得到結果,雖然專一性好,但通用性差,不能滿足人們的健康需求。面對這種傳統方法的缺陷,Entopsis公司提供了一個新思路,其代表性產品NUTeC不是建立在特異生化反應原理上,而是採用納米技術與「機器學習 」演算法創建了一個通用的疾病診斷設備。


公司名片

Entopsis:分子醫學和「機器學習」開創診斷新紀元



公司簡介


Entopsis是一家研製新型生物醫藥產品的私人持股公司,所研製的產品用於滿足臨床、科研需求,主要是針對腫瘤學領域、自身免疫疾病、罕見疾病等。Entopsis公司採用納米技術和「機器學習」創建了一個無偏診斷方法,代表產品是NUTeC,它拋棄了傳統的一個測試對應一個結果的思路,而是一個多功能的檢測平台。2016年4月被大邁阿密商會(The Greater Miami Chamber of Commerce)授予最具顛覆性的科技獎(the Most Disruptive Technology Award)。

公司CEO

Entopsis:分子醫學和「機器學習」開創診斷新紀元



Obdulio Piloto:Piloto博士本科時期在康奈爾大學主修微生物,2000年畢業後,先後在約翰霍普金斯大學、斯坦福大學深造,專註領域包括腫瘤免疫治療、白血病的小分子和肽抑制劑研究。


Piloto博士在Exelixis公司時,帶領研究團隊開展各種疾病的小分子抑制劑的研究。2010年被Conversant Biologics公司聘請為首席科學官。2011年與 Ian Cheong聯合創辦了Entopsis公司。

商業模式畫布

Entopsis:分子醫學和「機器學習」開創診斷新紀元



重要夥伴


2015年7月,Breakout Labs公司的Becton Dickinson聲明了對幾個初創公司的支持,包括Entopsis公司在內。除了無條件的資金支持,Becton Dickinson還向Entopsis公司提供專業的知識和資源支持。

Entopsis公司與巴斯科姆帕爾默學院(Bascom Palmer Faculty)合作開展眼部微生物的相關研究。Kara Cavuoto博士是Bascom Palmer Faculty的助理教授,Entopsis公司出資支持Kara Cavuoto博士關於兒童眼部微生物的研究。他們合作的目標在於用新的培養方法來定義兒童眼表微生物菌群的組成。該項研究可為眼部疾病診斷提供依據。


關鍵業務


Entopsis公司的平台(NUTeC)因為不需要特異的生物指示劑,對於樣品範圍沒有限制,也就是說,它可以對所有疾病進行診斷,但前提是要完善雲端的計算程序,使其有陽性/陰性結果的參照。Entopsis公司初期創業的焦點領域是腫瘤學、自身免疫疾病,但其技術特點使其有多方面的發展空間,Entopsis公司現在處於完成NUTeC設計的階段,下一步將是與不同的合作夥伴一起嘗試設備的新用途。


融資情況

2012 年Entopsis公司獲得 Breakout Labs 公司的資助後,在 2015 年 2 月又從邁阿密的 Krillion Ventures 公司那裡募集到了一輪種子資金,為80萬美元,同年3月再次募集到57.5萬美元。


競爭對手


Proscia:

Entopsis:分子醫學和「機器學習」開創診斷新紀元



這家創辦於馬里蘭州的創業公司已經開發出了一個病理雲平台,這個雲平台使用計算機視覺技術來分析腫瘤的活檢切片和醫學影像。它從 A-Level Capital, Emerald Development Managers, Robin Hood Ventures, 和 TCP Venture Capital 獲得了 100 萬美元的投資。


Skin Vision:

Entopsis:分子醫學和「機器學習」開創診斷新紀元



開發了一款針對皮膚癌檢測的 app,這款 app 使用計算機視覺技術分析皮膚病變。該公司在 2015 年獲得了由專註於皮膚病的公司 LEO Pharma 投資的350 萬美元。


Pathway Genomics:

Entopsis:分子醫學和「機器學習」開創診斷新紀元



Pathway Genomics 已經開發出一種用於診斷癌症的血液測試。這家公司從 IBM-Watson 那裡獲得了 4000 萬美元 E 輪資金。


Freenome:

Entopsis:分子醫學和「機器學習」開創診斷新紀元



這家基因學初創公司專註的是血液測試,已從 Andreessen Horowitz, Data Collective, Founders Fund 獲得 555 萬美元的風投資金。


目前大多數研究都集中在血液活體檢測上,特別是在核酸和蛋白質的檢測上。而Entopsis公司更傾向於尿液的分子檢測,因為研究表明臟器的代謝變化可以反映在尿液的分子構成中。對於害怕針頭的人群,採集尿液比採集血液更人性化。


產品與技術


NuteC

Entopsis:分子醫學和「機器學習」開創診斷新紀元



NuteC板大小如同一片口香糖,看起來像一塊簡單的顯微鏡載玻片,但是在分子水平上是非常複雜的。每一塊NuteC上有50-500個的小孔,當液體樣品(血液、唾液、尿液)進入,NuteC板會根據不同樣品的分子結構(物理組成)產生不同的顏色和形狀,形成可視化的信號掃描到雲端,再通過NUTeC的雲端計算程序能將樣品測試結果與資料庫里的陽性/陰性結果進行比較,並給出一個置信區間內的評估,如「存在87%的可能性患有胰腺癌」。該產品是應用「機器學習」將分子信號與疾病對應聯繫的。


即由以下兩部分組成:①由纖維材料構成的用以結合小分子、蛋白質和細胞的多孔板,以產生信號輸出;②雲端數據分析——應用「機器學習」的計算程序。

Entopsis:分子醫學和「機器學習」開創診斷新紀元


Entopsis:分子醫學和「機器學習」開創診斷新紀元



每個NUTeC小孔都有各自不一樣的紋理結構以及生化特性來與目標分子建立特定的連接。

Entopsis:分子醫學和「機器學習」開創診斷新紀元



全過程:收集樣品→樣品進入NUTeC板→檢測信號→掃描信號→上傳到雲端→進行診斷


疾病能否得到早期診斷,可以毫不誇張地說決定著生與死。因此簡便的醫學診斷設備有很好的市場需求,假如你的健康指標出現異常,可以通過相應設備傳到你的手機,再將數據發送給你的醫生,啟動預防措施,因為疾病重在預防。


隨著全球人口逐漸老齡化,癌症病例的數量正在上升。根據世界衛生組織(WHO)的估算,在未來 20 年裡,新增癌症診斷病例可能會達到 70%,從 1400 萬上升到 2200 萬。Entopsis公司的納米無偏紋理捕捉設備在癌症的早期診斷起到一定的作用,可以說能幫助患者儘早發現以進行有效治療。Pedro J. Greer博士說,「這個產品在科學上是一件好事,但從人性化角度來說,誰也不希望被一個機器告知患有癌症,所以我們應該不只是發現問題,還要解決問題。不只是診斷,還要治療,必須融入世界醫學中,提高人們的生活質量,解決他們的困惑。」


文|吳婷婷

您的贊是小編持續努力的最大動力,動動手指贊一下吧!


本站內容充實豐富,博大精深,小編精選每日熱門資訊,隨時更新,點擊「搶先收到最新資訊」瀏覽吧!


請您繼續閱讀更多來自 百度百家 的精彩文章:

谷歌想打造無人駕駛專車平台?新專利讓人細思極恐
從振動枕套到智能睡衣腰帶,睡眠科技正在席捲全球
讀懂碳雲智能的2017,開啟智能新生活
CES2017盤點會上VR最新黑科技,虛擬未來盡在手
11款VR遊戲賺超100萬美元?2016年12月Steam數據報告

TAG:百度百家 |

您可能感興趣

Elastic機器學習Steve Dodson:機器學習的潛能
Facebook 開源新一代機器學習 GPU 伺服器 Big Basin;谷歌召開 Google Cloud Next 雲技術大會等
「開源」谷歌發布deeplearn.js,瀏覽器端的強大機器學習庫
Geoffrey Hinton 機器學習第四課
全球500強個性化學習平台EdCast收購機器學習技術公司Sociative
機器學習演算法實踐:決策樹 (Decision Tree)
谷歌開源Deeplearn.js,發揮瀏覽器端機器學習的威力
最入門級別的機器學習圖書:Chris Bishop發布在線新書
基於 Python 和 Scikit-Learn 的機器學習介紹
谷歌開發Teachable Machine,你也能教機器學習
Elasticsearch 5.4 beta 新功能:機器學習官方支持來了!
快9倍!Facebook開源機器學習翻譯項目fairseq
Facebook和微軟發布機器學習工具ONNX,PyTorch訓練的模型輕鬆轉到Caffe2
Kaggle機器學習之模型融合(stacking)心得
Data Science三類職業方向:機器學習、數據分析和數據科學
Science專訪谷歌Magenta負責人:AI創作焦點是機器學習演算法
人工智慧專家 Michael Jordan 談機器學習的未來
OpenAI開源機器人模擬軟體Roboschool
Kaggle機器學習之模型融合stacking心得